用 AI Agent + LangChain 打造基於大語言模型的自然語言 BI 報表系統![Mark Ku]()
February 06, 2026
2 min
前言
身為工程師，最常被同事問：「幫我查一下這個報表」、「上個月的業績數字是多少？」每次都要停下手邊工作，寫程式去資料庫撈資料，其實蠻花時間的。
於是我想：能不能讓 AI 來幫忙做這件事？
想像一下，你只要用「說話」的方式告訴電腦：「幫我找出所有付費客戶的名單」，AI 就會自動幫你去資料庫查資料、整理成報表，不需要會寫程式，一般人也能輕鬆使用！
這篇文章會分享我如何利用大語言模型（LLM） 快速打造出這樣的智慧報表系統。一個上午就能完成雛形架構，後續再根據實際使用情況微調優化即可。
這套系統怎麼運作？
簡單來說，整個流程就像這樣：
你說的話 → AI 翻譯成電腦看得懂的指令 → 資料庫回傳結果 → 顯示報表
舉個例子：
- 你輸入：「列出所有付費用戶，包含公司名稱和到期日」
- AI 會自動把這句話轉換成資料庫查詢指令
- 系統執行查詢，把結果用漂亮的表格呈現給你
P.S. 以前靠傳統程式撰寫，要花很多時間的，現在可以透過AI 很快速的產生SQL 語言及報表結構。
┌──────────────────────────────────────────────────────────────┐ │ 系統運作流程 │ ├──────────────────────────────────────────────────────────────┤ │ │ │ 👤 使用者在後台輸入 │ │ 「列出所有付費用戶，包含公司名稱、方案類型、到期日」 │ │ │ │ │ ▼ │ │ ┌─────────────────────────────────────────────┐ │ │ │ 🤖 AI 智慧助手 (LangChain) │ │ │ │ ┌───────────────────────────────────────┐ │ │ │ │ │ 📚 內建知識 │ │ │ │ │ │ - 知道公司的業務規則 │ │ │ │ │ │ - 知道哪些資料不能查 │ │ │ │ │ │ - 知道如何保護機密資料 │ │ │ │ │ └───────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────┘ │ │ │ │ │ ▼ │ │ ┌─────────────────┐ ┌─────────────────┐ │ │ │ 翻譯成查詢指令 │ → │ 安全檢查 │ │ │ └─────────────────┘ └─────────────────┘ │ │ │ │ │ │ ▼ ▼ │ │ ┌─────────────────────────────────────────────┐ │ │ │ 📊 資料庫 │ │ │ └─────────────────────────────────────────────┘ │ │ │ └──────────────────────────────────────────────────────────────┘
我用了哪些工具？
| 工具名稱 | 功能 | 為什麼選它 |
|---|---|---|
| Next.js | 網站開發框架 | 前端後端都能處理，開發快速 |
| LangChain | AI 助手框架 | 現成的資料庫查詢功能，直接用 |
| Gemini 2.0 Flash | AI 大腦 | Google 的 AI 模型，便宜又快 |
| TypeORM | 資料庫連線工具 | 安全連線 Azure 資料庫 |
| Tailwind CSS | 網頁美化工具 | 手機電腦都好看 |
AI 大腦在這系統中做什麼？
在這套系統中，AI（大語言模型） 就像是一位「超級翻譯員」，負責把你說的話翻譯成電腦看得懂的資料庫指令。
AI 的工作是什麼？
┌─────────────────────────────────────────────────────────────────┐ │ AI 在系統中的角色 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ 你說的話 電腦指令 │ │ ┌─────────────────┐ ┌─────────────────────────────┐ │ │ │ 「列出所有 │ AI │ SELECT TOP 1000 │ │ │ │ 付費用戶」 │ ───→ │ 公司名稱, 方案類型 │ │ │ │ │ 翻譯 │ FROM 用戶資料表... │ │ │ └─────────────────┘ └─────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────────┘
