聊聊最近被不少 AI 产品经理同行问爆的一个组合Vibe Coding ChatBI。圈子里好像一夜之间都在聊“用嘴写代码”“让 AI 自己搭数据分析系统”。很多朋友想把这套东西做成作品集写进简历但又不知道从哪儿开始下手更不知道简历上到底该怎么写才不虚。先说结论Vibe Coding 不是歪门邪道也不是“偷懒不写代码”它是 AI 时代产品经理快速验证想法的一种新的工作方式。而 ChatBI对话式数据智能是目前最适合拿来当作品集落地场景的 AI 应用之一——需求清晰、价值明显、技术链路完整面试官一看就懂问起来也有话聊。这篇文章我会从一个 AI 产品经理的实际视角出发拆解三件事Vibe Coding 到底是什么、怎么用它把一个 ChatBI 从想法变成能跑的原型以及最后怎么把这个作品集专业地写进简历里。全程给可复用的提示词、代码思路和简历模板不是那种只讲概念的空文章。1. 背景与核心概念1.1 为什么 AI 产品经理需要“作品集”传统产品经理找工作靠的是 PRD、原型图、数据报告和讲项目故事的能力。但 AI 产品经理面临的情况不太一样面试官尤其是一线技术负责人很难通过文档判断你是否真的理解 AI 能力边界。你说你设计过一个智能客服问你 Prompt 怎么调优、模型幻觉怎么处理、召回率怎么测答不上来就露馅了。作品集的核心作用是证明“我不光会画图写文档我真的动手把一个 AI 应用从概念推到了可用状态”。而 AI 产品经理的作品集和程序员的作品集有一个本质区别重点不是代码写得多漂亮而是你如何定义问题、拆解功能、评估效果、迭代优化。所以作品集不要求你有高级工程师的编码水平但要求你能用最低成本把想法落地成可体验、可演示、可分析的产品。1.2 Vibe Coding 是什么解决什么问题Vibe Coding 这个词最早流行起来源于大家发现用自然语言给 AI 编程助手比如 Cursor、Claude、GPT 的 Artifacts、DeepSeek、通义灵码等下达指令已经能完成相当一部分实际开发工作。它不强调手写每一行代码而是强调用清晰的意图描述驱动 AI 生成代码自己负责判断、组合、调试和验证。对 AI 产品经理来说Vibe Coding 的意义不是替代工程师而是快速做原型把想法直接跟 AI 说几分钟拿到一个可点击、可交互、可演示的页面。验证技术可行性不确定某个功能能不能做直接让 AI 写一版试试比争论半天都有效。降低沟通成本你手上有个能跑的 Demo和技术团队沟通需求时大家对着真实系统讨论而不是对着文字想象。补齐产品 Sense 到技术理解之间的空档通过亲手调试 Prompt、修改参数、观察错误日志你能真正理解模型的能力边界。有人可能会担心这是不是在鼓励产品经理抢工程师的活我个人的观点是Vibe Coding 产出的是“原型”“样板”和“作品集”不是高并发高可用的商业系统。你的目标是用它来验证和表达而不是用它替代专业研发流程。1.3 ChatBI 是什么为什么适合做成作品集ChatBI 是 Chat Business Intelligence 的缩写指通过自然语言对话的方式来查询、分析和理解业务数据。你可以把它理解成一个“能聊天”的数据分析助手。传统 BI 工具要求用户会拖拽报表、懂维度指标、能自己写 SQLChatBI 做的事情是让用户直接问“上个月华东区域的销售额环比增长了多少哪个品类贡献最大”系统自动理解问题生成查询逻辑返回结果甚至自动生成图表。ChatBI 作为 AI 产品经理的作品集有几个天然优势需求场景普及几乎每个公司都有数据分析需求面试官完全能理解这个产品解决什么问题。技术链路完整涉及 NL2SQL、意图识别、Prompt 工程、可视化、数据权限、效果评估这些都是 AI 产品经理面试的高频话题。可量化效果好你可以给出“SQL 生成准确率”“查询响应时间”“端到端任务完成率”等指标这些都是作品集里的硬通货。能独立完成借助 Vibe Coding一个人就能搭出可演示的版本不需要依赖后端团队、数据团队和测试资源。1.4 容易混淆的概念澄清很多初学者会把几个相关概念搞混概念核心能力与 ChatBI 的区别传统 BITableau、Power BI可视化报表、拖拽分析需要用户手动配置图表和指标学习成本高Chatbot智能客服对话问答、任务办理偏向服务交互不一定涉及数据库查询ChatBI自然语言 → 数据查询 → 分析与展示强调“对话即分析”核心是理解和查询数据Copilot编程助手在 IDE 里辅助写代码面向研发场景不是面向业务分析场景搞清楚这些边界写简历时才能精确表达自己作品集的定位。2. 环境准备与工具选型做作品集不需要企业级技术架构我们的原则是够用、开源、免费、演示顺畅。