在真实落地过程中，仅有大模型是远远不够的：不同的行业、不同的场景下，业务相关的指标/标签知识呈现出动态变化、复杂多样的特点。由于时间、算力、训练语料数据等限制，模型训练微调的方式并不是一个让无涯•问数大模型准确、及时得获取这些知识去生成正确的SQL和数据分析结果的一个较优方案。 不同用户对数据查询需求的表达方式呈现出多样化、个性化的特性。在无涯•问数大模型生成SQL语句之前，需要一个机制能正确分析用户的意图，基于意图结果去检索/召回出正确的数据元信息。

为了让计算机理解“什么分析任务要从什么主题库中获取什么样的数据”，无涯•问数通过应用链编排的思路将数据治理后的“外部知识”和其他智能分析工具（比如多表召回策略等）结合起来来让无涯•问数大模型更准确地理解用户数据分析的意图，达成更贴合业务实际的效果： 分析过程可分解和调整：将复杂任务分解成可二次更改的不同的角色、任务和智能体； 分析任务能针对不同实体、主题、动作调用对相应相应组件调用资源、组件； 分析结果可溯源：对分析过程引用的文档、数据来源和方法提供来源追溯和说明。

星环大语言运营管理平台Sophon LLMOps提出了“样本仓库”、“模型仓库”、“应用仓库”的建设思路。其中的应用仓库（AppCube）提供了应用链和服务编排工具，使用户可以以低代码的方式结合知识库、智能分析和工具、代码执行器等技术和工具，通过向量数据库进行多模态意义下的“语义”检索、召回和串联来协同完成任务，提高从“需求到原型再到生产可用”的开发敏捷性和效率。