🟢 入门题
E1. 为什么 Text-to-SQL 不能只把 schema 丢给模型？
参考答案
原始 schema 不包含业务口径。模型可能猜错 GMV、退款率、活跃用户等指标定义。需要语义层描述指标、维度、时间字段和过滤条件。
E2. SQL 安全最小规则有哪些？
参考答案
只允许 SELECT；禁止写操作；限制表和字段白名单；限制行数；执行前做权限过滤；敏感字段脱敏。
E3. 什么是 schema linking？
参考答案
把用户问题中的业务概念映射到候选表、字段、指标和维度。它把“自然语言理解”和“SQL 生成”拆开，降低幻觉。
E4. 结果解释为什么要包含指标口径？
参考答案
业务方需要知道数字怎么算出来。没有口径说明，即使 SQL 正确，也可能因为理解不同造成错误决策。
🟡 进阶题
A1. 为订单分析设计语义层
至少定义：GMV、订单数、客单价、退款率、城市、渠道、时间字段。
A2. 用户问“最近表现怎么样”，你如何澄清？
参考答案要点
需要追问或默认：时间范围、指标、维度、对比基准。可以返回“你想看 GMV、订单量、退款率还是活跃用户？”
A3. SQL 执行报字段不存在，怎么修？
参考答案要点
不要盲目重试。先回到 schema linking 查字段候选，再让模型基于真实 schema 和错误信息修复一次，并记录失败原因。
🔴 深度题
D1. 设计一个从问题到图表的完整链路
要求包含：意图识别、语义层、schema linking、SQL 生成、安全校验、执行、结果解释、图表推荐、日志字段。
D2. 如何证明数据分析 Agent 可信？
准备固定评测集，记录 SQL 正确率、指标口径命中率、权限拦截率、执行成功率、用户采纳率，并保留 SQL 与结果解释。