站点图标 高效码农

Uber 如何让财务分析像闲聊一样轻松？对话式AI系统 Finch 实践解析

高效码农

Uber 如何打造用于财务分析的对话式 AI 系统 Finch

How Uber Built a Conversational AI Agent for Financial Analysis

本文核心问题

Uber 是如何让财务分析从“写 SQL 查报表”变成“像和同事聊天一样获取实时财务数据”的？

在 Uber 这样一个每分钟都处理数百万笔交易的公司里，财务决策依赖的是“数据速度”。哪怕延迟几分钟，也可能影响全球范围的业务决策。Uber 工程团队发现，财务分析师们往往花费大量时间在数据提取上，而不是分析上。于是，一个嵌入 Slack、能理解自然语言的智能数据助手——Finch，诞生了。

目录

  1. 问题与目标：从数据碎片到即时洞察
  2. Finch 是什么？核心功能与使用场景
  3. 架构设计：从数据层到语义层的智能协作
  4. 工作流程：Finch 如何理解并执行自然语言查询
  5. 性能与准确性：Uber 如何确保 Finch 可靠且高效
  6. 实践启示与反思
  7. 一页速览（One-Page Summary）
  8. 常见问答 FAQ

问题与目标：从数据碎片到即时洞察

核心问题： Uber 为什么要为财务团队打造一个对话式 AI？

在 Finch 出现之前，Uber 财务团队的分析过程复杂且低效：

  • 需要分别登录 Presto、IBM Planning Analytics、Oracle EPM、Google Docs 等多个平台；
  • 手动查找不同表格和系统的数据，耗时且易错；
  • 复杂查询必须通过写 SQL 完成，这要求非技术分析师具备数据库结构知识；
  • 若需额外支持，还要提交给数据科学团队，等待几个小时甚至几天。

问题的本质： 数据访问分散、技能门槛高、等待周期长。

Uber 的目标：

  • 构建一个安全、实时的财务数据访问层；
  • 让分析师直接在 Slack 中用自然语言提问；
  • 系统自动理解意图、生成 SQL、调用数据源并返回结果。

于是，Uber 工程团队着手研发一套能“听懂人话、懂数据逻辑、会执行查询”的智能代理系统。
这个系统，就是——Finch。

Finch 是什么？核心功能与使用场景

核心问题： Finch 如何让财务数据查询变得像聊天一样自然？

1. 概述

Finch 是一个集成在 Slack 内部的 对话式财务数据智能体。
用户只需输入自然语言问题，Finch 就能：

  • 解析语义 → 生成 SQL → 访问数据源；
  • 应用权限控制（RBAC）；
  • 返回实时、格式化的查询结果；
  • 自动导出到 Google Sheets（当数据量较大时）。

使用示例：

用户：What was the GB value in US&C in Q4 2024?
Finch：Gross Bookings for US&C in Q4 2024 was $XXX million.

用户无需知道数据表名、字段名或结构。Finch 自动完成从意图识别到数据查询的全过程。

2. Finch 的独特价值

功能点 Finch 的实现方式 用户收益
数据查询 自然语言转 SQL 无需写 SQL
数据准确性 基于单表数据集（Data Mart） 减少表连接与错误
安全访问 RBAC 权限控制 保护敏感信息
多模态输出 Slack 内嵌结果 + Sheets 导出 可视化便捷
模糊匹配 语义别名识别（如“US&C”自动映射区域） 提高自然语言理解度
实时响应 并行子代理执行 快速返回结果

架构设计：从数据层到语义层的智能协作

核心问题： Finch 的系统架构如何实现模块化、安全与高精度？

Uber 的设计目标是 “松耦合、高安全、强可扩展”。系统分为三层：

1. 数据层：简化与提速

  • 使用 单表数据集（Single-table Data Mart） 存储关键指标。
  • 避免复杂的多表连接，减少性能瓶颈。
  • 数据表经人工策划，确保字段清晰、结构稳定。

价值：
这种方式让查询更快，也减少了 LLM 生成 SQL 时的结构混乱。

2. 语义层：自然语言到结构化数据的桥梁

  • 基于 OpenSearch 存储字段与值的自然语言别名。
  • 支持模糊匹配和多义词识别。

示例：
当用户输入 “US&C”，Finch 会自动映射到数据库中的 region = 'US and Canada'。

这层结构极大提高了模型生成 WHERE 条件的准确率。

3. 智能代理层：多代理协同架构

Finch 的智能代理系统基于 Uber 内部的 Generative AI Gateway 与 LangChain/LangGraph 框架。

主要组件：

  • Generative AI Gateway：统一接入多种大语言模型（LLM），可无缝切换或升级。
  • LangGraph：用于编排多智能体协作。
  • SQL Writer Agent：根据语义构建 SQL 查询。
  • Supervisor Agent：判断任务类型并分派给合适子代理。
  • Slack SDK & AI Assistant API：实现用户交互与状态反馈。
  • Google Sheets Exporter：用于导出大数据量结果。