AI 需要先學會三件事
認識資料庫結構
- 資料庫裡有哪些表格？每個表格存什麼資料？
- 表格之間有什麼關聯？（例如：客戶資料表和訂單表的關係）
理解公司的業務規則
- 什麼叫做「付費用戶」？（有綁定信用卡且沒有取消的用戶）
- 什麼是「測試帳號」？要怎麼排除？
遵守安全規則
- 哪些操作是禁止的？（不能刪除資料、不能修改資料）
- 哪些資料不能查？（密碼、金鑰等機密資料）
為什麼選 Gemini 2.0 Flash？
市面上有很多 AI 模型，我選 Google 的 Gemini 2.0 Flash 是因為：
| 模型 | 優點 | 缺點 | 適合場景 |
|---|---|---|---|
| GPT-4o | 思考能力強 | 比較貴 | 複雜的分析任務 |
| Claude 3.5 | 處理長文件厲害 | 使用限制較多 | 文件整理 |
| Gemini 2.0 Flash ✅ | 便宜、速度快 | 複雜推理稍弱 | 報表查詢（本案使用） |
對於報表查詢這種「有標準格式」的任務，Gemini 2.0 Flash 的性價比最高：
- 超級便宜 - 用一整個月大概只要台幣 50 元
- 回應快速 - 1-2 秒就能生成查詢指令
- 翻譯準確 - 對資料庫查詢語法理解很到位
告訴 AI「你是誰」
我們需要事先告訴 AI 它的角色和規則，就像新員工入職時要先了解公司規定：
const AI助手設定 = ` ## 你的身份 你是公司的資料分析專家，專門幫大家查報表資料。 ## 你必須遵守的規則 1. 只能「查詢」資料，不能新增、修改或刪除 2. 每次最多查 1000 筆資料 3. 已刪除的資料不要顯示 4. 密碼等機密欄位不能查 ## 你知道的業務規則 - 付費用戶 = 有綁信用卡 且 沒有取消訂閱 - 測試帳號 = 信箱包含「xxx」的帳號 `;
這樣設計的好處是：
- 行為可控 - AI 不會做出危險的事
- 結果一致 - 每次查詢都會套用相同的規則
- 容易調整 - 想加新規則只要改這段設定
不能 100% 信任 AI：三層防護機制
雖然 AI 很聰明，但我們不能完全相信它。萬一有人故意輸入惡意指令怎麼辦？所以系統設計了三道防線：
┌─────────────────────────────────────────────────────────────────┐ │ 三層安全防護 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ 第一層：事先告訴 AI 規則 │ │ ──────────────────────── │ │ 告訴 AI「你只能做什麼」 │ │ → 80% 的危險操作在這裡就被擋住 │ │ │ │ 第二層：程式碼再檢查一次 │ │ ──────────────────────── │ │ AI 產生的指令，程式會再檢查一遍 │ │ → 就算 AI 被騙了，程式碼也會把危險指令擋下來 │ │ │ │ 第三層：資料庫權限限制 │ │ ──────────────────────── │ │ 資料庫帳號只有「讀取」權限，根本不能改資料 │ │ → 最後一道防線，確保資料安全 │ │ │ └─────────────────────────────────────────────────────────────────┘
我的技術選型
開發這套系統時，我選了 Next.js 這個網頁全端開發框架 (React + Node )
好處 1：所有程式碼放在一起
傳統做法是前端、後端分開兩個專案，但 Next.js 可以全部放在一起：
我的專案/ ├── src/ │ ├── app/ # 使用者看到的網頁畫面 │ │ └── reports/ │ │ └── page.tsx │ ├── app/api/ # 處理資料的後台程式 │ │ └── reports/ │ │ └── route.ts │ └── lib/ # 共用的工具程式 │ └── langchain-sql.ts
這樣做的好處：
- AI 助手更容易幫忙 - 像 Cursor、Copilot 這類 AI 工具，模型的 Context 長度都有限制，程式都在同個專案中，對於AI會比較容易了解這系統
- 程式碼可以共用 - 寫一次就能前後端都用
- 改一個地方馬上生效 - 不用切來切去
好處 2：直接整合 AI 套件
LangChain 是一個專門用來打造 AI 應用的套件，剛好有 Node 版本，可以直接在 Next.js 裡使用：
// 簡單幾行程式碼就能讓 AI 幫忙查資料庫
const ai = new ChatVertexAI({ model: 'gemini-2.0-flash-001' });
