DeepSeek + Power BI，建模篇

在 2025 年开工后的第一日，BI佐罗老师从多个方面介绍了 DeepSeek + Power BI 如何带来 ABI 革命。

参考：DeepSeek + Power BI 带来个人ABI革命

未来我们会从实际使用方面为大家介绍如何使用 DeepSeek 让 Power BI 更加自动化，本文就是此系列的第一篇，如何利用 DeepSeek + Power BI 完成 AI 建模。

在传统数据分析中，构建语义模型关系如同搭建精密钟表：分析师需要手动识别表间关联（如客户ID 匹配订单记录）、设置关系方向（单向筛选或双向筛选）、处理多对多关系等。据 Gartner 统计，企业级 BI 项目中 38% 的时间消耗在模型关系调试，而 62% 的计算错误源自错误的关系配置。随着数据量指数级增长，人工建模已显现三大瓶颈：

• • 关系发现效率低下：100+表的系统中识别关键路径如同大海捞针

• • 上下文冲突频发：多日期表、角色扮演维度引发筛选混乱

• • 性能优化滞后：未经AI预测的关系配置常导致查询速度骤降

将 DeepSeek 与 Power BI 建模相结合，标志着语义建模从"手工雕刻"迈入"智能锻造"时代，最重要的是 DeepSeek 与 Power BI 这两个工具个人皆可免费使用，人人可用的 ABI 时代来临。

要实现以上所述，请确保你的 Power BI 具有 TMDL 视图。TMDL 视图允许我们使用表格模型定义语言 （TMDL） 代码编辑器，对 Power BI 中的语义模型编写脚本、修改和应用更改，从而提高开发效率，并提供对语义模型元数据的完全可见性。

TMDL 视图介绍参考：PowerBI 2501 更新，这些新功能立马用得上

将数据导入 Power BI 之后，转到 TMDL 视图页面，在数据窗格选择模型，点击语义模型，右键选择将 TMDL 脚本编写为，最后点击“脚本”选项卡。

整个语义模型的信息都会以 TMDL 脚本形式显示在 TMDL 视图中，看不懂也没关系，我们直接向 AI 传达指令即可。

复制到 DeepSeek 中（使用的是腾讯云的 DeepSeek 联网助手，官方 DeepSeek 访问量太大了），让它帮我们编写建立模型关系的 TMDL 脚本。

看看它是如何回答的。

模型中的所有关系正确，但是 TMDL 脚本是错误的，这也很正常，TMDL 视图正式发布还不到一个月。AI 最强大的特点就是持续学习，我们来纠正它的错误。

我们可以使用一个正确的关系创建语句去训练它，这里有几个关键参数需要理解，relationship 后跟的是 UUID（通用唯一识别码），然后 crossFilteringBehavior 表示交叉筛选器方向，fromColumn 和 toColumn 分别表示从XX到XX。还有一个常用参数为 isActive 表示当前关系是否为激活状态。

继续训练 DeepSeek，告诉它哪里错误以及如何是正确的。

它只返回了示例关系的 TMDL 脚本，因为它现在已经知道了正确的 TMDL 创建关系语句是什么样的，所以我重新使用完整的 TMDL 脚本让 DeepSeek 生成创建全部关系的 TMDL 脚本。

被结果完全震撼到了。

TMDL 语句和表之间的关系完全正确，复制到 Power BI 中。发现报错，这是语法错误，没有进行缩进。

正确格式如下。

点击运行之后发现报错，这是因为 toColumn 表示多对一关系一侧的列或用作表主键的列，通常具有唯一值，所以 fromColumn 后跟事实表（多端表）， toColumn 后跟维度表（一端表）。

让 DeepSeek 修改一下。

复制到 Power BI 中，运行成功，在右侧可以看到我们新建的 5 个关系。

第一次使用起来确实比较繁琐，需要不断的去纠正 DeepSeek，但是只需要一次。之后我们只需要上传 TMDL 脚本把要求告诉它就可以了，完全颠覆以往的建模手段。

使用 DeepSeek 建立关系之后，用 DeepSeek 写度量值也更加方便，这个我们下篇文章再进行讨论，大家敬请期待。

当 DeepSeek 的认知引擎与 Power BI 的可视化引擎深度耦合，我们正见证一场语义建模的范式革命：从"理解数据如何关联"到"让 AI 自主发现关联价值"。这不仅意味着效率的指数级提升，更是打开了商业智能从描述性分析向认知决策跃迁的大门。未来，每个企业都值得拥有一个自我进化的智能数据中枢——而这，正是 DeepSeek + Power BI 正在书写的答案，这也是 BI佐罗团队追求的目标。

2025，ABI 革命，人人可用。