图片来源：Uber Engineering Blog

工作流程：Finch 如何理解并执行自然语言查询

核心问题： 当用户在 Slack 中输入一句话时，Finch 背后发生了什么？

步骤 1：消息接收与任务识别

  • 用户在 Slack 输入问题；
  • Supervisor Agent 接收输入，识别任务类型（数据检索 / 文档查询等）；
  • 若是数据请求，任务转交 SQL Writer Agent。

步骤 2：语义解析与 SQL 构建

  • SQL Writer Agent 读取 OpenSearch 中的元数据；
  • 根据自然语言别名构建对应 SQL；
  • 选择正确数据表与过滤条件。

示例：
输入 “Compare US&C Q4 2024 with Q4 2023”，Finch 自动识别时间范围与区域字段并生成对比查询。

步骤 3：执行与实时反馈

  • Finch 执行 SQL 查询；

  • 同时在 Slack 界面动态显示执行进度：

    “Identifying data source…” → “Building SQL…” → “Executing query…”

  • 查询结果以结构化消息返回；

  • 若数据量大，自动导出到 Google Sheets。

步骤 4：多轮上下文理解

Finch 支持上下文保持。
当用户追问 “Compare to previous quarter”，系统会自动引用上次查询的上下文进行补全。

性能与准确性：Uber 如何确保 Finch 可靠且高效

核心问题： Finch 如何保证在大规模使用下仍能准确快速？

1. 持续准确性评估

Uber 为 Finch 建立了完整的测试与监控体系：

评估类型 说明 目标
子代理评估 比对生成 SQL 与“黄金查询” 确保核心逻辑正确
任务路由准确性 检查 Supervisor 是否正确分派任务 防止错误路由
端到端验证 模拟真实查询场景 确认整体流程无误
回归测试 复跑历史查询比对结果 检测模型漂移

这种多层测试机制让 Finch 即便在模型或数据更新后，也能保持一致性输出。

2. 性能优化策略

  • 并行子代理架构：任务分发到多个子代理并行执行，降低等待时间。
  • 高效 SQL 优化：减少数据库负载，提高响应速度。
  • 常用指标预取：缓存常见查询项，实现秒级响应。

结果：
即便面对高并发与复杂财务数据，Finch 仍能在几秒内返回结果，保持高可靠性。

实践启示与反思

核心问题： 从 Finch 的设计中，我们能学到什么？

“真正的智能系统，不是替代分析师，而是释放他们的时间。”

反思 1：技术的目标是“无摩擦”

Uber 并没有让财务分析师学习 SQL，而是让系统懂人话。
这种“以人为中心”的设计思路，是所有 AI 工具落地的关键。

反思 2：语义层是智能化的核心

LLM 并非万能。通过 OpenSearch 的语义映射，Finch 显著提升了模型的可解释性与稳定性。
这启示我们，语义结构化与人工策划数据集的结合，是企业级 AI 系统落地的关键平衡点。

反思 3：持续验证比单次部署更重要

Uber 用“黄金查询”和回归测试的机制，确保 Finch 不随时间漂移。
这说明，大模型应用的长期成功，取决于持续监控与反馈循环。

一页速览（One-Page Summary）

模块 功能要点 核心价值
目标 构建实时、安全、自然语言财务查询系统 提升决策速度
用户界面 集成于 Slack 无需切换平台
核心技术 LangGraph + OpenSearch + RBAC 模块化、可扩展、安全
工作流程 Supervisor → SQL Writer → Execution → Response 清晰可追踪
性能保障 并行代理 + 缓存机制 秒级响应
准确性保障 多层评估与回归测试 稳定可靠
应用价值 让财务分析从“写 SQL”转为“问问题” 提升团队生产力

常见问答 FAQ

Q1：Finch 能处理哪些类型的问题？
A1：支持基于自然语言的财务数据查询、对比分析与趋势检索。

Q2：Finch 是否需要访问多个数据库？
A2：不需要。它基于单表数据集（Data Mart），查询路径更短更快。

Q3：如何保证数据安全？
A3：通过角色访问控制（RBAC），确保敏感数据仅对授权用户可见。

Q4：Finch 是否依赖单一大模型？
A4：不是。通过 Generative AI Gateway，可自由切换或升级 LLM。

Q5：查询结果能导出吗？
A5：当数据量较大时，系统自动导出到 Google Sheets 并分享链接。

Q6：Finch 如何学习新的财务术语？
A6：语义层中的 OpenSearch 可动态更新别名和字段映射。

Q7：未来 Finch 会扩展哪些功能？
A7：将支持预测分析、报告生成及更丰富的财务自动化任务。

Q8：Finch 的最大意义是什么？
A8：它让数据访问“人性化”——分析师专注洞察，而不是查询。

退出移动版