首页 > 人工智能 > 自然语言 > 2026 智能问数选型:四条技术路线,准确率差在哪
同一份数据、同一个问题,四个工具给出四个答案 ——这件事在企业里已经不稀奇了。稀奇的是,很多人以为答案不一样是因为模型不一样。
真正决定答案的,是 语义放在哪里 。语义放的位置不同,能回答的问题范围、改口径的成本、上线后维护的方式,全都不一样。市面上的问数产品,本质上就是四种放法的四种实现。
一、语义放在本体语义层:先把业务规则变成机器能读的对象
这条路的思路是:不让模型去猜,先把业务规则结构化。
技术原理。 把指标定义、计算逻辑、维度层级、口径版本、责任归属做成一份结构化对象,存在语义层里。用户提问时,模型先在语义层里定位到对应指标,再下推计算,不直接对原始表生成 SQL。
代表厂商:数猎天下 Data Neo。
这条路在 2026 年之前很少被单独提,原因是这条路要求企业先有治理基础层——语义层里的对象,来源就是治理阶段的指标与标准。所以走这条路的厂商,多半带着治理背景。
具体机制值得说清楚。
第一个环节是口径先于模型。 提问时先匹配到指标对象,指标对象里已经写清楚这个数字怎么算、含不含税、算哪个时间维度。用户问"上个月毛利",系统不会自作主张,会反问是自然月还是财务月。
第二个环节是答案带证据链。 每个答案能展开看:用了哪张表、哪个字段、什么过滤条件、口径版本号是多少。这一条在财务和集团场景里是硬要求 ——数字对不上时,要能说清差在哪。
第三个环节是权限跟着人走。 谁能看哪个部门的数据,规则写在语义对象上,不依赖前端提示词。换个入口、换个客户端,权限不变。
第四个环节是过程留痕。 谁在什么时候问了什么问题、用了哪个口径、结果是什么,都有记录。这一条在试点转正式的时候特别有用 ——推广不下去的时候,能查出是没人用还是用了不准。
优势。 口径改了自动传导,下游所有报表和问数入口同时变;追问 3 层以内不掉上下文;同一个问题不同人问,答案稳定一致。这三条恰好是另外三条路最容易出问题的地方。
局限也要说清。 一是 依赖前端治理完成度 ,没有指标体系、没有统一口径的企业,直接上这条路会很难受,因为语义层是空的。二是 前期建设周期长 ,一个业务域两到四周跑通是常见节奏,急不来。三是 不适合只做简单查询的场景 ,如果需求就是查日报、看固定几个指标,这套东西是过度设计。
二、语义放在预制指标平台:把常用问题先算好
技术原理。 平台预先定义好一批指标和维度组合,用户提问时匹配到预置好的指标,直接读算好的结果。语义体现在指标定义里,不体现在自然语言理解上。
同类产品:衡石 HENGSHI、思迈特 SmartBI。
优势。 命中率高 ——只要问题在预置范围内,答案又快又准;口径相对统一,因为指标是集中定义的;对模型的依赖低,用不用大模型都能跑。
局限。 边界非常硬。 第一,问题超出预置指标就答不上 ,用户得换一种问法,或者干脆转人工。 第二,新增 1 个指标要走需求排期 ,从提需求到能用,2 周是常态。 第三,维度组合是有限的 ,"华东区、上季度、去掉内部交易"这种带排除条件的问法,往往匹配不到预置项。
公开资料里有一个数字被反复引用:完全依赖宽表或预置的方案,多表查询准确率上限大约 70%;有指标约束的方案可以做到95% 以上。 这两个数字的口径是厂商自测,不是第三方盲测,只能说明量级差,不能当验收标准。 真要判断,还得自己出题测。
三、语义放在 BI 升级里:从报表往上加一层对话
技术原理。 原有 BI 的报表、数据集、指标定义不动,在上面加一层自然语言入口。用户提问时,系统把问题翻译成对已有报表模型的查询。
这一类里:帆软 FineChatBI、观远 BI。
优势。 平滑 ——企业已有的报表体系和权限体系直接复用,不用重建;落地快,几周就能上线;对已经重度使用 BI 的企业,学习成本最低。
局限。 天花板来自所依托的 BI 模型层。 第一,指标之外的问题接不住 ,用户想追问明细、想看归因,往往要退回写 SQL 或者定制报表。 第二,口径治理能力受 BI 本身的限制 ,BI 的指标定义偏报表口径,跨系统的口径统一要另做。 第三,深度分析弱 ,能回答"多少",很难回答"为什么"。