const 資料庫 = await SqlDatabase.fromDataSourceParams({ appDataSource });
const AI助手 = await createSqlAgent(ai, new SqlToolkit(資料庫, ai));
const 結果 = await AI助手.invoke({ input: '列出付費用戶' });
好處 3：網頁自動適應各種螢幕大小
用 Tailwind CSS 這個樣式工具，可以輕鬆讓網頁在手機、平板、電腦上都好看：
// 手機一欄、平板兩欄、電腦三欄 <div className="grid grid-cols-1 md:grid-cols-2 lg:grid-cols-3 gap-4">
P.S. Next.js 採用的是 request-based 的生命週期，每次請求都是獨立執行，因此不適合用來處理長時間的 Job 或大量、複雜的運算任務，這類需求建議交由 Background Worker / Job Queue 來負責。 以避免影響請求效能與整體系統穩定性。
另外，花小錢買現成模板，省大時間
為了加速開發，我買了一個現成的後台模板（Isomorphic），價格約 台幣 800 元。
免費模板 vs 付費模板
市面上也有免費的 shadcn-ui，它其實很棒：
- 創辦人在知名公司 Vercel 工作
- GitHub 上有超過 10 萬人按讚
但實際差異在於「省不省時間」：
| 比較 | 免費模板 | 付費模板 |
|---|---|---|
| 整合時間 | 要自己慢慢調整 | 直接就能用 |
| 穩定度 | 要自己測試 | 已經被很多人測試過 |
| 遇到問題 | 機率較高 | 機率較低 |
| 價格 | 免費 | 約 800 元 |
這筆錢值不值得？
┌─────────────────────────────────────────────────────────────┐ │ 投資報酬分析 │ ├─────────────────────────────────────────────────────────────┤ │ │ │ 模板成本: 約台幣 800 元 │ │ │ │ 省下的時間: 至少 2 週 │ │ - 網頁畫面開發 │ │ - 手機平板電腦都要顧到 │ │ - 各種瀏覽器測試 │ │ - 搜尋引擎優化設定 │ │ │ │ 結論: 2 週工程師薪水 遠大於 800 元 → 超值！ │ │ │ └─────────────────────────────────────────────────────────────┘
模板已經幫你做好這些事
專業模板通常已經內建：
- ✅ 搜尋引擎優化 - Google 更容易找到你的網站
- ✅ 各種裝置都能用 - 手機、平板、電腦都測試過
- ✅ 統一的視覺風格 - 顏色、間距、字體都設計好
- ✅ 常用功能元件 - 表格、表單、圖表、通知等
- ✅ 深色模式 - 晚上看螢幕不刺眼
這讓專案一開始就有「產品等級」的品質，可以專心做真正重要的功能。
這套架構很適合 AI 輔助開發
現在很流行用 AI 工具（像 Cursor、Copilot）來幫忙寫程式，這套架構特別適合：
┌─────────────────────────────────────────────────────────────┐ │ 為什麼 AI 助手特別喜歡這種架構？ │ ├─────────────────────────────────────────────────────────────┤ │ │ │ 1. 全部放一個專案 │ │ → AI 可以一次看懂整個專案 │ │ │ │ 2. 有型別檢查(typescript) │ │ → AI 寫錯了馬上會被抓到 │ │ │ │ 3. 樣式寫法統一 │ │ → AI 調畫面更快 │ │ │ │ 4. 檔案結構就是網址 │ │ → AI 很容易理解哪個檔案對應哪個頁面 │ │ │ │ 5. AI 套件模組化 (Langchain) │ │ → 可以換不同的 AI 模型 │ │ → 可以串接 Google、OpenAI、Claude │ │ │ └─────────────────────────────────────────────────────────────┘
這也是為什麼一個上午就能完成雛形架構 — 選對工具 + AI 幫忙，後續只需要根據實際需求微調即可！
實際程式碼怎麼寫？
以下是核心程式碼的簡化版本，讓大家了解基本原理。
第一步：連接資料庫
首先要讓程式能夠連上資料庫，這裡用安全的方式連線（不把密碼寫在程式碼裡）：
// 連接資料庫的程式碼
