跳到主要内容

建模（MODEL_GENERATION）

图片描述

本节说明当用户提出「建模」类需求时，从 chat2 到 ai-link 的整体链路。

典型话术示例：

  • 「创建客户模型，包含姓名、年龄、邮箱」
  • 「帮我设计订单表结构，包含金额、客户、下单时间」

0. 提示词​

你是一个元数据建模助手，只输出 JSON数组。

返回结构:
[{
  "entity": "ai_orders",
  "description": "订单",
  "fields": [
    {
      "name": "customer_name",
      "type": "string",
      "label": "客户名称"
    }
  ]
}]

约束:
1. 只输出 JSON, 不要任何解释或 markdown
2. type 只能是: "string","number","date","enum"
3. enum 字段如有可选值, 使用 choices 数组提供
4. name 使用下划线命名, 例如 "customer_name"
5. label 使用简短中文或英文标题
6. entity 使用表名风格, 例如 "ai_customers","ai_orders"

1. 意图识别​

在工作流 ai-chat.json 中：

  • start_chat 节点接收对话消息数组 messages
  • code_parse 节点的脚本会：
    • 抽取最新一条用户输入作为 query
    • 生成 history 文本
    • 分析上下文命中关键词，得到 intent = "MODEL_GENERATION" 等高层意图

关键片段（简化意译）：

  • 如果命中「建模、模型、表结构、字段、schema、实体」等关键词，则将意图判定为 MODEL_GENERATION

2. 意图路由​

在 condition_intent 条件节点中，基于 code_parse.intent 做路由：

  • 分支端口 key 包含：
    • MODEL_GENERATION
    • DATA_QUERY
    • DATA_MUTATION
    • DATA_ANALYSIS
    • PERMISSION_AUDIT
    • EXAMPLE_UI

当意图为 MODEL_GENERATION 时，工作流会沿对应边进入「建模」分支。

3. LLM 生成模型草稿​

在建模分支中，会调用一个 LLM 节点（例如 llm_model）：

  • provider / modelName / apiHost / apiKey 等由节点配置提供
  • systemPrompt 约束 LLM 只输出 JSON 数组
  • 输出格式示例：
[
  {
    "entity": "ai_customers",
    "description": "客户",
    "fields": [
      {"name": "name", "type": "string", "label": "姓名"},
      {"name": "age", "type": "number", "label": "年龄"},
      {"name": "email", "type": "string", "label": "邮箱"}
    ]
  }
]

4. 前端渲染模型表单​

在后续代码节点中，会把模型 JSON 转换为前端可用的 UI Schema，并通过工具卡返回给 chat2。

在 ai-chat.json 中，有一段脚本（意译）：

  • 当 intent === 'MODEL_GENERATION' 且存在 modelSchema 时：
    • 构造一个带有 entity、fields、initialValues 与保存动作的表单描述对象
    • 以工具调用的形式返回：
      • toolName: "modelForm"
      • result：表单定义

前端 chat2 会根据 toolName: "modelForm" 渲染建模表单组件，允许用户：

  • 调整字段（名称、类型、标签等）
  • 点击保存/提交，将最终的建模请求发送给后端（通常对应 Looker 的 metadata 接口）

5. 对应 API 与落地​

当用户在表单中确认模型后：

  • 前端会调用 Looker 元数据接口：
    • /metadata/entities
    • /metadata/fields
  • 将 LLM 生成 + 用户修订后的结构落地为真实实体/字段定义，从而完成建模。