企业里大量业务知识并不在数据库结构里，而是在文档、经验、简称和日常沟通中。
如果 AI 只看表名和字段名，很难理解这些隐藏知识。业务语义层要做的，就是把这些分散知识变成 AI 能检索、能引用、能复用的上下文。
业务黑话是 AI 问数的常见误差来源
每个企业都有自己的业务黑话。
例如：
- •“高潜客户”可能是近 30 天访问 3 次以上但未购买的人群。
- •“沉睡用户”可能是 180 天未复购会员。
- •“有效订单”可能要排除退款、测试、内部采购和风控拦截订单。
- •“重点门店”可能来自运营手工维护的门店清单。
- •“BG1”可能是某个业务组、渠道组或品牌组。
这些词对内部人员很自然，但对 AI 并不天然可见。没有解释时，AI 只能按字面理解，或者在字段里碰运气。
字段值索引用来解决“值”的理解问题
很多时候，AI 不只是找不到字段，而是找不到字段里的具体值。
例如用户问：
- •“生意参谋渠道的转化怎么样？”
- •“罗盘里华南大区库存风险如何？”
- •“FILA 门店和始祖鸟门店本月表现差异？”
AI 需要知道“生意参谋”“罗盘”“华南大区”“FILA”“始祖鸟”这些词，分别可能对应哪些字段值、别名或映射关系。
字段值索引的价值在于，把重要文本字段里的业务值建立可检索索引，让 AI 能用自然语言找到对应记录，而不是要求用户准确输入数据库里的标准编码。
业务文档补充数据库外的知识
很多分析规则并不适合放进字段备注。
例如：
- •经营日报模板。
- •广告复盘方法。
- •库存风险判断规则。
- •会员分层定义。
- •活动复盘口径。
- •行业平台字段解释。
- •内部分析 SOP。
这些内容更适合以业务文档形式沉淀。AI 在回答问题时，可以先召回相关文档，再结合表字段和指标口径完成分析。
分析偏好决定 AI 如何表达答案
同一个数据问题，不同团队希望看到的答案形式可能不同。
有的管理者希望先看结论，再看数据；有的运营希望先看异常，再看原因；有的销售团队希望按门店排行；有的供应链团队希望按风险等级分组。
分析偏好可以沉淀为：
- •回答结构：先结论、再原因、最后建议。
- •排序习惯：优先看下降最多、风险最高、贡献最大。
- •对比方式：同比、环比、目标达成率、预算消耗率。
- •图表偏好：趋势图、排行表、结构占比、漏斗图。
- •追问路径：先看整体，再按区域、商品、渠道下钻。
这些偏好让 AI 更像企业自己的分析助手，而不是每次都给出通用答案。
AskTable 如何承接
AskTable 的业务文档、字段值索引、语义检索和分析偏好，可以把数据库之外的知识纳入 AI 问数流程。
当用户用内部黑话提问时，AI 可以先通过语义检索找到相关字段、字段值和业务文档，再结合权限边界生成回答。这样，企业不需要把所有业务知识硬编码进 SQL，也不需要每个员工都学会数据库字段名。