2.1 我选择的工具链下面是我个人的方案你可以根据手头资源调整用途工具选择选型理由Vibe Coding 主环境Cursor 或 Claude / DeepSeek 对话窗口Cursor 适合边聊边改代码对话式工具适合快速生成完整脚本编程语言Python 3.10AI 生成代码最容易稳定运行的语言生态完善前后端框架Streamlit纯 Python 写 Web 应用几百行代码就能做出像样的界面数据库SQLite无需安装数据库服务单文件存储作品集演示零成本向量数据库ChromaDB用于存放样例问题和 SQL 模板提升 NL2SQL 准确率LLM APIOpenAI GPT-4o / DeepSeek / Qwen任选其一即可取决于你的预算和可用性依赖管理requirements.txt pip保持环境简单方便他人复现2.2 需要确认的版本说明我必须先声明大模型相关 API 和工具版本变化非常快下面给出的版本号只是说明我在写这篇文章时的常见选择。你实际使用时请以官方最新文档为准不要照搬。# 建议使用 Python 3.10 或 3.11 python --version # 安装核心依赖注意版本可能随时间更新 pip install streamlit pip install openai pip install langchain pip install chromadb pip install pandas pip install sqlite3 # 一般内置无需单独安装如果你所在的网络环境不方便直接访问部分外部服务可以选择国内可用的模型服务商或者通过代理方式访问这里不展开。2.3 示例项目结构我在做这个作品集时项目目录如下chatbi-mvp/ ├── app.py # Streamlit 入口页面 ├── nl2sql.py # 核心模块自然语言转 SQL ├── database/ │ ├── init_db.py # 初始化数据库和样例数据 │ └── sales.db # SQLite 数据库文件 ├── prompts/ │ └── sql_prompt.py # Prompt 模板 ├── examples/ │ └── few_shot_examples.py # 少样本示例用于提升准确率 ├── requirements.txt └── README.md这个结构够清晰面试官一眼能看出你对项目有工程化思维而不是把代码堆在一个文件里。3. Vibe Coding 实操方法论从想法到原型这一节是整篇文章最关键的部分。我不会直接给你一堆代码而是先讲 Vibe Coding 的操作方法。因为只有掌握了这套方法你以后才能快速做出不同主题的作品集。3.1 第一轮用自然语言让 AI 生成脚手架我第一次做 ChatBI 原型时没有先写架构文档而是直接打开 Cursor输入了这样一段 Prompt你是一名 Python 开发工程师请帮我搭建一个 ChatBI MVP 项目的骨架。 要求如下 1. 使用 Streamlit 作为 Web 界面框架 2. 用户输入中文问题系统返回 SQL 查询语句、执行结果和图表 3. 数据库使用 SQLite提前生成一个销售订单表包含 100 条左右的测试数据字段包括 - order_id - order_date - region - product_category - sales_amount - quantity 4. 先别写完整功能只生成项目目录结构和每个文件的占位代码。 请直接输出每个文件的完整代码。这段 Prompt 的关键信息非常明确技术栈、数据表结构、输出格式要求。AI 生成的代码一开始当然不完美但不重要。第一轮的目标是拿到一个能跑起来的骨架。3.2 第二轮逐模块迭代而不是一次到位拿到骨架后不要急着让 AI 一次性把所有功能全部补齐那样很容易生成一大堆互相不兼容的代码。我的建议是把完整需求拆成下面几个模块分别对话解决模块一数据初始化让 SQLite 有数据可查模块二LLM 调用封装让程序可以请求大模型接口模块三NL2SQL 核心逻辑自然语言转成 SQL 语句模块四结果解析与可视化把查询结果渲染成图表模块五异常处理SQL 生成错误时给出兜底方案每次对 AI 只提一个小需求。比如请给 nl2sql.py 写一个函数输入是用户问题中文输出是一条 SQL 查询语句。 要求 1. 先获取数据表的 schema也就是表名、字段名、字段类型和主键信息 2. 把 schema 和 few-shot 示例一起放进 Prompt 3. 解析 LLM 返回的 SQL去掉 markdown 格式代码块标记 4. 如果生成失败返回空字符串。这样做的优势是每个模块的代码都短小、逻辑清晰即使出现 Bug 也容易定位。这就是 Vibe Coding 和传统开发的典型差异——我们通过“对话 小步迭代”替代了“一次性编码”。3.3 第三轮运行、报错、反馈、优化Vibe Coding 的本质不只是让 AI 写代码还包括让 AI 帮你改代码。运行报错时直接把错误信息复制回对话窗口运行 app.py 时出现以下报错请分析原因并给出修复后的代码。 