生产日报、良率、能耗这类取数需求，工厂里大多靠人工写 SQL 或排期给 IT。我们把 Text-to-SQL 放进内部报表场景做了一轮实验：由模型把自然语言问题转成查询，跑在只读数仓上。
难点不在 SQL 语法，而在口径。同一个「良率」，品质、生产、财务可能有三套算法；「上周 A 线良率」这类问题，模型写出的语句语法正确，但取错表就会得到一个看似合理的错误数字。我们的做法是加一层语义层：把指标定义、维度取值、可用表与关联路径写成结构化约束，模型只在约束范围内做选择，不自由发挥。
进展：
- 已覆盖 42 个高频指标、6 张事实表，用 120 条真实提问评测，语义层约束下首次执行正确率从 61% 提升到 88%；剩余错误集中在时间口径（班次与自然日）和多跳表关联。
- 全部查询走只读账号并设行数上限，生成结果先返回 SQL 供确认再执行，避免误算与误操作。
下一步补班次日历与指标血缘，让模型在口径冲突时主动追问，而不是自行猜测。
评论