响应结构

理解响应

自动应答提供由自然语言文本组成的答复，并且，如果有价值的话，还会附带可视化效果。聊天机器人支持一系列可视化类型，包括网格、垂直、水平和聚类条形图、饼图、折线图、KPI、热图、Mapbox、气泡图、关键驱动因素分析和洞察折线图，用于趋势和预测分析。自动应答会根据请求的分析和答案中的行数智能地选择适当的可视化类型，从而增强见解的可消耗性和可读性。例如，排名分析使用水平条形图，趋势分析使用折线图、组合图或面积图，异常/相关性使用气泡图，基于位置的分析使用 Mapbox，分布分析使用饼图或热图，描述性统计默认使用条形图。用户还可以明确说明他们想要的可视化类型，只要输入参数满足该可视化所需的条件，自动答案就会生成该类型。有关 Auto 如何选择可视化类型的详细信息，请参阅问题构建最佳实践。

响应还附带一个导航面板。将鼠标悬停在响应上，然后选择左下角的图标以执行以下操作之一：

请求解释
继续询问与初始答案相关的更多问题，以便你更深入地了解数据
将响应复制为图像
最大化可视化效果以全屏查看

回答后续问题

从 MicroStrategy ONE（2024 年 9 月）开始，业务用户可以跟进任何先前的答案，并自动保留原始答案的上下文，以有效解决后续问题。

点击跟进在答案的导航面板中输入您的问题。如果您想了解 Auto 如何解释和回答您的后续问题，请点击解释。

业务用户还可以直接提出后续问题，而无需单击后续图标。在这种情况下，Auto 会自动考虑多个最近的问题和答案，为新查询提供上下文。

当答案包含许多数据点时，聊天机器人的可视化会显示一个包含有限数据的浓缩版本，注重清晰度和可读性。这尤其适用于条形图、关键驱动因素和时间序列可视化。用户可以通过最大化可视化来查看完整的数据点集。

在自动答案中提问时，您可能会注意到同一查询的叙述或可视化类型会有所不同，但数字数据仍然准确。例如，查询“哪些商店的收入持续改善？”每次可能会产生略有不同的摘要，但商店列表是一致的。这种变化源于大型语言模型 (LLM) 的非确定性，其目的是在每次提出问题时提供最相关和最准确的答案，即使这意味着稍微改变方法。

了解问题限制

您每次可以提出最多 1000 个字符的问题。

自动答案可以使用当前选定的面板和数据集中的所有可用属性来回答有关当前页面上的指标的问题。

但由于数据的大小或数据集的复杂性（例如数据集的数量、属性和指标的数量以及对象名称的长度），AI服务可能会达到计算极限，而无法增加。在这种情况下，对于每个后续问题，自动答案将按优先顺序提出以下建议：
- 自动应答建议放置在当前页面和选定面板中的指标以及放置在仪表板中使用的可视化中的属性。
- 自动应答会使用当前选定的面板建议放置在当前页面上的指标和属性。
通过这种逻辑，虽然有限制，但您可以最大限度地减少由于计算限制而导致的响应错误并最大限度地提高您的体验。
如果清除聊天记录，逻辑序列将重置为其默认大小。