Streamlit run app.py 报错信息 sqlite3.OperationalError: table sales_orders has no column named order_dateAI 能根据报错信息迅速定位问题通常是因为我们初始化数据库时字段名不一致。它会把相关代码段重新生成一遍你复制覆盖即可。这个“运行-报错-反馈-修复”的循环就是 Vibe Coding 的核心工作流。你要习惯把自己当成项目经理和测试人员而不是“打字员”。3.4 关于“避免幻觉功能”的提醒使用 Vibe Coding 时最大的风险是让 AI 生成了它“以为自己能做”但实际运行不了的功能。比如让它接入一些并不存在的第三方 API或者编造不存在的 Python 库。我的规避方法有两条在 Prompt 里明确要求使用主流、成熟、真实存在的库拿到 AI 给的代码后先看它 import 了哪些库逐个确认这些库是否真实存在、是否能正常安装。如果 AI 给出的某个库你从来没听说过不要直接相信先去 PyPI 或 GitHub 搜一下再决定。这是 AI 产品经理应该养成的技术敬畏心。4. 实战用 Vibe Coding 从零构建 ChatBI 最小可行版本下面进入完整实战环节。我尽量把每一步写清楚让你可以照着做出来。4.1 初始化数据库与样例数据首先准备好数据。在项目根目录创建database/init_db.py。# 文件路径database/init_db.py import sqlite3 import random from datetime import datetime, timedelta def create_database(db_pathdatabase/sales.db): conn sqlite3.connect(db_path) cursor conn.cursor() # 创建销售订单表 cursor.execute( CREATE TABLE IF NOT EXISTS sales_orders ( order_id INTEGER PRIMARY KEY AUTOINCREMENT, order_date TEXT NOT NULL, region TEXT NOT NULL, product_category TEXT NOT NULL, sales_amount REAL NOT NULL, quantity INTEGER NOT NULL ) ) # 生成测试数据 regions [华东, 华南, 华北, 西南] categories [数码产品, 家用电器, 服饰鞋包, 食品饮料] start_date datetime(2024, 1, 1) random.seed(42) # 固定随机种子保证数据可复现 for i in range(200): order_date start_date timedelta(daysrandom.randint(0, 365)) region random.choice(regions) category random.choice(categories) amount round(random.uniform(50, 2000), 2) quantity random.randint(1, 10) cursor.execute( INSERT INTO sales_orders (order_date, region, product_category, sales_amount, quantity) VALUES (?, ?, ?, ?, ?), (order_date.strftime(%Y-%m-%d), region, category, amount, quantity) ) conn.commit() conn.close() print(数据库初始化完成共插入 200 条销售订单。) if __name__ __main__: create_database()运行初始化脚本python database/init_db.py预期输出数据库初始化完成共插入 200 条销售订单。这个脚本有三个教学点值得你在简历里提到字段设计、随机种子保证数据可复现、SQLite 轻量化的选型理由。4.2 编写 Prompt 模板与少样本示例NL2SQL 的核心是 Prompt 设计。我们要让模型知道有哪些表、哪些字段、用户的问题是什么意思、应该生成什么 SQL。先创建prompts/sql_prompt.py# 文件路径prompts/sql_prompt.py def build_sql_prompt(schema_text: str, examples_text: str, user_question: str) - str: prompt f 你是一个数据分析师负责把用户的中文问题转换成 SQL 查询语句。 请严格遵循以下规则 1. 只能根据给定的表结构生成 SQL不能臆造不存在的字段 2. 