supersonic

辛勤的蜜蜂永没有时间的悲哀。——布莱克

SuperSonic：把 Chat BI 和 Headless BI 真正“合体”的下一代 AI+BI 平台

这是一篇超级随意但尽量靠谱的介绍，先把官方话术抛出来：
SuperSonic 是“下一代 AI+BI 平台”，把 Chat BI（由 LLM 驱动）和 Headless BI（由语义层驱动）这两条主线整合到一个统一范式里。翻译成人话就是：

• 让业务同学能“用自然语言聊天”查数、看图；
• 让数据同学能“用语义层”去描述业务含义、规则和权限；
• 两边不是各玩各的，而是“统一协作”，把 Text2SQL、语义理解、校正、权限控制等串起来，形成一个真正可落地的 AI+BI 生产线。

仓库主页：tencentmusic/supersonic
README（信息来源）：README.md@master

---

为什么是“AI+BI”而不是“BI+AI”？

官方 README 的动机阐述非常直白：

• 大语言模型（LLM）让 ChatGPT 一类的“自然语言问答”越来越强，但将人话转 SQL（Text2SQL/NL2SQL）在真实、大型场景下仍有可靠性挑战；
• Headless BI 通过统一语义层，把“度量/维度/实体/取值”等数据语义抽象出来，辅以开放 API，给出稳定、可审计的查询语义；
• SuperSonic 的策略是：把两条路打通——让“聊天问数”的 Text2SQL 和“语义层”的 Headless BI互相增强：
  • Chat BI 的理解和生成过程有上下文、记忆和语义约束（不是“裸 LLM”随便发挥）；
  • Headless BI 的查询界面扩展到自然语言，降低业务门槛（不是“只给工程师用”的纯技能活）。

一句话总结：既要好用（Chat），也要靠谱（Semantic），而且统一在一起。

---

开箱即用：从“能问数”到“能上线”

官方列了不少“Out-of-the-box”特性，摘一些关键点：

• 面向业务的 Chat BI 界面：直接用自然语言提问，系统返回“合适的图表”与“结构化结果”
• 面向数据工程的 Headless BI 界面：定义业务语义、指标、维度与规则，沉淀“可复用的语义层”
• 语义解析器（Semantic Parser）：在规则基础上提升解析效率与质量（比如某些场景里比通用 LLM 更稳）
• 自然语言增强：自动补全（Input auto-completion）、多轮对话（multi-turn）、查询后推荐（post-query recommendations）
• 数据访问控制：三层权限模型
  • 数据集级（dataset-level）
  • 列级（column-level）
  • 行级（row-level）
• 组件化设计（下面专门说）

---

架构与组件：把“聊天”与“语义”串起来

README 把核心组件拆得很清楚（各司其职）：

• Knowledge Base（知识库）：从语义模型里周期性抽取模式信息，建立字典与索引，供问答时检索
• Schema Mapper（模式映射器）：把用户的自然语言里的“业务词”映射成语义层里的元素（度量/维度/实体/取值）
• Semantic Parser（语义解析器）：理解用户的问题，生成“语义查询声明”（不是直接 SQL，是一个语义表达）
• Semantic Corrector（语义纠错器）：验证语义查询的有效性并在必要时纠偏（同时结合规则与 LLM）
• Semantic Translator（语义翻译器）：把“语义查询声明”翻译成可执行的 SQL，落到物理数据模型
• Chat Plugin（聊天插件）：扩展第三方工具（问答增强），由 LLM 选择最匹配的插件
• Chat Memory（聊天记忆）：收集历史查询轨迹，辅助少样本提示（few-shot prompting）

它的运行流程可以简单脑补：
“用户发起一个自然语言问题 → 识别业务词并映射为语义元素 → 生成语义查询 → 校验与纠错（必要时再与 LLM配合） → 翻译成可执行 SQL → 执行并返回可视化结果 → 关联历史、推荐下一步问题”。

