表字段太多，AI 问数怎么选对字段？

AI 问数最常见的错误之一，是选错字段。

用户问：

“本月有效订单是多少？”

系统可能看到订单表里有 order_count、pay_order_count、valid_order_num、finished_order_num、refund_order_num 等字段。

如果字段说明不清楚，AI 很容易猜错。

字段越多，字段名越像，错误概率越高。

字段名不是业务语义

技术字段名通常服务工程系统，不服务业务人员。

例如：

• •amt 可能是金额，也可能是优惠后金额；
• •status 可能是订单状态，也可能是支付状态；
• •channel 可能是下单渠道，也可能是投放渠道；
• •user_type 可能是会员类型，也可能是客户来源。

AI 不能只看字段名就理解业务。

字段说明必须告诉它这个字段代表什么，什么时候能用，什么时候不能用。

字段值同样重要

很多字段的难点不在字段名，而在字段值。

例如订单状态里，1、2、3、4 分别代表什么。

渠道编码里，dy、tm、jd、wx 对应哪些平台。

门店类型里，直营、加盟、快闪、联营如何区分。

如果 AI 不理解字段值，查询条件就可能写错。

这也是字段值索引、枚举解释和业务字典的重要原因。

同义词能减少业务表达差异

业务人员不会总用系统字段名提问。

他说“成交额”，系统里可能叫 GMV。

他说“退款”，系统里可能叫售后单。

他说“老客”，系统里可能叫存量会员。

AI 问数需要把业务语言映射到数据语言。

同义词、业务别名和常见问法可以显著降低字段匹配错误。

指标字段不能随便用

有些字段看起来像指标，但不能直接用。

例如表里有 sales_amount，也有 net_sales_amount。

一个含退款，一个不含退款。

一个含税，一个不含税。

如果指标口径没有固定，AI 很容易把“看起来像”的字段当成正确答案。

Snowflake Semantic Views 的官方文档强调，语义视图可以定义事实、维度和指标，让应用在统一语义下使用数据。

这说明字段选择问题最终要靠语义层解决。

已验证问题可以作为回归样本

高频问题应该沉淀成标准问题。

例如：

• •本月有效订单是多少；
• •哪些门店毛利下降；
• •广告 ROI 为什么变差；
• •哪些商品库存周转异常。

每个问题都对应正确字段、正确过滤条件和正确指标口径。

Databricks Genie 的官方资料也提到 benchmarks，可用于评估 Agent 回答质量。

企业可以把这些标准问题作为回归测试，持续检查 AI 是否选对字段。

AskTable 如何减少字段选择错误

BuildTable 可以整理表字段、字段值、指标口径和业务文档。

AskTable 在问数时结合字段说明、字段值索引、同义词、指标定义和问题上下文，降低选错字段的概率。

如果字段含义不清，系统不应该假装确定，而应该提示补充语义或让数据负责人修正配置。

结论

字段太多不是小问题。

它会直接影响 AI 问数的准确性。

企业不能指望模型凭字段名猜业务。

要让 AI 选对字段，必须把字段说明、字段值、同义词、指标口径和标准问题一起纳入语义治理。

参考来源

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