import { DataSource } from 'typeorm';
async function 連接資料庫() {
const 資料庫連線 = new DataSource({
type: 'mssql', // 使用微軟的 SQL Server
host: process.env.AZURE_SQL_SERVER, // 資料庫位址（從環境變數讀取）
database: process.env.AZURE_SQL_DATABASE, // 資料庫名稱
// ... 其他安全認證設定
});
await 資料庫連線.initialize(); // 建立連線
return 資料庫連線;
}
第二步：記住資料庫結構（快取機制）
資料庫的結構（有哪些表格、哪些欄位）不會常常變，記起來可以省錢：
// 快取機制：記住資料庫結構，不用每次都重新問
let 快取 = null;
const 快取時間 = 60 * 60 * 1000; // 60 分鐘後才重新取得
function 快取還有效嗎() {
if (!快取) return false;
return new Date() < 快取.過期時間;
}
第三步：設定 AI 的「規則手冊」
這是最重要的部分！告訴 AI 它能做什麼、不能做什麼：
const AI規則手冊 = ` ## 你的身份 你是公司的資料分析專家，專門幫忙查報表資料。 --- ## 絕對不能做的事 ### 禁止的操作 - 不能新增資料 - 不能修改資料 - 不能刪除資料 - 不能改變資料庫結構 ### 不能查的欄位（機密資料） - 密碼相關欄位 - 金鑰和 Token ### 查詢限制 - 每次最多查 1000 筆 - 一定要有過濾條件 --- ## 你知道的公司規則 ### 主要資料表 - 客戶資料表 - 存客戶基本資訊（ID、方案類型、是否取消等） - 客戶詳細資料表 - 存公司名稱、聯絡人等 - 付款紀錄表 - 存付款歷史 ### 重要業務規則 #### 已刪除的資料不要顯示 - 查詢時自動排除已刪除的資料 #### 測試帳號要排除 - 信箱包含「IQT」的都是測試帳號 #### 判斷付費用戶的條件 有綁信用卡 + 沒取消訂閱 + 還沒過期 `;
安全防護怎麼做？
就算 AI 很聰明，我們還是要多加幾道防線，確保不會出錯。
第一道防線：程式碼檢查
在執行查詢之前，程式會先檢查有沒有危險的操作：
// 危險操作黑名單
const 禁止清單 = ['新增資料', '修改資料', '刪除資料', '刪除表格'];
function 檢查安全性(查詢指令) {
// 1. 一定要是「查詢」開頭
if (!查詢指令.startsWith('SELECT')) {
return { 安全: false, 錯誤: '只能查詢，不能做其他操作' };
}
// 2. 檢查有沒有危險操作
for (const 禁止項目 of 禁止清單) {
if (查詢指令.includes(禁止項目)) {
return { 安全: false, 錯誤: `發現禁止的操作: ${禁止項目}` };
}
}
// 3. 檢查有沒有查機密欄位
// ... 類似的檢查邏輯
return { 安全: true };
}
第二道防線：自動加上數量限制
萬一忘了限制查詢數量，程式會自動補上：
function 自動加限制(查詢指令) {
// 如果沒有限制數量，自動加上「最多 1000 筆」
if (!查詢指令.includes('TOP')) {
return 查詢指令.replace('SELECT', 'SELECT TOP 1000');
}
return 查詢指令;
}
第三道防線：資料庫本身的權限設定
最保險的做法是，在資料庫那邊就設定好：這個帳號只能「讀」，不能「改」：
-- 在資料庫設定：只給讀取權限 CREATE ROLE [報表查詢角色]; GRANT SELECT TO [報表查詢角色]; -- 只能查詢 DENY INSERT, UPDATE, DELETE TO [報表查詢角色]; -- 禁止修改
使用者看到的畫面
簡單直覺的操作介面
