2026年，医美GEO公司口碑居然这么好？
2026/7/22 13:30:16
本文介绍了一种将AI能力无缝集成到数据湖仓分析流程的创新架构。通过Trino AI Functions，数据分析师无需离开熟悉的SQL环境，即可对湖仓中的多源数据进行情感分析、实体提取、文本生成等AI处理。文章详细解析了7个核心AI函数的功能，并重点演示了如何通过SQL拼接多源数据构建Prompt，实现跨S3湖仓与PostgreSQL的“跨源情报简报”生成。这种“SQL组装、AI执行”的模式，极大地降低了AI应用门槛，为安全日志分析、金融情报挖掘等场景提供了高效、安全的解决方案。
背景与介绍
在传统的数据分析架构中，AI模型与数据存储往往是割裂的。分析师需要将数据从湖仓导出，再通过复杂的Python脚本或专用AI平台进行处理，这不仅增加了数据移动的安全风险，也提高了技术门槛。随着数据湖仓架构的成熟，一种新的趋势正在兴起：将AI能力直接下沉到SQL查询引擎中。
Trino AI Functions正是这一趋势的代表。它通过7个内置的SQL函数，将大型语言模型（LLM）的能力标准化，让AI变成了数据分析师可以直接调用的“函数”。这种架构的核心价值在于“数据不动模型动”，既保证了数据安全性，又让AI分析变得像写SQL一样简单。无论是安全团队分析日志、金融分析师挖掘市场情绪，还是技术团队构建知识图谱，都能通过统一的SQL接口获得AI赋能。
AI核心功能详解
Trino AI Functions将常见的AI任务封装为7个标准SQL函数，覆盖了文本处理的核心场景。这些函数均通过配置好的外部LLM服务（如OpenAI、Anthropic或本地Ollama）执行，分析师只需在SQL中调用即可：
| 功能函数 | 核心作用 | 典型应用场景 |
|---|---|---|
ai_analyze_sentiment(text) | 分析文本情感倾向（积极/消极/中立） | 客户反馈分类、市场情绪监控、威胁检测 |
ai_classify(text, labels) | 将文本归类到预定义标签体系 | 安全日志分类、垃圾邮件识别、工单自动派单 |
ai_extract(text, labels) | 从非结构化文本中提取结构化实体 | 从日志提取IP/用户名、解析合同关键条款 |
ai_fix_grammar(text) | 纠正语法错误并提升文本可读性 | 清洗嘈杂的用户评论、标准化日志文本 |
ai_gen(prompt) | 根据提示词生成新文本内容 | 生成威胁报告摘要、自动撰写执行摘要 |
ai_mask(text, labels) | 将敏感信息替换为[MASKED]占位符 | PII数据脱敏、合规导出前的隐私保护 |
ai_translate(text, language) | 将文本翻译为目标语言 | 多语言日志统一分析、跨境业务文档处理 |
这些函数并非孤立存在，而是可以像标准SQL函数一样组合使用。例如，可以先用ai_translate统一多语言日志，再用ai_classify进行分类，最后用ai_gen生成汇总报告，整个流程完全在SQL中完成。
应用场景全景
Trino AI Functions的能力可覆盖多个业务领域，以下是三个典型场景：
- 安全日志智能分析：安全团队可直接在SQL中对防火墙日志、SIEM警报进行实时AI处理。使用
ai_classify自动将日志分类为“暴力破解”“数据泄露”等威胁类型；用ai_extract从认证日志中提取关键实体；用ai_gen将大量异常警报汇总成简洁的威胁报告；用ai_mask在导出日志前自动遮蔽PII信息，满足合规要求。 - 金融情报深度挖掘：金融分析师可处理海量多语言新闻数据。用
ai_analyze_sentiment分析数万条新闻的情感倾向，识别市场情绪拐点；用ai_translate将非英语新闻统一翻译后分析；用ai_gen聚合负面新闻，自动生成包含关键风险和 actionable recommendations 的“每日晨报”，辅助投资决策。 - 混合搜索与知识发现：结合向量数据库与AI函数，实现语义级内容分析。通过向量相似度找到相关文章后，用
ai_gen生成 curated reading list；用ai_extract自动提取技术、产品、编程语言等实体，构建领域知识图谱；甚至可跨S3湖仓与PostgreSQL，让AI自动分析市场风险与技术解决方案的关联，生成跨领域智能情报简报。
案例实战：跨源情报简报生成
“跨源情报简报”是Trino AI Functions最强大的应用场景之一。它要求系统同时从S3湖仓中的金融新闻和PostgreSQL中的技术文档中提取信息，并让AI自动分析市场风险与技术解决方案之间的关联。实现这一目标的关键，在于理解ai_gen(prompt)函数的单一参数设计——它只负责执行，而复杂的Prompt构建工作则由SQL完成。
以下是一个完整的实战示例：
WITH-- 1. 从S3湖仓获取今日负面金融新闻financial_newsAS(SELECTcontentFROMs3_lakehouse.financial_newsWHEREdate=CURRENT_DATEANDsentiment='negative'),-- 2. 从PostgreSQL获取风险缓解相关技术文档tech_docsAS(SELECTcontentFROMpostgresql.tech_solutionsWHEREtopicLIKE'%risk mitigation%'),-- 3. 将多源数据组装成结构化Promptcombined_promptAS(SELECT'你是一位跨领域分析师。请根据以下信息，分析市场风险与技术解决方案的关联，并生成一份简报。'||CHR(10)||'--- 市场风险信息 ---'||CHR(10)||(SELECTSTRING_AGG(content,CHR(10))FROMfinancial_news)||CHR(10)||'--- 技术解决方案 ---'||CHR(10)||(SELECTSTRING_AGG(content,CHR(10))FROMtech_docs)||CHR(10)||'--- 分析要求 ---'||CHR(10)||'1. 识别核心风险点。'||CHR(10)||'2. 匹配对应的技术解决方案。'||CHR(10)||'3. 评估方案的有效性与可行性。'ASprompt_text)-- 4. 调用ai_gen执行分析并生成简报SELECTai_gen(prompt_text)ASintelligence_briefingFROMcombined_prompt;在这个示例中，SQL首先通过CTE分别从S3和PostgreSQL中提取相关数据，然后使用STRING_AGG和字符串拼接函数将多源内容组装成一个结构清晰的Prompt。最后，ai_gen函数接收这个完整的Prompt，输出跨领域的智能情报简报。需要注意的是，在实际应用中应控制Prompt长度，避免超出AI模型的上下文窗口限制，并在SQL层对数据进行必要的清洗和格式化。
总结
Trino AI Functions通过将AI能力封装为标准SQL函数，成功打破了数据与AI之间的壁垒。它让分析师能够在不离开SQL环境的前提下，完成情感分析、实体提取、文本生成等复杂AI任务。特别是“跨源情报简报”这类场景，充分展示了SQL在数据整合与Prompt构建中的强大能力，以及AI在执行分析任务中的高效性。
这种架构不仅降低了AI应用的门槛，也为数据安全提供了保障。未来，随着更多AI函数的加入和模型能力的提升，Trino AI Functions有望成为企业湖仓一体架构中的标准AI分析层，让数据驱动的决策变得更加智能、高效。