快速开始
用 Docker Compose 把智能问数跑起来，连上一个业务库，完成第一次自然语言提问。
环境要求
| 项目 | 要求 |
|---|---|
| Docker | 已安装 Docker 与 Docker Compose |
| 模型端点 | 可访问的 OpenAI-compatible Chat 与 Embedding 模型 |
| 业务数据库 | PostgreSQL 或 MySQL（也可以先只用 Excel 上传） |
| 架构 | linux/amd64 与 linux/arm64 均支持 |
Compose 会同时启动 Analytics 服务和它自己的 catalog PostgreSQL。业务数据始终留在你自己的数据库里，系统只维护治理后的目录、版本和查询规则。
一、启动服务
git clone https://github.com/knowflow-ai/analytics.git
cd analytics
docker compose -f docker-compose.oss.yml up -d
打开 http://localhost:9395，按页面提示完成初始化。
默认镜像为 knowflowai/analytics:v0.0.3。
二、配置模型端点
进入「设置」页面，填写两个 OpenAI-compatible 端点：
- Chat 模型：负责理解用户意图、生成业务名 S2SQL
- Embedding 模型：负责语义索引与业务说法召回
tip
Chat 模型不直接生成物理 SQL，因此更换模型不会改变业务口径。你可以先用较小的模型验证链路，再按准确性需求升级。
三、添加数据源
在「数据库连接」中添加要分析的业务库，支持同时添加多个：
postgresql://user:password@host:5432/your_database
mysql://user:password@host:3306/your_database
容器连接宿主机数据库时使用 host.docker.internal：
postgresql://user:password@host.docker.internal:5432/your_database
也可以不连数据库，直接在「上传表格」中上传 Excel，系统会把它落库成一个数据源，走与数据库表完全相同的建模与问数链路。
使用只读账号
生产环境请使用专用只读数据库账号。系统本身有只读 Guard，但数据库侧的最小权限仍是必要的一层。
数据源不能是服务自己的 catalog 库，否则内部表会被当成业务表建模。
四、完成建模并发布
连接数据源
→ 导入表并确认实体关系
→ AI 生成建模草案
→ 审核指标、维度、术语和值字典
→ 运行结构校验与真实数据质量报告
→ 用两个 Playground 试问
→ 发布不可变 Release
→ Agent、UI 或 API 开始查询
建模工作台分四页：数据源、语义建模、问数验证、问数反馈。详细步骤见语义建模。
五、第一次提问
发布 Release 之后，在「问数验证」里用自然语言试问，逐题核对结果是否正确：
商业版把同一个引擎接到面向业务用户的问数助手上，业务同事可以直接对话式提问、追问和下钻。
常用命令
# 查看日志
docker compose -f docker-compose.oss.yml logs -f analytics
# 重启服务
docker compose -f docker-compose.oss.yml restart analytics
# 停止服务（保留数据）
docker compose -f docker-compose.oss.yml down
状态存放在两个 volume：catalog-data 保存语义资源、Revision 和 Release，analytics-data 保存独立版设置。它们不复制业务库数据。
更多参数见部署与运维。