┌─────────────────────────────────────────────────────────────────┐ │ 🤖 智慧報表助手 │ │ │ │ 用說的就能查報表！輸入你想查的內容，AI 會自動幫你處理 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ 📝 快速範例（點一下就能用） │ │ ┌─────────────┐ ┌──────────────┐ ┌──────────────┐ │ │ │ 付費客戶清單 │ │ 最近新增客戶 │ │ 各方案統計 │ │ │ └─────────────┘ └──────────────┘ └──────────────┘ │ │ │ │ ┌─────────────────────────────────────────────────────────┐ │ │ │ 請輸入你想查的內容... │ │ │ │ │ │ │ │ 例如：列出所有付費客戶，包含公司名稱和到期日 │ │ │ │ │ │ │ └─────────────────────────────────────────────────────────┘ │ │ │ │ ┌──────────────┐ ┌──────────────┐ │ │ │ 🪄 產生報表 │ │ ▶️ 立即查詢 │ │ │ └──────────────┘ └──────────────┘ │ │ │ └─────────────────────────────────────────────────────────────────┘
結果可以用不同方式呈現
查出來的資料可以用各種方式顯示，看你需要哪一種：
- 📊 表格 - 看完整的資料列表
- 📈 長條圖 - 比較各類別的數字
- 📉 折線圖 - 看趨勢變化
- 🥧 圓餅圖 - 看各項目佔比
實際效果展示
範例一：查詢付費客戶清單
使用者輸入： 列出所有付費客戶，包含公司名稱、方案類型、到期日
AI 會自動：
- 理解使用者想要什麼
- 找到對應的資料表
- 產生正確的查詢指令
- 執行查詢並回傳結果
結果就是一份漂亮的付費客戶清單表格！
範例二：圖表視覺化呈現
除了表格，還可以用圖表呈現資料，讓數據更直觀：
範例三：安全防護測試
使用者輸入： 刪除所有測試用戶
AI 回應：
抱歉，我無法執行刪除操作，這是唯讀報表查詢工具，如需刪除資料，請聯繫資料庫管理員。
✅ 系統成功擋下了危險的操作！
這套系統花多少錢？
AI 模型是按「使用量」計費的，計費單位是 Token（可以想像成「字數」）。
Token 是什麼？
簡單來說，Token 就是 AI 處理文字的最小單位：
- 英文大約 1 個單字 = 1 Token
- 中文大約 1 個字 = 2-3 Token（因為中文用 UTF-8 編碼較複雜）
Gemini 2.0 Flash 的價格
| 項目 | 價格（美金） | 換算台幣（1 USD ≈ 32 TWD） |
|---|---|---|
| 輸入 100 萬 Token | $0.10 | 約 3.2 元 |
| 輸出 100 萬 Token | $0.40 | 約 12.8 元 |
換算成「每 1,000 個 Token」的價格
| 項目 | 美金 | 台幣 |
|---|---|---|
| 輸入 1,000 Token | $0.0001 | 約 0.0032 元 |
| 輸出 1,000 Token | $0.0004 | 約 0.0128 元 |
💡 白話說：輸入 1,000 個 Token 只要 0.003 元台幣，幾乎是零成本！
舉個例子
| 文字內容 | 字數 | 約等於 Token 數 |
|---|---|---|
列出所有付費客戶 | 8 個中文字 | 約 16-24 Token |
SELECT * FROM customers | 4 個英文單字 | 約 5 Token |
| 一段 SQL 查詢指令 | 約 50 個字元 | 約 30-50 Token |
| 系統提示詞（規則手冊） | 約 800 個中文字 | 約 2,000 Token |
每次跟 AI 對話，會產生兩種費用：
- 輸入 Token：你問 AI 的問題 + 資料庫結構資訊
- 輸出 Token：AI 回答你的內容（SQL 指令 + 說明）
實際使用情境估算
┌─────────────────────────────────────────────────────────────────┐ │ 一次報表查詢的 Token 消耗 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ 📥 輸入 Token（你給 AI 的資訊） │ │ ├── 系統提示詞（規則手冊） 約 2,000 Token │ │ ├── 資料庫結構（快取後不重複） 約 3,000 Token（首次） │ │ └── 使用者問題 約 100 Token │ │ │ │ 📤 輸出 Token（AI 回答的內容） │ │ ├── SQL 查詢指令 約 200 Token │ │ └── 結果說明 約 300 Token │ │ │ └─────────────────────────────────────────────────────────────────┘
費用明細表
| 操作 | Token 消耗 | 費用估算 | 說明 |
