我的问题是：综合分析一下2021的大米和化妆品的销售情况？
我发现“大米”的销量涨了200%，而“化妆品”的销量下降了100%。
我能说我的大米质量变好了，而化妆品的质量变差了吗？
当然不能。 原因是： 那年疫情了。。。
TAG产生的逻辑
仅仅依赖数据表中的变化趋势，难以全面洞察和精准决策。
除了表象信息，我们还需深入挖掘更多背后的故事。
过去，我们通过编写一个个SQL查询，生成不同的BI报表（即看板），结合既有知识和主观判断，共同解读数据背后的原因。这种方法融合了客观数据与主观智慧，为我们提供了更全面的视角。
如果我们能将脑海中的这些信息以文本形式存储起来，再结合数据库中的数据，不就能完美融合客观信息与主观信息了吗？
想象一下，将搜索引擎本身视为一个庞大市场信息库，而我们公司内部的各种设备更换、人员调动等记录则可以作为日志数据，形成一个独特的企业内部信息库。
在进行市场分析时，如果我们能让大模型在执行SQL分析的同时，动态调用其他补充信息库，那么输出的结果将不再仅仅是冷冰冰的表格数据，其输出结果将变得更加丰富和立体，不仅包含详尽的数据，还能进行深入的推理和全面的思考，这种多维度的分析结果无疑会带来巨大的价值和影响力。
了解了以上信息之后，让我们来看看TAG一步步的发展历程吧。
Text2SQL
综合分析一下2021年的大米和化妆品的销售情况？
那text2sql之后，可能是这样的：
select product_name, sum(money) from sale where year = '2021' group by product_name.
以上图表仅仅基于数据库中查询到的数据统计，展示了这两个产品的销售额情况。
然而，这样的数据真的能全面反映销售状况吗？
众所周知，那一年正值疫情肆虐。
因此，这份数据或许无法揭示全部真相，它仅仅是一个冰冷且信息量极少的数字展示。
TAG
TAG的全称是： Table-Augmented Generation，可以理解为在表的基础上进行增强，之后在进行输出。
如果我们用搜索引擎作为市场调查数据库。就可以补充当前场景下更多的市场信息，然后可以得到更好的综合分析。
假设我们通过对原问题的分析之后，得到了一个合理的对于市场调查的问题：
原问题： 综合分析一下2021年的大米和化妆品的销售情况？
合理的市场调查问题： 2021对大米的影响
查询的数据中包括了这些数据：
第一阶段1-2月份，受散发疫情影响，春节前国内大米集中备货价格普遍上涨。节后市场仍受到节前氛围支撑，处于高位。2月下旬开始局部性稻米价格开始回落，进入下一阶段。
第二阶段3-9月份新粮集中上市前，市场价格总体呈下滑趋势。主要原因：第一，2021年春节前市场集中备货量大，消化时间长，市场购销低迷。第二，至2021年2月底前，稻米市场价格总体高位，随着米市需求转淡，价格风险逐步增大。第三，大米进口量高位，加之部分低价陈粮有所冲击市场。另外，麦收腾仓、集中备货、市场心态等均对阶段性行情带来一定影响。
第三阶段，新粮上市季，10-12月价格先跌后涨再稳。10月份新稻陆续上市，价格有所回落。11月中上旬大米集中备货，加之多因素收购托底，价格上涨。12月需求转淡，因价格并不高，且农户低价惜售，稻米价格总体以稳为主，局部小幅偏弱。2021年新粮上市突出特点：市场心态理性，价格波动幅度缩小。
这些数据就提供了更多的市场信息，揭示了更丰富的市场动态。
结合这些基础数据（大米和化妆品的销量）与2021年的大米市场信息，LLM能够为您提供一个全面且深入的分析结果。
综合判断
我们的提示语就变成了这样：
这是我们的公司2021年的销量信息：
大米:300w，化妆品:100w
2020年的大米和化妆品信息
大米:100w，化妆品:200w市场信息中关于2021年中大米的影响如下：
第一阶段1-2月份，受散发疫情影响，春节前国内大米集中备货价格普遍上涨。节后市场仍受到节前氛围支撑，处于高位。2月下旬开始局部性稻米价格开始回落，进入下一阶段。
第二阶段3-9月份新粮集中上市前，市场价格总体呈下滑趋势。主要原因：第一，2021年春节前市场集中备货量大，消化时间长，市场购销低迷。第二，至2021年2月底前，稻米市场价格总体高位，随着米市需求转淡，价格风险逐步增大。第三，大米进口量高位，加之部分低价陈粮有所冲击市场。另外，麦收腾仓、集中备货、市场心态等均对阶段性行情带来一定影响。
第三阶段，新粮上市季，10-12月价格先跌后涨再稳。10月份新稻陆续上市，价格有所回落。11月中上旬大米集中备货，加之多因素收购托底，价格上涨。12月需求转淡，因价格并不高，且农户低价惜售，稻米价格总体以稳为主，局部小幅偏弱。2021年新粮上市突出特点：市场心态理性，价格波动幅度缩小。
综合分析一下，回答一下我的问题：综合分析一下2021的大米和化妆品的销售情况？
这样以来就可以输出更综合考虑之后的判断信息了。
写在最后
让我们再次聚焦于模型的核心：
在给定输入的情况下，输出会是什么？
要使输出更加精准且丰富，一个关键前提是输入必须足够全面。
如果你渴望获得更全面的答案，输入的多样性和信息的完整性至关重要。
（文章都属于原创，我花费大量时间，希望你在AI的实施过程中少走弯路，可以将AI工程化。 如果对你有帮助，帮我点赞、转发。这将是我最大的动力。万分感谢！！）
