AI 问数要准，为什么必须先建设业务语义层？

AI 问数最常见的问题，是用户觉得“它听懂了”，但实际“它算错了”。

原因往往不是模型不会说话，而是模型不理解企业业务语义。

它不知道哪个表是主表。

不知道哪个字段代表有效订单。

不知道“销售额”和“收入”在公司内部是不是同一个口径。

不知道“华东区”对应哪些城市和门店。

这就是业务语义层的价值。

业务语义层解决什么问题

业务语义层不是简单的数据字典。

它要把技术数据结构翻译成业务可理解、AI 可使用的上下文。

它至少包括：

• •业务对象：客户、订单、商品、门店、渠道、合同；
• •表字段含义：字段是什么，是否可用于分析；
• •指标口径：指标怎么计算，适用哪些场景；
• •关系路径：哪些表可以关联，关联键是什么；
• •同义词：销售额、GMV、收入、流水之间如何区分；
• •分析偏好：业务通常先按哪些维度拆解。

没有这些信息，AI 问数只能根据字段名和样本数据猜测。

为什么语义层比提示词更重要

提示词可以告诉模型“请认真回答”。

但提示词不能替代企业的业务定义。

如果数据库里有三个销售额字段，模型需要知道应该用哪一个。

如果订单表里有多个状态，模型需要知道哪些状态计入有效订单。

如果渠道有历史改名，模型需要知道旧值和新值如何映射。

这些都应该沉淀为语义层，而不是每次靠用户在问题里补充。

Snowflake Semantic Views 将逻辑表、关系、事实、维度和指标定义在语义视图中。Databricks Genie Agent 也要求数据团队配置可信数据、指标和业务规则。这些设计都说明，企业 AI 问数需要一个明确的业务语义基础。

AskTable 如何使用业务语义层

BuildTable 负责把分散数据整理成 AI 友好的数据基础。

AskTable 在此基础上使用业务语义层，让 AI 知道哪些表能回答哪些问题，哪些指标应该如何计算，哪些字段需要权限控制。

当业务人员问“本月会员复购为什么下降”，系统不应该只搜索字段名。

它应该知道复购率的口径、会员表与订单表的关系、时间范围的默认规则，以及常见拆解维度。

结论

AI 问数的准确性，不是只靠更大的模型获得的。

它来自模型能力、数据基础和业务语义的结合。

企业要让 AI 问数从演示走向生产，就必须把业务语义层作为基础设施来建设。

参考来源

• •Snowflake：Overview of Semantic Views
• •Databricks：Genie