AI自然语言查数定制：指标语义层与口径对齐

在工厂数据智能场景里，业务方最常问的不是模型精度，而是「上周二号线良率为什么掉了」。这类问题的难点往往不在 SQL 生成，而在口径不统一：MES、QMS、能耗系统各有一套良率定义，时间粒度、班次归属、停线剔除规则都不一致，模型写得再顺也会答错。

我们搭了一条最小链路做验证：先为 12 个高频指标建立语义层，把口径写成可执行定义（分子分母、过滤条件、时间对齐、班次切分），再让模型只负责「选指标 + 填参数」，不直接产出 SQL。自然语言被映射到受控指标集合，口径合法性在编译期校验，越界即拒绝并回问，而不是猜测。

要点一：在 200 条真实问句回归集上，受控链路的指标命中率由直接生成 SQL 的 61% 提升到 92%，口径错误从 23 例降到 3 例；剩余失败集中在「同比/环比」与「指定班次」的复合条件。
要点二：下一步接入数据血缘，使答案可回溯到源表与口径版本，并试点把口径变更纳入审批流，避免语义层随业务改造悄悄漂移。