BatchDAG：LLM规划执行图支撑企业数据的规模化即席分析

大语言模型（LLM）擅长分析单个文档，但在企业规模数据集上穷尽式、跨实体的分析问题上失灵：上下文溢出、逐实体归因丢失与顺序工具调用的线性延迟。我们提出BatchDAG：LLM生成一个类型化的操作有向无环图（DAG）——SQL查询、语义搜索、内存变换、并行扇出与单发分析——由确定性引擎以拓扑波并行与结构化JSON数据流求值。关键优化是实体感知批处理：扇出前按逻辑实体分组行，把LLM调用最多减少47倍。BatchDAG主要不是对手工优化管线的准确率改进，而是一个通用编排层：用单一系统取代多条手工工程工作流，从自然语言生成适当的执行策略。在12个重转写查询的受控实验中，BatchDAG（3.74/5）质量与专家设计管线（3.25/5）相当，显著超过ReAct智能体（3.09/5，p<0.01），溯源更优（77%转写证据率对比基线46–60%）。受控消融显示结构化JSON中间表示相对散文摘要减少27%幻觉（配对t检验，p=0.107，n=12）。规划器在300次规划调用中取得98.8%的有效DAG率。在生产环境的Brevian.ai，BatchDAG在60秒内处理5万+会议的查询，实测每查询成本0.02–0.24美元（按公布的GPT-5.1定价）。