一分钟内从提示词生成仪表板，成本降低 5 倍：Kibana 中的 AI 仪表板和自定义 Vega-Lite 图表

2026/8/5 15:57:31

作者：来自 Elastic Marta Bondyra 及 Teresa Alvarez Soler

用自然语言描述你的指标，Kibana 的 AI 聊天会生成由 ES|QL 支持的仪表板和 Vega-Lite 图表，从散点图到条件格式和自定义工具提示。

Kibana 的 AI 聊天现在可以根据自然语言提示，在不到一分钟内构建完整的 Elasticsearch Query Language（ ES|QL ）支持的仪表板。在 Elastic 9.5 中，该功能正式发布（ GA ）（在 9.4 中为技术预览版），新增了错误恢复能力，可自动重试失败的查询；通过分层模型路由将 ES|QL 生成成本降低 5 倍；并支持交互式过滤控件。

此次发布还新增了通过自然语言创建 Vega-Lite 图表的能力，包括散点图、箱线图、条件格式以及自定义工具提示，而这些功能通常需要手动编写 JSON 才能实现。

Kibana AI 仪表板创建功能有哪些新内容？

能力	技术预览版（9.4）	正式发布（9.5）
错误处理	ES	QL 查询失败后不会重试
ES	QL 生成成本	所有查询均通过主模型路由
时间范围	固定默认窗口	根据数据时间分布自动选择
过滤控件	不支持	会自动为最相关字段添加
Vega-Lite 图表	不支持	支持通过自然语言创建，包括散点图、箱线图、条件格式和自定义工具提示
图表编辑	不支持	支持通过自然语言编辑现有 Vega-Lite 面板

AI 仪表板生成的自动错误恢复

在技术预览版中， agent 不会重试失败的 ES|QL 查询。在 9.5 中，它能够检测查询错误，并最多重试三次，在放弃之前检查每次错误并调整查询。实际使用中，这消除了大部分空面板问题，并能够首次尝试就生成正确渲染的仪表板。

为什么 Elastic 9.5 中 AI 仪表板创建成本更低？

仪表板生成过程中的每个步骤并不都需要相同级别的推理能力。在 9.5 中， ES|QL 生成默认通过更轻量级的模型进行路由，仅在需要时才回退到主模型。如果你的连接器使用 Anthropic 的 Claude Opus 4.8，那么所有面板的 ES|QL 生成成本都会降低 5 倍。

基于数据自动选择时间范围

只有展示正确时间窗口的数据，仪表板才真正有价值。现在， agent 会应用改进后的逻辑，根据正在查询的数据选择合理的时间范围，除非用户指定了特定时间范围。

它会考虑数据的时间分布并进行相应调整，例如实时事件可能选择最近一小时，而趋势分析可能选择最近 90 天，而不是固定使用默认时间窗口。

AI 生成仪表板中的自动过滤控件

仪表板创建现在支持控件（ controls ），也就是交互式过滤器，允许查看者根据字段值缩小仪表板范围，而无需编辑底层查询。

在生成仪表板时， agent 会自动在顶部添加控件，用于过滤最相关的字段。

通过自然语言创建 Vega-Lite 图表：超越默认设置的图表类型和格式

Vega 和 Vega-Lite 在 Kibana 中支持广泛的图表类型和自定义功能。在 9.5 中，你可以通过自然语言创建这些图表，而无需自己编写代码。

散点图、箱线图以及更多 Vega-Lite 图表类型

Vega-Lite 支持多种图表类型，包括散点图、箱线图、分面小倍图（ faceted small multiples ）、气泡图以及组合图表（例如将直方图与热力图结合）等。

例如，输入类似“显示响应时间与请求大小之间关系的散点图，并根据服务名称着色”的提示词，会生成一个具有正确数据映射的 Vega-Lite 面板。

这些图表会使用 Kibana 的默认调色板，与仪表板中的其他内容保持一致。

展示四种不同 Vega-Lite 图表的仪表板：箱线图、散点图、小倍图以及带边缘直方图的热力图。

标准图表中的条件格式、自定义工具提示和标签

即使对于仪表板中已经原生支持的图表类型，例如柱状图、折线图或面积图，有时你仍然需要比默认功能更多的控制能力。通过聊天使用 Vega-Lite 可以填补这一空白。一些示例包括：

条件颜色格式：根据阈值以不同颜色显示数据点；例如，当某个指标超过你的服务级别目标（ SLO ）时，将折线图中的数据点或柱状图中的柱子显示为红色。你可以向 agent 提出类似这样的请求：“将我的折线图中所有超过 500ms 的点标记为红色。”

自定义标记和标签：为数据点添加 emoji、符号或内嵌文本标签，以便快速查看状态指示信息。

自定义工具提示：通过额外的指标、上下文信息或计算值丰富悬停状态，这些信息不属于图表坐标轴的一部分。你可以提出类似这样的请求：“添加一个工具提示，显示总记录数量以及每个柱状图所占的百分比。”

这同样适用于编辑现有的 Vega 图表。如果你有一个需要调整的 Vega-Lite 面板，例如修改颜色比例、调整坐标轴或切换标记类型，可以直接在聊天中描述修改内容，而无需深入修改 JSON 代码。

我们如何在 Kibana 中构建自然语言 Vega-Lite 生成能力

根据一句话生成 Vega-Lite 图表，并不是简单地向模型发送一个“生成 JSON”的提示词请求。我们构建了一个小型 agent 流程，将自然语言意图转换为经过验证、基于真实数据的图表。

当收到请求时， agent 首先判断 Vega-Lite 是否适合该场景。对于 Vega-Lite 请求，它会基于 Elasticsearch 中真实的 ES|QL 查询为可视化提供数据依据，然后使用模型生成 Vega-Lite 代码。在渲染之前，结果会经过一个标准化层，用于修正 schema 并绑定规范化查询。同时，它还会应用渲染安全转换。

一些设计选择使该工作流更加可靠：