只输出 SQL 语句本身不要输出解释、不要使用 Markdown 代码块标记 3. 查询结果必须是聚合后的汇总数据不允许返回明细行 4. 如果用户问题中指定了时间范围要使用 WHERE 条件进行过滤 5. 金额相关字段需要输出保留两位小数 6. 如果问题无法用给定表结构回答请输出: ERROR: 无法生成查询 数据库表结构如下 {schema_text} 参考示例 {examples_text} 用户问题{user_question} SQL: return prompt再创建examples/few_shot_examples.py这里放了几个典型问题用来引导模型生成风格统一的 SQL# 文件路径examples/few_shot_examples.py FEW_SHOT_EXAMPLES [ { question: 上个月华东区域的销售额是多少, sql: SELECT region, ROUND(SUM(sales_amount), 2) AS total_sales FROM sales_orders WHERE region 华东 AND order_date BETWEEN 2024-11-01 AND 2024-11-30 GROUP BY region }, { question: 哪个产品类别累计销售额最高, sql: SELECT product_category, ROUND(SUM(sales_amount), 2) AS total_sales FROM sales_orders GROUP BY product_category ORDER BY total_sales DESC LIMIT 1 }, { question: 西南区域今年第一季度各个月份的订单数量趋势如何, sql: SELECT strftime(%Y-%m, order_date) AS month, COUNT(*) AS order_cnt FROM sales_orders WHERE region 西南 AND order_date BETWEEN 2024-01-01 AND 2024-03-31 GROUP BY month ORDER BY month }, { question: 华南区域销量最高的商品类别是哪一类, sql: SELECT product_category, SUM(quantity) AS total_quantity FROM sales_orders WHERE region 华南 GROUP BY product_category ORDER BY total_quantity DESC LIMIT 1 }, { question: 最近一个月平均每笔订单的金额是多少, sql: SELECT ROUND(AVG(sales_amount), 2) AS avg_order_amount FROM sales_orders WHERE order_date 2024-11-30 - INTERVAL 30 DAY }, ]需要说明的是最后一个示例里的INTERVAL语法在 SQLite 中不一定直接生效实际使用时应统一用字符串日期比较。这里保留原样是想提醒你AI 生成的 SQL 并不总是和数据库方言匹配审查 SQL 是产品经理必须具备的能力。因此我们在运行时会对生成的 SQL 做两层校验下面会讲到。4.3 编写获取 Schema 的工具函数要让模型写出正确 SQL必须把数据库结构告诉它。写一个工具函数用 SQLite 的系统表查询字段信息# 文件路径nl2sql.py部分代码 import sqlite3 def get_schema(db_path: str database/sales.db) - str: conn sqlite3.connect(db_path) cursor conn.cursor() cursor.execute(SELECT name FROM sqlite_master WHERE typetable) tables [row[0] for row in cursor.fetchall()] schema_parts [] for table in tables: cursor.execute(fPRAGMA table_info({table})) columns cursor.fetchall() col_desc , .join([f{col[1]} {col[2]} for col in columns]) schema_parts.append(f表名: {table}, 字段: {col_desc}) conn.close() return \n.join(schema_parts)这里用PRAGMA table_info获取字段名和类型信息足够简洁适合放进 Prompt。