听上去很“工程化”，这正是它面向真实生产场景的意义。

---

快速体验：线上 Demo / Docker / 本地启动

给出 README 的“Quick Demo”和部署方式，照着做就能跑起来。

在线体验（Playground）

• 访问：http://117.72.46.148:9080
• 注册后作为新用户体验即可
• 注意：不要改动系统配置。官方会周期性重置（重启），便于大家共同体验

Docker 部署（最省事）

• 安装 Docker 与 docker-compose
• 下载编排文件（官方提供现成的 yml）
• 一键启动并打开浏览器

代码（来自 README 的步骤）：

# 下载安装 docker / docker-compose（略）

# 下载官方 docker-compose.yml
wget https://raw.githubusercontent.com/tencentmusic/supersonic/master/docker/docker-compose.yml

# 直接拉起
docker-compose up -d

# 浏览器访问
open http://localhost:9080
# 或：xdg-open http://localhost:9080

本地二进制启动（单机服务）

• 从 Releases 下载最新预构建包
• 运行脚本启动一个“独立 Java 服务”
• 浏览器访问即可

示例（来自 README）：

# 下载预构建包（到你的目录）
# 例如：supersonic-x.y.z.tar.gz，解压后有 assembly/bin 目录

# 启动
assembly/bin/supersonic-daemon.sh start

# 访问
open http://localhost:9080

构建与开发文档

• 主站文档入口：Docs
• 里面有系统架构、安装部署、模型配置、使用指南等（建议正经看）

---

小代码案例（超随意，但不瞎编）

为了更“像博客”，来两段“就地跑得起来”的小片段：Docker 与本地守护脚本。

1) 用 docker-compose 快速拉起（一键到位）

# 获取编排文件
wget https://raw.githubusercontent.com/tencentmusic/supersonic/master/docker/docker-compose.yml

# 启动后台服务
docker-compose up -d

# 查看容器状态
docker-compose ps

# 访问 UI
open http://localhost:9080

Tips：

• 如果端口有冲突，自行改 docker-compose.yml 的端口映射再起；
• 想看日志：docker-compose logs -f；
• 想停服务：docker-compose down。

2) 用预构建包启动一个 Java 服务（轻量试用）

# 假设你已经下载并解压了官方 release 包
cd your_supersonic_dir

# 用官方脚本启动守护服务
assembly/bin/supersonic-daemon.sh start

# 验证进程（Linux/macOS 示例）
ps aux | grep supersonic | grep -v grep

# 打开浏览器体验
open http://localhost:9080

这两段都来自 README 的指引，只做了最少的“壳”说明，保证“能跑起来，不瞎扯”。

---

用起来是个啥感觉？

自由发挥一段“使用观感”（基于 README 的信息）：

• 业务方：你可以像在 ChatBI 工具里那样“用自然语言”提问，不用背维度和字段名；系统会建议、补全、记住你刚刚问过的东西，还能推荐“下一个问题”。最终结果会是“可视化图表 + 表格数据”。
• 数据方：你会喜欢它的“语义层”与“规则化解析”：指标、维度、实体、取值都能规范起来；同时，列/行/数据集三层权限能满足不同业务线的合规要求。
• 平台方：Docker 起手就能跑，全组件架构清晰；有 Headless API 面向二次开发，有 Chat 插件机制扩展问答能力；上线前后都更“工程”。

总之，不是“一个聊天框”那么简单，也不是“一个数据建模器”那么硬核，而是两者合体。

---

一点注意事项（还是要认真看）

来自 README 的提醒：

• 线上体验地址仅供试用，不要改任何系统配置；官方会定期重置
• 正式部署请参考文档，做好数据源与权限配置
• 语义层的维护是“工程正事”：它决定了你能不能从“玩具问答”升级到“稳定生产”

---

最后，打个“标语”

AI 帮你“把问题说清楚”，BI 帮你“把答案说准”。
SuperSonic 想做的，就是把“好问”与“好答”连接起来，而且让它“在工程里落地”。

如果你需要的是一个“真正能用”的 Chat BI + Headless BI 一体化平台，试试它。
先跑 Demo，再看文档，再把你们的语义层认真梳理起来——这才是赢面。

— 参考与原始信息：

• 仓库主页：tencentmusic/supersonic
• README（permalink）：README.md@master