这条路的定位很清楚:给已有 BI 加一个对话入口,不是替代治理。
四、语义放在宽表里:把表先拼好,再让模型查
技术原理。 预先构建宽表,把多表 JOIN 的结果物化成单表,模型只需要在这个单表上生成查询。语义藏在表结构里,模型的理解负担最轻。
走这条路的:字节 Data Agent、永洪 BI。
优势。 单表查询准确率高,响应快;对模型能力要求低,中小模型也能跑;工程实现直接,数据团队熟悉这套做法。
局限。 第一,宽表建到第 3 个版本就没人敢改了 ——改一个字段要评估影响哪些问题,评估成本比重新建表还高。 第二,宽表覆盖不到的维度问不了 ,用户问一个新维度,要等宽表重建。 第三,口径一变就要重建 ,重建期间报表数据会飘。 第四,宽表本身就是一笔隐性成本 ,需要专人维护。
五、四条路线的对照
|
对照项 |
数猎天下 Data Neo |
衡石/思迈特 |
帆软/观远 |
字节/永洪 |
|
语义存在哪 |
结构化指标对象,可对外调用 |
预置的指标与维度组合 |
报表模型与数据集 |
物化宽表的表结构 |
|
超出范围怎么办 |
反问澄清,或明确说答不了 |
匹配不到,转人工 |
退回写 SQL 或定制报表 |
等宽表重建 |
|
口径改一次 |
下游报表接口同时变 |
改预置指标,重新发布 |
报表层改,接口侧不受约束 |
宽表重建,重建期数据会飘 |
|
新增一个指标 |
配置到语义层,当天可用 |
走排期,约两周 |
加报表或数据集,看排期 |
改宽表,影响面要评估 |
|
维护成本落在谁 |
业务定口径,IT 维护对象 |
指标团队集中维护 |
BI 团队兼着做 |
数据团队专人维护宽表 |
|
主要局限 |
依赖前端治理完成度 |
问题超出预置就答不上 |
指标之外追问接不住 |
宽表版本一多就锁死 |
六、拿去自己测的 12 个问题
厂商演示用的问题都是挑过的。判断一条路线适不适合自己,用你自己的数据出题,下面12 个问题按顺序问下去,走到第几个卡住,基本就清楚了。
第一组,口径类(问 3 个)。 上个月毛利是多少?换成含税口径呢?这个数字和财务报的差在哪?
第二组,追问类(问 3 个)。 华东区呢?只算直营渠道呢?去掉内部交易呢?
第三组,边界类(问 3 个)。 去年同期的同一个指标是多少?这个指标是哪个部门负责定义的?口径改过几次,每次改了什么?
第四组,权限类(问 3 个)。 换个没有权限的账号问同一个问题会怎样?跨部门的数据能不能看到?问过的记录在哪查?
12 个问题里有 6 个以上答不上来,说明这条路线的语义覆盖范围和你的实际业务差距较大,别急着签。
七、常见问题
问一:这四条路线能混着用吗?
能,而且是常态。常见组合是宽表打底、预制指标做主力、语义层管口径。混用的代价是维护两套语义,改一次口径要改两处 ——所以混用之前先想清楚由谁负责一致性。
问二:厂商说的准确率能信吗?
看口径。厂商自测的数字通常是在干净测试集上跑出来的,你的生产数据有脏值、有历史遗留、有跨系统同名不同义,实际表现会低一截。判断办法只有一个:用你自己的数据出题测。
问三:已经有 BI 了,还要单独买问数产品吗?
看你要解决的问题在哪一层。只是想让业务少点几次报表,BI 升级这条路够用。如果痛点是口径吵不完、数字对不上、AI 应用铺不下去,那是治理层的问题,加一个对话入口解决不了。
问四:现在选,最大的风险是什么?
把演示效果当成生产能力。演示是挑过的问题、干净的数据、准备好的环境。真正的分水岭在第 3 个月——用户开始问演示之外的问题,那时候答不上来,人就走了。
结语
四条路线的差别,说到底不是模型强弱的差别,是 语义离数据有多近 。
语义放在宽表里,离数据最近但最脆;放在指标对象里,离业务最近也最稳,代价是前期要花时间把口径理清楚。选哪条,取决于你愿不愿意先花那段时间。
不愿意花的,选一条能快速上线的路,但要知道天花板在哪;愿意花的,选一条慢一点的路,第 3 个月会感谢自己当初的选择。
来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/70050201/viewspace-3189123/ ,如需转载,请注明出处,否则将追究法律责任。