业务知识库、RAG 和语义层，在 AI 问数里分别解决什么问题？

企业做 AI 问数时，经常会同时听到三个词：

业务知识库。

RAG。

语义层。

它们都和“让 AI 更懂业务”有关，但不是一回事。

如果混在一起，企业很容易以为只要上传一些文档，就能解决所有问数准确性问题。

业务知识库解决业务背景

业务知识库保存的是企业内部业务经验。

例如：

• •活动规则；
• •会员分层规则；
• •门店运营制度；
• •广告投放方法；
• •财务核算说明；
• •历史复盘报告；
• •产品和渠道说明。

这些内容可以帮助 AI 理解为什么某些问题重要，应该如何解释结果。

但业务知识库通常不是结构化数据本身。

它不能直接替代指标口径和表字段定义。

RAG 解决知识检索

RAG 的核心是从文档、知识库或其他文本资料中检索相关内容，再交给模型生成答案。

在 AI 问数里，RAG 适合回答：

• •这个活动规则是什么；
• •某个渠道政策如何解释；
• •这个指标在业务文档里怎么描述；
• •历史复盘里提到过哪些原因。

RAG 可以提升上下文理解，但它不负责真正计算销售额、毛利、库存或复购率。

结构化数据计算仍然需要查询引擎和指标口径。

语义层解决结构化数据口径

语义层面对的是表、字段、实体、关系和指标。

它回答的是：

• •哪张表代表订单；
• •哪个字段代表支付金额；
• •有效订单如何过滤；
• •毛利率怎么算；
• •门店和区域如何关联；
• •哪些字段是敏感字段。

Snowflake Semantic Views 的官方文档强调，语义视图用于定义表、维度、事实和指标之间的语义关系。

这类能力是 AI 问数准确计算的基础。

三者要配合，而不是互相替代

用户问：“为什么上周华东区销售下降？”

这个问题需要三类能力一起工作。

语义层负责找到正确的销售、门店、商品、渠道、库存和会员数据。

查询引擎负责计算变化和拆解维度。

业务知识库和 RAG 负责补充活动规则、渠道政策、历史异常和经营背景。

最后 AI 把结构化查询结果和业务上下文结合起来，形成解释。

AskTable 的组合方式

BuildTable 负责把结构化数据整理成 AI 可用的数据模型。

这包括表字段、指标口径、字段值和实体关系。

AskTable 结合业务文档、偏好设置和语义层，让 AI 既能查数，也能解释业务背景。

如果只有 RAG，没有语义层，AI 可能会讲得像，但算不准。

如果只有语义层，没有业务知识，AI 可能能查数，但解释不够贴近业务。

结论

业务知识库、RAG 和语义层都重要，但分工不同。

业务知识库提供背景。

RAG 帮助检索相关知识。

语义层保证结构化数据计算口径。

企业 AI 问数要可信，不能只做文档问答，也不能只做 SQL 生成，而要把这三类能力组合起来。

参考来源

• •Snowflake：Overview of semantic views
• •Microsoft Fabric：Fabric data agent concepts
• •Databricks：Genie Agents concepts