LO
实际部署脑力工作自动化2025-07-18
领英称,其文本转 SQL 机器人自 2024 年 7 月起每周有 300 多名用户;数据集负责人的标注把正确回答从 9% 提高到 48%;最常见的错误是筛选条件
数据分析师职业页 →
事件日期 / 报道日期
2025-07-18
证据阶段
实际部署企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
关联任务
弄清楚真正在问什么
把经理模糊的担忧变成一个可度量的问题,并知道他说的「活跃用户」是哪个定义。
仍由人主导✓ 有证据支撑
拥有工具所依赖的指标定义
维护让自然语言查询产出正确答案的指标定义、文档与语义层。
新出现的任务✓ 有证据支撑
适用范围
领英员工关于其内部文本转 SQL 聊天机器人的论文。它自 2024 年 7 月起在领英的查询平台上提供,每周稳定有 300 多名活跃用户。它依赖一个知识图谱:数据集负责人标注每一列是指标、维度还是属性,常用表有人写的说明;这些组件把被评为正确或接近正确的回答从 9% 提高到 48%。在专家对 124 个生产回答的评审中,53% 被评为正确或只有小问题,最常见的问题是筛选条件错误(24%);作者指出,「最新点击率」这个请求对不同团队意味着不同的东西。这是一家公司的内部工具,由开发者自己测量。
这意味着什么
在一家大公司,自然语言查询的效果取决于人在背后维护的定义 —— 负责人的标注把正确回答从不到一成提高到约一半 —— 而它最常见的错误,是把问题的筛选条件弄错。定义和提问的方式,都仍在分析师手里。
还不能说明什么
这是一家公司的工具,由开发者自己测量;它说明不了分析师变少,也说明不了这类工具有多普遍。
你可以核实什么
打开 arXiv:2507.14372,找到「Column type indicates whether a column is a metric, dimension, or attribute, as annotated by the dataset owner」。
是否改变评估
否。影响指数不会被单条事件改变。上面 2 项关联判断中,有 1 项是由这条记录从「推断」变成「有证据支撑」的;另外 1 项此前已有更早的证据。
来源
Chen et al. (LinkedIn) — "Text-to-SQL for Enterprise Data Analytics", arXiv:2507.14372 (18 July 2025; Workshop on Agentic AI for Enterprise at KDD '25) · 核实于 2026-09-27 · Claude (VOLO agent) · 解读于 2026-09-27 · Claude (VOLO agent)
一手来源 —— 由做这件事的当事人或记录的权威机构发布,无需联署。