需要说明的是这里的fPRAGMA table_info({table})属于内部信任场景因为表名来自系统表不是直接拼接用户输入因此在演示场景下风险可控。如果对接真实业务库不能直接这样写应该使用参数化查询方式获取元数据。4.4 编写 NC2SQL 主流程下面来写nl2sql.py的完整核心逻辑。它负责四件事获取 Schema、调用模型生成 SQL、校验 SQL、执行 SQL。# 文件路径nl2sql.py import re import sqlite3 from openai import OpenAI from prompts.sql_prompt import build_sql_prompt from examples.few_shot_examples import FEW_SHOT_EXAMPLES client OpenAI(api_keyyour-api-key, base_urlyour-base-url) # 取决于你的模型服务商 def get_schema(db_path: str database/sales.db) - str: # 省略同上文 get_schema 函数 def extract_sql(text: str) - str: 从模型输出中提取纯 SQL去掉可能的 markdown 标记 # 去掉代码块标记 text re.sub(rsql|, , text).strip() return text def validate_sql(sql: str) - bool: 简单校验 SQL 是否包含风险或异常语法 blacklist [INSERT, UPDATE, DELETE, DROP, ALTER, CREATE] for word in blacklist: if re.search(r\b word r\b, sql.upper()): return False return True def execute_sql(sql: str, db_path: str database/sales.db): conn sqlite3.connect(db_path) try: cursor conn.cursor() cursor.execute(sql) columns [desc[0] for desc in cursor.description] if cursor.description else [] rows cursor.fetchall() return columns, rows except Exception as e: return None, f执行错误: {e} finally: conn.close() def nl2sql(user_question: str) - dict: schema get_schema() examples_text for item in FEW_SHOT_EXAMPLES: examples_text f问题: {item[question]}\nSQL: {item[sql]}\n\n prompt build_sql_prompt(schema, examples_text, user_question) response client.chat.completions.create( modelgpt-4o, messages[{role: user, content: prompt}], temperature0.1, ) raw_sql response.choices[0].message.content sql extract_sql(raw_sql) # 判断是否生成失败 if sql.startswith(ERROR) or sql : return {error: 无法理解该问题请尝试换个说法。} # 判断是否包含非法 SQL if not validate_sql(sql): return {error: 生成的 SQL 存在安全风险已阻止执行。} # 执行 SQL columns, rows execute_sql(sql) if columns is None: return {error: rows} return {columns: columns, rows: rows, sql: sql}关键步骤说明temperature0.1让模型输出更稳定减少随意生成。extract_sql是为了兼容不同模型输出格式有的模型喜欢带 markdown 代码块。validate_sql是安全兜底避免模型生成非查询语句。这很重要正式做 ChatBI 时不能直接执行模型生成的 SQL。execute_sql捕获执行异常保证至少不会让整个 Web 应用崩溃。4.5 编写图表可视化逻辑为了让作品集看起来更完整我们在拿到查询结果后尝试根据字段特征自动判断是否适合画图。