智能问数落地前，先把指标字典写对

自然语言取数（智能问数）是过去一年企业数据项目里最受欢迎的功能，也是最容易翻车的功能。原因很简单：它把“口径问题”从数据团队的内部争议，变成了每个人都能直接看到的输出。

在传统 BI 里，一个指标算错了，通常要等到月度经营会才被发现，而且往往被归因为“报表做错了”。在智能问数里，任何一个人随口一问就能得到一个自信的错误答案，并且会截图发到工作群。错误的传播速度提升了十倍。

所以正确的顺序是：先建指标字典，再上问数。字典里每个指标必须有四样东西——定义、计算公式、责任系统、刷新频率，以及一个责任人签字。我们通常用 4 到 6 周完成核心指标层，再接入自然语言层。

有人会问，能不能让模型自己去理解口径？技术上可以做，但风险不可接受。模型的“理解”是概率性的，而财务口径需要确定性。我们选择让模型做意图识别与查询生成，口径本身来自字典的硬约束。

还有一个容易被忽略的点：保留 SQL 溯源。每次回答都要能展开看到实际执行的查询与取数范围。这不只是审计需要，也是让业务方逐步建立信任的过程——他们第一次能自己验证系统是不是算对了。

智能问数真正的价值，不是让业务人员少点几次鼠标，而是让“数据口径”这件事第一次成为全公司的公共知识，而不是数据团队的私有技艺。