📰 从模型能力到业务可用：小米零售 AI 问数实践
小米中国区零售团队将 Text-to-SQL 转向 Text-to-Metrics，并以指标治理、语义路由、查询执行和评测体系为核心进行工程化建设，目标是让 AI 的回答更符合业务口径、数据权限和规则约束。初期仅凭大模型理解数据库 schema 生成 SQL，常见问题包括字段歧义、状态过滤缺失和跨表关联逻辑不清晰，导致销售额等口径与业务口径不一致。为此引入 RAG 提供业务上下文，但面临碎片化上下文、缺失业务约定和缺少确定性选择机制等挑战，最终转向 Text-to-Metrics。核心在于：先统一指标边界并建立决策表，确保数据过滤与口径一致；通过按领域的语义路由缩小候选指标范围，并设置白名单、权限预检和零结果保护等安全机制；用场景模板将自然语言映射到查询参数，提升查询稳定性。上线前后通过双闭环评测与离线真值评测持续优化，解决时间口径等根因，提升 DSL 准确率与最终答案正确率。该系统现已服务超1000名店长，渗透率高、用户满意度良好，未来将实现主动分析与异常提示，扩大场景应用并提供免费 POC。
🏷️ #文本到指标 #指标治理 #路由 #查询安全 #场景编排
🔗 原文链接
📰 从模型能力到业务可用：小米零售 AI 问数实践
小米中国区零售团队将 Text-to-SQL 转向 Text-to-Metrics，并以指标治理、语义路由、查询执行和评测体系为核心进行工程化建设，目标是让 AI 的回答更符合业务口径、数据权限和规则约束。初期仅凭大模型理解数据库 schema 生成 SQL，常见问题包括字段歧义、状态过滤缺失和跨表关联逻辑不清晰，导致销售额等口径与业务口径不一致。为此引入 RAG 提供业务上下文，但面临碎片化上下文、缺失业务约定和缺少确定性选择机制等挑战，最终转向 Text-to-Metrics。核心在于：先统一指标边界并建立决策表，确保数据过滤与口径一致；通过按领域的语义路由缩小候选指标范围，并设置白名单、权限预检和零结果保护等安全机制；用场景模板将自然语言映射到查询参数，提升查询稳定性。上线前后通过双闭环评测与离线真值评测持续优化，解决时间口径等根因，提升 DSL 准确率与最终答案正确率。该系统现已服务超1000名店长，渗透率高、用户满意度良好，未来将实现主动分析与异常提示，扩大场景应用并提供免费 POC。
🏷️ #文本到指标 #指标治理 #路由 #查询安全 #场景编排
🔗 原文链接