# 文件路径app.py部分代码 import pandas as pd import streamlit as st from nl2sql import nl2sql import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS, PingFang SC] plt.rcParams[axes.unicode_minus] False def auto_visualize(columns, rows): 根据返回的字段做简单的可视化判断。 如果只有一个维度字段和一个数值字段输出柱状图或折线图。 df pd.DataFrame(rows, columnscolumns) if len(df.columns) 2: first_col df.columns[0] second_col df.columns[1] if pd.api.types.is_numeric_dtype(df[second_col]): fig, ax plt.subplots(figsize(10, 5)) ax.bar(df[first_col].astype(str), df[second_col]) ax.set_xlabel(first_col) ax.set_ylabel(second_col) ax.set_title(f{first_col} vs {second_col}) plt.xticks(rotation45, haright) st.pyplot(fig)这一步不用太复杂关键是让面试官和用户直观感受到“系统不仅能问答还能自动给出图表”。4.6 编写 Streamlit 界面最后是 Web 界面层。我们希望用户输入一个问题点击按钮看到三个东西生成的 SQL、查询结果表格、对应图表。# 文件路径app.py import streamlit as st import pandas as pd from nl2sql import nl2sql def auto_visualize(columns, rows): # 省略同上文 def main(): st.set_page_config(page_titleChatBI 数据问答助手, layoutwide) st.title( ChatBI 数据问答助手) st.caption(输入你的业务问题系统将自动完成 SQL 生成、执行与可视化展示。) user_question st.text_input(请输入你的问题, placeholder比如华东区域销售额最高的商品类别是什么) if st.button(开始分析, typeprimary): if not user_question.strip(): st.warning(请先输入问题。) return with st.spinner(正在理解和生成查询...): result nl2sql(user_question) if error in result: st.error(result[error]) return st.subheader(生成的 SQL) st.code(result[sql], languagesql) st.subheader(查询结果) columns result[columns] rows result[rows] df pd.DataFrame(rows, columnscolumns) st.dataframe(df, use_container_widthTrue) st.subheader(可视化分析) auto_visualize(columns, rows) if __name__ __main__: main()运行方式streamlit run app.py浏览器会自动打开http://localhost:8501。输入中文问题就能看到完整的问答分析过程。4.7 运行效果预期当你输入“华东区域销售额最高的商品类别是什么”时预期输出大致是生成的 SQLSELECT product_category, ROUND(SUM(sales_amount), 2) AS total_sales FROM sales_orders WHERE region 华东 GROUP BY product_category ORDER BY total_sales DESC LIMIT 1数据表格一列是商品类别一列是累计销售额按降序排列。可视化图表因为第一列是字符串、第二列是数值系统自动绘制柱状图。虽然这个 MVP 还不够智能但它已经是一个完整的 ChatBI 闭环足够放进作品集里讲清楚产品逻辑。5. 进阶提升让 ChatBI 更接近真实产品只跑通一个简单 Demo 是不够的AI 产品经理的作品集一定要体现“思考深度”。下面这几个方向你可以选 1 到 2 个在作品集里展示。5.1 加入语义缓存机制在很多 ChatBI 场景中用户会反复问类似的问题。