|---|---|---|---|
| 讀取資料庫結構（第一次） | 約 5,000 輸入 + 500 輸出 | 約 0.03 元 | 只有第一次需要，之後會快取 |
| 每次查詢（快取後） | 約 2,100 輸入 + 500 輸出 | 約 0.003 元 | 省掉重複讀取結構的成本 |
| 一天用 50 次 | 約 13 萬 Token | 約 0.15 元 | 一般中小企業的日常用量 |
| 一個月下來（22 工作天） | 約 286 萬 Token | 約 5 元台幣 | 比一杯手搖飲還便宜！ |
單次查詢費用計算範例
假設使用者問：「列出所有付費客戶，包含公司名稱和到期日」
┌─────────────────────────────────────────────────────────────────┐ │ 💰 單次查詢費用計算 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ 📥 輸入費用 │ │ ├── 系統提示詞 2,000 Token × $0.0001/1K = $0.0002 │ │ ├── 使用者問題 100 Token × $0.0001/1K = $0.00001 │ │ └── 小計：約 $0.00021（約 0.007 元台幣） │ │ │ │ 📤 輸出費用 │ │ ├── SQL 指令 200 Token × $0.0004/1K = $0.00008 │ │ ├── 結果說明 300 Token × $0.0004/1K = $0.00012 │ │ └── 小計：約 $0.0002（約 0.006 元台幣） │ │ │ │ ──────────────────────────────────────────────────────────── │ │ 📊 總計：約 $0.0004（約 0.013 元台幣） │ │ │ │ 👉 一次查詢只要 0.01 元，問 100 次才 1 塊錢！ │ │ │ └─────────────────────────────────────────────────────────────────┘
為什麼這麼便宜？
┌─────────────────────────────────────────────────────────────────┐ │ 省錢關鍵：快取機制 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ ❌ 不用快取的情況 │ │ 每次查詢都要重新讀取資料庫結構 │ │ → 每次消耗 5,000+ Token │ │ → 一個月可能要 50 元以上 │ │ │ │ ✅ 使用快取的情況 │ │ 資料庫結構記住 60 分鐘 │ │ → 每次只消耗 2,100 Token │ │ → 一個月只要約 5 元 │ │ │ │ 💡 省了 90% 的費用！ │ │ │ └─────────────────────────────────────────────────────────────────┘
跟其他 AI 模型比較
| 模型 | 同樣用量的月費 | 備註 |
|---|---|---|
| Gemini 2.0 Flash ✅ | 約 5 元 | 本專案使用 |
| GPT-4o | 約 50 元 | 貴 10 倍 |
| GPT-4o mini | 約 8 元 | 也是便宜的選擇 |
| Claude 3.5 Sonnet | 約 40 元 | 適合複雜分析 |
超級便宜！一個月的 AI 費用比一杯飲料還便宜 🥤
給開發團隊的安全規則
除了系統本身的防護，我還幫團隊寫了開發規則，讓大家用 AI 工具（像 Cursor）寫程式時也不會誤觸危險操作：
# 開發規則：資料庫安全 ## AI 絕對不能做的事 ### 1. 刪除資料 - 不能刪除任何一筆資料 - 不能清空整個表格 ### 2. 刪除結構 - 不能刪除表格 - 不能刪除資料庫 ### 3. 危險的修改 - 不能隨意修改表格結構
總結
為什麼這個方案可行？
- 工具夠成熟 - LangChain 已經把複雜的事情都處理好了
- AI 夠便宜 - Gemini 2.0 Flash 費用幾乎可以忽略
- 安全有保障 - 三層防護機制，不怕出錯
未來還可以加什麼功能？
- 記住常用查詢 - 下次直接點選就能用
- 自動推薦圖表 - 根據資料類型建議用什麼圖表
- 追問功能 - 查完可以說「只顯示前 10 名」
適合什麼場景？
- 公司後台的報表需求
- 讓不會寫程式的人也能查資料
- 資料分析師快速驗證想法
如果你也想打造類似的系統，歡迎參考這個架構！透過vibe coding ，一個上午就能做出雛形，後續微調優化，很快就能上線使用。
