QueryStory：构建可信数据叙事，让AI分析可追溯可审计

创始人Shapor Naghibzadeh曾在Google应对中国黑客的'极光行动'中，深刻体会到梳理网络攻击线索的繁琐。他发现，将网络安全中的调查模式——先提问、再串联证据、最终形成叙事——应用到企业数据分析中，能显著提升决策效率。随着LLM普及，许多企业员工直接用聊天界面提问，却导致答案版本混乱、缺乏可信来源。QueryStory旨在解决这一痛点，通过自动化SQL查询、置信度可视化，以及内嵌人工审核机制，为用户提供可信任的数据分析，避免'AI幻觉'带来的风险。

QueryStory已完成600万美元种子轮融资，估值6000万美元，投资方包括Brightmind Partners和New York Life Ventures。目前产品处于试点阶段，投资方已使用其平台替代人工生成季度业务回顾，并计划转变为实时仪表板。尚未公开具体用户量及营收数据。

1. 1基于开源方案（如Apache Superset或Metabase）构建MVP，集成开源LLM（如Qwen或ChatGLM）实现自然语言转SQL，优先支持主流数据库（MySQL、PostgreSQL、ClickHouse）。
2. 2核心功能仅保留：自然语言查询、生成SQL可查看并高亮关键表/字段、展示查询结果的置信度（基于表结构匹配度、数据量、历史查询准确率），以及基础的人工审核批注功能。
3. 3选择1-2家信创友好、有数据合规需求的金融或政务企业进行试点，提供定制化SQL审核流程，收集反馈并迭代，MVP周期控制在3个月。
4. 4冷启动获客：通过行业报告、CIO峰会或数据治理社区（如DataFun、InfoQ）发布技术解析文章，吸引目标客户；同时加入信创生态，与国产数据库（如达梦、OceanBase）厂商合作推广。
5. 5迭代方向：根据试点反馈，优先增加数据血缘追溯和审计日志，确保每条查询可回溯源数据库和操作人，同时优化置信度算法，减少误报。

技术可行：LLM转SQL已有较多开源方案，但需针对中文和复杂表结构优化；数据可得性高，企业自身数据充足，但需获得授权和数据脱敏处理；获客渠道明确，可通过信创生态和行业活动接触目标客户，但销售周期长；合规要求严格，需满足《数据安全法》和《个人信息保护法》，审计追溯功能是加分项；竞争格局：国内已有亿信华辰、思迈特等BI厂商，但缺乏主打可解释性和审计功能的产品，存在差异化空间。

窗口期：现在正好。国内数字化转型政策（如信创）和监管对数据可追溯性要求刚起步，市面上尚无成熟的可解释性数据分析产品，市场空白期明显。随着LLM应用普及，企业急于解决AI可靠性问题，早期切入可占得先机。若拖到1-2年后，大厂或现有BI厂商可能已有类似功能，窗口将关闭。

主要风险包括：SQL生成准确性不足导致用户信任度低，尤其中文复杂查询；企业数据治理基础薄弱，可能影响MVP效果；合规成本高，需要投入法务和数据安全资源；大型企业决策周期长，变现缓慢，可能影响创业团队现金流。