在企业日常运营中，工作总结统计是一项高频且重要的数据分析任务。传统的数据分析方法往往需要编写复杂的SQL查询、使用多种工具进行数据处理和可视化，耗时耗力。随着大模型技术的发展，MaxCompute SQL AI 全新上线，让数据分析师可以用熟悉的SQL语言直接调用大模型，实现更智能、更高效的数据分析。
本文将以"工作总结统计类数据"为主题，展示如何使用MaxCompute SQL AI功能，通过简单的SQL语句完成工作总结的智能分析，包括工作内容分类、情感倾向分析、关键信息提取等任务，帮助企业快速洞察员工工作状态和业绩情况。
AI_GENERATE是MaxCompute提供的AI Function，用于调用模型结合提示词执行推理任务，支持自然语言生成、复杂逻辑分析、情感分类、多模态理解等场景。用户可通过SQL直接完成非结构化数据的智能处理，无需外部服务依赖。
命令格式
AI_GENERATE在调用LLM大语言模型和MLLM多模态大语言模型时，会有不同的函数签名。
- 当model_type为LLM大语言模型时，函数签名如下：
STRING AI_GENERATE( STRING <model_name> , STRING <version_name>, STRING <prompt> [, STRING <model_parameters>] );
- 当model_type为MLLM多模态大语言模型时，函数签名如下：
STRING AI_GENERATE( STRING <model_name>, STRING <version_name>, STRING | BINARY <unstructured_data> , STRING <prompt> [, STRING <model_parameters>] );
参数说明
- model_name：必填。STRING类型。待使用的模型名。支持模型的model_type为LLM或MLLM。
- version_name：必填。STRING类型。待使用的模型版本名。如果调用默认version，支持直接输入
DEFAULT_VERSION。 - prompt：必填。STRING类型。待输入的模型提示词。
STRING类型常量、列名或表达式。 - unstructured_data：必填（当model_type为MLLM时）。STRING或BINARY类型。需要处理的多模态数据，支持指定为图片STRING类型的URL地址，或图片BINARY类型二进制表示，当指定为BINARY类型时，需要在创建模型时同时指定BINARY类型的输入参数。
- model_parameters：选填。STRING类型。支持指定模型调用相关参数max_tokens、temperature、top_p，格式为
'{"max_tokens": 500, "temperature": 0.6, "top_p": 0.95}'。参数说明如下：
- max_tokens：设置模型单次调用输出token的最大数量，对于MaxCompute公共模型，默认值为4096。
- temperature：介于0到1之间的值，用于控制模型输出的随机性。越高的值会导致模型输出的多样化和随机性越高。
- top_p：介于0到1之间的值，用于控制模型的随机性和多样性，越大的值会导致模型输出的随机性越高。
说明
使用AI Function调用公共模型推理时，需要SET odps.sql.using.public.model=true;打开使用公共模型开关。
返回值说明
返回STRING类型，模型的生成内容结果。
使用示例
- 示例1：调用模型进行内容生成。
调用MaxCompute提供的公共模型Qwen3-0.6B-GGUF，直接进行模型调用与内容生成。
SET odps.sql.using.public.model=true; -- 返回结果。 -- "The capital of China is **Beijing**." SELECT AI_GENERATE(bigdata_public_modelset.default.Qwen3-0.6B-GGUF,DEFAULT_VERSION,'what is the capital of China');
- 示例2：调用模型进行情感分析。
调用MaxCompute提供的公共模型Qwen3-1.7B-GGUF，对网络用户评论数据进行情感分析。
SET odps.sql.using.public.model=true; SELECT prompt, AI_GENERATE( bigdata_public_modelset.default.Qwen3-1.7B-GGUF, DEFAULT_VERSION, concat('请对以下评论进行情感分析分类，输出结果仅限于以下三个选项之一：正面、负面、中性。待分析的评论:', prompt) ) AS generated_text FROM ( VALUES ('今天天气真好，心情很不错！阳光明媚，适合出去散步。 /no_think'), ('今天天气真好，心情很不错！阳光明媚 /no_think'), ('科技发展日新月异，人工智能改变生活。 /no_think'), ('防控措施很到位，为医护人员点赞！ /no_think'), ('这个商品质量很差 /no_think') ) t (prompt); -- 返回结果： +-----------------------------------------------------+----------------+ | prompt | generated_text | +-----------------------------------------------------+----------------+ | 今天天气真好，心情很不错！阳光明媚，适合出去散步 /no_think | "正面" | | 今天天气真好，心情很不错！阳光明媚 /no_think | "正面" | | 科技发展日新月异，人工智能改变生活。 /no_think | "正面" | | 防控措施很到位，为医护人员点赞！ /no_think | "正面" | | 这个商品质量很差 /no_think | "负面" | +-----------------------------------------------------+----------------+
- 示例3：调用模型进行多模态数据处理。
调用已经创建好的模型PAI_EAS_Qwen25_Omni_3B（PAI-EAS远程模型），并创建好名为image_demo的Object Table，详细步骤参考使用MaxCompute远程模型自动生成电商选品描述，即可调用AI Function。基于图片的URL地址及提示词进行模型调用，实现商品类目打标。
说明
当前MC远程模型仅支持配置EAS公网地址，在使用AI Function调用模型时，请参考通过项目管理编辑外部网络地址将EAS公网地址设置可用的MaxCompute外部网络地址。
SELECT key, AI_GENERATE( PAI_EAS_Qwen25_Omni_3B, v1, image_url, "从电商商品销售海报中识别并提取商品所属的类目。返回结果仅限于如下六个选项之一：美妆、服装、日用、食品、其他、电子产品，不包含其他文字或信息" ) AS item_catagory FROM ( SELECT GET_SIGNED_URL_FROM_OSS( 'pd_test_model.default.image_demo', key, 604800 ) AS image_url, key AS key FROM pd_test_model.default.image_demo ) Limit 10; -- 返回结果： +--------------------+----------------+ | key | item_catagory | +--------------------+----------------+ | alimamazszw-1.jpg | 食品 | | alimamazszw-10.jpg | 电子产品 | | alimamazszw-11.jpg | 电子产品 | | alimamazszw-12.jpg | 美妆 | | alimamazszw-13.jpg | 电子产品 | | alimamazszw-14.jpg | 日用 | | alimamazszw-15.jpg | 美妆 | | alimamazszw-16.jpg | 美妆 | | alimamazszw-18.jpg | 日用 | +--------------------+---------------+
