城市治理每天都在产生大量数据。工单、案件、事件、巡查、处置、评价、运行指标不断汇聚，真正的问题却往往不是“有没有数据”，而是业务人员能不能快速找到数据、看懂数据，并从数据中得到答案。
过去，一个看似简单的问题——“最近一个月，哪些街道的投诉量增长最快？”背后往往要经历找系统、找报表、确认指标口径、设置筛选条件、导出数据、制作图表，再进行人工分析。问题一旦继续变成“为什么增长”“主要集中在哪些问题”“和上个月相比有什么变化”，固定报表就很难继续回答。
数字政通依托 eGovaAgent 打造智能问数智能体，把自然语言理解、指标识别、数据查询、安全校验、结果分析和可视化串联起来，让业务人员像“问人”一样直接“问数据”。
01
为什么需要智能问数
01 数据很多，找到答案却不容易
同一个业务问题可能涉及多个系统、多个表和多个指标，业务人员知道想问什么，却未必知道数据在哪里。
02 业务语言和数据语言并不一致
“投诉比较多”“处置效率下降”等业务表达，需要映射到明确指标、字段和统计口径。
03 固定报表只能回答预设问题
真实分析往往从异常发现开始，再不断下钻区域、事项、对象和时间，问题会持续变化。
04 查到数据，不等于得到答案
真正有价值的是进一步完成比较、排名、趋势、占比和异常识别，让数据转化为可读结论。
02
一句话，智能体怎么找到数据答案
一次智能问数，本质上是把业务人员的一句话，逐步转化为一套可验证、可追溯的数据查询过程。
例如用户提出：“帮我看看近30天某区夜间施工噪声投诉情况，和上一个30天相比有什么变化，主要集中在哪些街道？”智能体不会简单把整句话直接翻译成 SQL，而是先理解意图和口径，再受控访问数据。
第一步 理解问题，识别分析条件
识别时间范围、对比周期、区域、问题类型、分析维度和分析目标，把自然语言拆成可执行条件。
第二步 匹配指标，找到正确数据
结合指标定义、数据模型和业务知识完成口径映射；遇到“近一个月”等可能存在歧义的表达，必要时先向用户确认。
第三步 安全校验，执行数据查询
根据当前用户的组织、角色、数据和字段权限进行校验，确认允许访问后再生成并执行查询。
第四步 验证结果，生成分析结论
对查询结果进行校验，并自动完成同比、环比、排名、占比等计算，最终输出核心指标、图表与文字结论。
图1 从自然语言理解、指标匹配到安全查询和结果分析的完整执行链路
关键变化在于：先对齐口径，再访问数据；先遵守权限，再生成答案。
03
从“查一个数”到连续追问
真正的数据分析，很少一次提问就结束。智能问数最大的变化之一，是让分析过程可以围绕同一个业务问题持续进行。
用户先问“近30天某区施工噪声投诉有多少？”，得到数量和趋势后，可以继续追问“和上个月相比呢？”“增长主要集中在哪三个街道？”“排名第一的街道主要是哪几个小区？”。
智能体自动沿用上一轮已经确认的区域、时间和事项上下文，只补充新的分析维度，让一次问数从单点查询逐步进入比较、下钻、归因和总结。
图2 智能问数围绕同一个业务问题持续追问，并自动继承上下文
最后只需说一句“把刚才的情况整理成一段分析简报”，智能体即可基于前面的数据和分析过程生成可直接使用的业务结论。
04
问数结果，不只是一张表
面对不同问题，智能问数会采用不同方式组织答案。问“有多少”，重点展示核心指标；问“有没有变化”，重点展示趋势和同比环比；问“主要在哪里”，重点展示区域排名和分布；问“为什么”，则继续结合多个维度下钻分析。
例如针对“本月案件量增长最快的五个街道是什么？”，结果可以同时呈现：本月案件总量及环比变化、增长最快的五个街道及增量贡献、主要增长问题类型和高发时段、趋势图排名图与重点对象、数据来源统计口径和更新时间。
图3 智能问数工作台同时呈现指标、图表、分析结论以及数据来源与统计口径
用户看到的不再是一堆需要再次加工的数据，而是一份已经组织好的分析结果；需要继续判断时，只要继续追问即可。
05
为什么我们能做好问数智能体
问数能力看上去像是“大模型+数据”的组合，真正做起来，拼的不是接没接模型，而是有没有足够厚的行业数据、业务模型和统计积累。
01 有持续积累的行业数据
目前已沉淀热线工单1亿+条、话务文本1000万+条、工单5000万+条/年、城市治理案件8亿条/年、信息采集案件40TB/年、星揆计划数据140TB/年、法律法规10万+部。
02 有长期沉淀的业务模型
除了数据本身，我们还持续积累了统计、评价、考核、分析、执法等业务模型，以及标签、维度、成因、预警、案由等行业知识。
03 有被业务长期验证的指标和报表体系
目前已形成1400+项指标、500+张报表，覆盖城市运管服、政务热线、城市生命线、执法应用、低空应用等多个场景。
04 有可被重新激活的后端服务体系
随着 MCP 接入能力增强，既有业务系统中的大量服务可以被智能体重新调用、重新组织，进一步放大业务模型和业务数据的价值。
图4 行业数据积累、业务模型沉淀与多场景实践共同构成智能问数底座
也正因为如此，智能问数做的不是一个泛化问答入口，而是一个更懂政务场景、更懂统计规则、更懂数据边界的业务智能体。
06
应用价值：让数据服务每一个业务角色
随着问数能力进入不同业务场景，高频数据需求可以从“找人出数”逐步转变为“随时自助问数”。不同角色关注的问题不同，但都可以从真实业务问题直接开始。
01 领导决策：快速掌握关键变化
围绕城市运行、热线诉求、事件处置等关键指标，用一句话获取总体态势、趋势变化和重点异常。
02 业务管理：及时发现过程问题
面向部门、区域、事项和人员等维度快速比较，定位效率下降、积压增长或异常波动。
03 分析研判：从“看结果”走向“找原因”
针对高发、增长、异常等现象持续下钻，结合时间、区域、事项、主体等维度寻找关联。
04 基层服务：减少重复查数和手工统计
让常用查询、阶段汇总和日常分析由业务人员自主完成，把更多时间留给处置和研判。
图5 智能问数面向领导决策、业务管理、分析研判和基层服务的典型应用场景
07
结语：从“查数据”走向“与数据对话”
过去，我们通过建设数据仓库、指标平台和分析报表，让数据“看得见”。智能问数进一步解决的是，让数据听得懂问题、给得出答案、支持继续追问。
业务人员不需要先成为数据专家，只需要从一个真实的问题开始：最近发生了什么？哪里变化最大？哪些对象需要重点关注？为什么会出现这种变化？
智能体负责把这些业务问题转化为数据分析过程：从一次查询，到连续分析；从一张报表，到一个数据助手；从“人去找数据”，到“数据主动回答问题”。
数字政通智能问数智能体，让城市运行中的每一份数据，都更容易被理解、被分析、被使用。