业务侧的取数需求，往往卡在两个字：口径。同一个「活跃设备数」，产线、售后、财务各有一版定义，模型 SQL 写得再对，答出来也未必是提问人要的那个数。
本期实验把重心从「生成 SQL」挪到「守住口径」：先把指标定义、统计粒度、去重规则与上下游血缘整理成结构化语义层；用户用自然语言提问后，模型生成候选 SQL，再由校验器比对命中的指标口径、时间窗口与过滤条件。命中歧义时不直接给数，而是以追问方式澄清。
要点：
· 进展：在 200 条内部历史取数问题上回放，直接输出 SQL 的一次可执行率为 78%；加入口径校验后，口径类错误占比由 21% 降至 6%，其中约四成问题转为追问确认而非直接报错。
· 下一步：把人工澄清的选择沉淀为口径冲突库，反向提示数据建模侧的命名与定义收敛，并评估对长尾指标的覆盖情况。
实验仍处早期，暂不承诺通用性；当前更看重的是答错时能否说清错在哪一步。
评论