如果每次都调用大模型生成 SQL成本高、响应慢。一个简单有效的优化是引入语义缓存。思路先把用户问题转成 embedding 向量然后在 ChromaDB 里查找最相似的历史问题。如果相似度超过一个阈值比如 0.85直接返回历史 SQL 和结果。# 思路示例语义缓存 from chromadb import Client # 1. 初始化 Chroma 集合 # 2. 将每个历史问题写入 collection同时存储 SQL 和结果 # 3. 用户提问时先用 embedding 搜索相似记录 # 4. 相似度高直接返回否则走 NL2SQL 主链路这个机制进简历非常加分因为它体现你考虑了成本、性能和产品体验的平衡。5.2 加入多轮对话能力上面的 MVP 只支持单轮对话。真实产品中用户会追问“那华北呢”“占比是多少”这些问题依赖上下文。优化思路有两种简单法把历史对话记录拼进 Prompt让模型自己理解当前问题是否依赖上文。结构法在对话历史中抽取实体和条件区域、时间、品类填充一个“查询条件槽位”。作为作品集建议先实现简单法后说明结构法的演进方向。5.3 加入数据权限控制真实 ChatBI 最重要的工程问题之一是数据权限。不是所有用户都有权限查看所有区域的数据。你可以在作品集里加上一个简单的角色权限模型# 思路示例权限控制 # 1. 定义用户角色比如 admin、analyst、visitor # 2. 根据角色生成不同的 SQL 过滤条件 # 3. 例如 visitor 只在 WHERE 条件中强制追加 user_region 华东 # 4. 在原型中通过侧边栏切换角色演示不同身份看到的数据范围不同这个功能不用写得很复杂但一定要在 README 和简历里说明因为这直接展示了你作为 AI 产品经理对“安全边界”的理解。6. 如何把 ChatBI 作品集写进简历作品集做出来了最关键的一步来了怎么在简历里展示它。6.1 简历项目描述通用框架我建议参考 STAR 法则但写简历时不需要严格写成四段。核心是让面试官在 30 秒内看懂三个信息背景、动作、结果。信息项内容建议项目背景一句话说明为什么做这个 ChatBI时间跨度写清楚周期最好在 2-4 周内你的角色独立完成或作为 AI 产品经理主导核心动作Vibe Coding、Prompt 工程、NL2SQL、可视化、安全机制量化结果SQL 生成准确率、响应时间、功能覆盖率技术栈Python、Streamlit、SQLite、LLM API6.2 简历项目描述示例下面给一个可以直接参考的写法注意替换为你的实际数据和指标ChatBI 对话式数据分析助手独立开发 / 2025.03 - 2025.04 项目背景 企业内部运营人员日常取数依赖数据团队大量常见问题通过即时通讯工具纸质传递查询效率低、口径不一致。 项目动作 - 基于 Vibe Coding 方法论使用 Python Streamlit 完成 ChatBI MVP 从需求拆解到可运行原型 - 设计 NL2SQL 核心链路通过 LLM 将中文问题转换为 SQL结合 sqlite schema 注入、few-shot 示例增强生成准确率 - 设计结果可视化模块根据字段类型自动选择柱状图、折线图或明细表展示 - 加入语义缓存、多轮对话扩展方案降低接口调用成本 - 设计用户角色与数据权限控制逻辑确保不同角色只能查看授权范围内的数据。 量化结果 - 在 200 条销售订单数据上常见业务问题的 SQL 生成准确率达到约 92% - 将语义缓存命中后的查询响应从平均 8 秒降低至 1 秒以内 - MVP 从需求确定到可演示版本交付耗时 2 周全程独立完成 - 沉淀了一套可复用的 NL2SQL 提示词模板和 SQL 安全校验规则。 技术栈Python、Streamlit、SQLite、ChromaDB、OpenAI API / DeepSeek API需要提醒的是准确率 92% 这种数字不能拍脑袋乱写。我的建议是自己在测试集上跑一遍记录真实结果后填进去。哪怕准确率只有 75%只要说明测试条件和改进路径也比虚标数字更有说服力。6.3 面试时如何讲解这个作品集面试官通常会从三个角度追问技术理解类NL2SQL 的难点是什么幻觉问题怎么处理产品判断类为什么选 ChatBI 这个场景目标用户是谁工程落地类模型返回错误 SQL 怎么办如何防止用户越权查数建议在本地留一个可运行的 Demo 包面试时直接打开 Streamlit 现场演示。这比任何口头描述都有说服力。你需要准备好一段 3 分钟的演示脚本讲清楚“用户输入问题 → 生成 SQL → 执行 → 可视化”的完整流程。7. 常见问题与排查思路7.1 常见问题汇总问题现象常见原因解决思路输入问题后长时间无响应LLM API 响应慢或网络不稳定检查 API 服务状态设置超时时间落地语义缓存模型生成的 SQL 执行报错字段名与 schema 不一致在 Prompt 中强调只使用给定字段查看报错信息反馈给 AI 修复SQL 能执行但结果明显不对缺少 WHERE 条件或聚合方式错误补充 few-shot 示例降低 temperature中文图表乱码matplotlib 缺少中文字体设置字体为 SimHei 或 PingFang SCStreamlit 页面打不开端口被占用或依赖未装齐检查streamlit run app.py的启动日志尝试换端口数据库大量重复数据重复运行 init_db.py在脚本里增加删除旧表或判断是否已存在的逻辑7.2 排查优先级清单如果系统跑不通不要慌按下面的顺序排查数据库是否有数据打开database/sales.db确认sales_orders表非空API 是否可用在 Python 里单独测试一次client.chat.completions.create看能否返回内容Prompt 是否正确拼接打印出build_sql_prompt的完整输出检查 schema 和 examples 是否有语法问题SQL 校验是否过严确认没有误杀合法的 SELECT 语句页面渲染是否出错查看 Streamlit 终端的完整 traceback定位到具体行号。8. 最佳实践与工程建议8.1 Vibe Coding 过程的工程素养Vibe Coding 不等于“没有工程素养”。恰恰相反AI 产品经理更应该具备工程思维否则很容易被 AI 生成的一堆花哨代码带偏。几点建议版本控制必须有哪怕是小项目也建议用 Git 管理否则改坏了无法回退。每个版本“能跑即提交”不要等技术债积累太多才想起保存。记录 Prompt 迭代过程你每次怎么修改 Prompt 才让模型输出变好这是 AI 产品经理作品集里的隐形资产。保持项目结构整洁即使代码是 AI 写的也要坚持模块化拆分不要一个文件写 800 行。8.2 安全边界这是 ChatBI 类作品最重要的部分绝不能让模型生成的 SQL 直接在生产库上执行必须加白名单机制、SQL 校验和资源限制明确定义安全边界作品集演示可以用 SQLite但简历里一定要写清楚“正式方案中需要接入查询网关、数据脱敏、行级权限”提示词注入风险不要在业务数据中直接拼接用户输入到 Prompt 之外的部分涉及真实数据时必须经过授权和脱敏处理。8.3 效果评估方法ChatBI 不是“能跑就行”。一个合格的数据分析助手必须有一套评估维度评估维度说明评估方式查询生成准确率生成的 SQL 是否与预期结果一致构建测试集人工标注端到端成功率用户提问后是否成功返回结果日志统计响应时间从提问到结果展示的总耗时日志统计用户满意率用户对回答是否满意问卷或反馈按钮兜底率无法回答时是否有友好提示日志统计建议在作品集 README 里写清楚评估方式和测试结果这比“Demo 做得很炫”更有专业深度。9. 总结与下一步行动路线9.1 你已经掌握了什么通过这篇文章你已经了解到Vibe Coding 的核心工作流自然语言 → 生成代码 → 运行报错 → 反馈修复 → 迭代优化从零构建 ChatBI MVP 的完整链路数据准备、Prompt 设计、NL2SQL、业务校验、可视化展示ChatBI 产品在真实落地时需要关注的进阶能力语义缓存、多轮对话、数据权限控制如何把一个作品集项目专业地写进简历并准备好面试讲解路径。9.2 下一步推荐做什么我一直强调AI 产品经理最重要的不是堆代码量而是形成“定义问题 - 快速验证 - 量化评估 - 持续迭代”的闭环。基于这个思路建议你接下来做以下增强把自己测试的真实业务数据替换掉样例数据让作品集更有业务说服力尝试接入一个国内可用的模型服务比如 DeepSeek验证不同模型在 NL2SQL 场景下的表现差异增加 10 条真实测试用例记录准确率变化形成一份简短的效果评估报告把整个项目放进 GitHub顺便把 README 写完整让别人可以复现。当你完成上面这些动作之后这个作品集就不只是一个“AI 生成的 Demo”而是一个能证明你具备 AI 产品经理核心能力的完整项目。9.3 作品集的长期意义最后说一点真心话。Vibe Coding 必然会继续进化模型能力也会越来越强也许未来会出现更轻量的方式直接构建数据问答系统。但无论工具怎么变作为 AI 产品经理真正稀缺的能力始终是判断什么场景值得做知道怎么把模糊想法拆成可落地的功能边界能评估模型和产品的效果差距在哪里能推动一个 AI 功能从“能跑”走向“好用”。ChatBI 只是切入点。通过这个作品集你证明的不是“我会用 AI 写代码”而是“我能用 AI 把一个产品想法变成可体验、可评估、可演进的原型”。接下来就动手打开 Cursor 或任意一个 AI 编程工具把上面第 4 节的代码结构跑通。遇到问题也不用怕报错信息直接贴给 AI改就完了。Vibe Coding 的乐趣恰恰就在这个“边聊边改、不断逼近可用状态”的过程里。如果这篇文章对你有帮助可以收藏备用。要是你想了解 ChatBI 更进阶的语义缓存实现或者想看更复杂的简历案例可以在评论区留言我来安排。
