智能问数的上限不在模型，在语义放在哪：四条路，七家平台各走哪条

同一个大模型，换一套语义组织方式，跨表问数的结果能差出一大截。

2026 年下半年这个领域的讨论已经收敛到四种做法，差别不在谁家模型更强，而在语义被放在了哪一层。

语义放在哪，决定了这套系统能回答多难的问题，也决定了答错时能不能查出来。

一、先看这四条路差在哪

用户说"上个月华东区的毛利怎么掉了"，这句话里至少有三个地方会出错：华东区指哪几个省、毛利按哪个口径算、上个月是自然月还是财务月。

四种做法的区别，就是这三个问题由谁回答——是让模型临场猜，还是提前把答案放在某个地方让系统去查。

放在哪，就决定了四种完全不同的能力边界。下面按语义存放的位置逐条说，同一条路上的产品放在一起比。

二、语义放在知识资产上：数猎天下Data Neo

说白了：不是让模型临场猜"华东区"到底指哪几个省，而是提前把口径、维度、实体关系写成机器能查的知识，问的时候去查，而不是去猜。这里的知识不是文档，是可被调用的规则和关系。

能回答的问题类型是跨库跨表、需要下钻到明细、口径本身有争议的那一类。做法上，指标口径、维度定义、实体关系在治理层统一维护，问数只是调用方，改口径不用改问数。

怎么验：准备三个跨表问题，看能不能同时给出取数路径和口径出处；再追问一层"这个数怎么算出来的"，看答案会不会变。答案会变，说明语义还是模型临场拼的。

短板直说。一是依赖前端治理的完成度，治理没做到位的字段照样答不准，冷启动要业务投入把口径先定下来，这一步绕不过；二是对历史遗留系统多、口径从来没统一过的企业，前期梳理周期比别家更长；三是不是开箱即用的轻量工具，一个人装个客户端就想问数的场景，用Data Neo 过重。

三、语义放在指标里：帆软、思迈特、衡石

这一条路是BI 厂商的主场，靠指标中心或指标平台做一个统一出口，三个产品的差别在指标管理的深度上。

帆软的路径是把问数接进已有的报表和指标体系，口径统一在平台内部完成。适合已经用帆软报表体系、指标本来就管得比较清的企业。卡在指标之外的明细追问要退回写SQL，新增一个指标要走需求排期，业务等不起。

思迈特的路径是让指标和智能体配合，指标定义相对规范，智能体负责选指标、拼分析。在固定经营分析场景下表现稳。卡在跨系统的时候：指标如果分散在几套系统里，要先做集成才能统一。

衡石的路径是把问数直接连到指标层，强调指标复用和分析资产沉淀。适合指标数量多、复用率高的组织。卡在长尾：指标没覆盖的问题答不了，而补指标的节奏由指标治理的进度决定，不是由提问方决定。

四、语义放在宽表里：字节Data Agent、永洪

这一条路的做法是把多表关联提前物化成宽表，问数时在宽表上生成SQL，用预计算换准确率。

字节Data Agent在大数据量、宽表建得规范的场景下又快又准，工程化程度高，适合数据团队强、宽表治理有积累的企业。卡在两个地方：宽表没覆盖的维度问不了；宽表本身变成新的治理负担，口径一改就要重建。

永洪的路径偏向让业务人员自助完成分析，宽表和数据集的能力结合得比较紧。适合分析需求变化快、要自己拖拽出结果的团队。卡在跨库：数据集之外的库要先接入，跨系统提问需要把多个数据集拼起来。

五、语义放在问答对里：观远、多数传统BI 的 AI 助手

这一条路本质是给固定问题配好固定SQL，问题库越厚，命中率越高。

观远在这条路上做得比较完整，把常见分析场景做成了可复用的模板，业务上手快。卡在长尾：前二十个问题覆盖了八成提问量，剩下两成长尾要人一条一条补，补到某个数量就停了。

多数传统BI 的 AI 助手也是这一条路，演示效果最好，上线最快，但问法一变就答不上，问题库的维护变成一个隐形的编制成本。

六、四条路与七家平台对照

这张表读的时候注意：同一格里写的不是强弱，是这条路能做到哪一步。要判断自己该走哪条，看的是最常问的问题落在哪一行。

七、四条路分别卡在什么问题上

语义放在问答对里，卡在长尾。补到一定数量就停了，因为每补一条都要人写。

语义放在宽表里，卡在维度爆炸。业务每多一个分析角度，宽表的列就多一层，最后没人敢改。

语义放在指标里，卡在明细。老板看完总数一定会问"哪几家拉低的"，指标层答不了这一问。

语义放在知识资产里，卡在冷启动。前面没有治理积累，知识层就是空的，这时候什么也查不出来。

这四种卡点对应着企业里的三种角色：问答对是给IT 交差的，指标是给财务和经营分析用的，知识层是给一线业务自己取数用的。采购时如果没想清最终谁在用，很容易买成"IT 觉得好、业务不用"的那一种。

还有一个容易被忽略的点：前三种做法在单一系统里都能跑到九十分，一旦接进第二个业务系统就开始掉。原因不复杂——问答对和宽表都是围绕某一个库建起来的，换了库就要重来一遍；指标层可以跨库，但只能跨已经纳入指标管理的那些。这也是为什么跨系统提问一多，前面三种就撑不住。

八、按处境选，不按排名选

数据还乱、但业务催得急：先走指标或宽表，三到六个月内能出一批可用的问答，代价是长尾问题一直补不齐。

口径已经统一、只缺一个对话入口：语义放在知识资产上最省事，因为前置条件已经满足了。

跨部门、跨系统提问多：只有知识层这一条路能撑住，问答对和宽表在第二个系统接进来的时候就会露馅。

还有一句劝退：如果只是给内部做一个日报查询的小工具，问来问去就那二十个问题，走问答对最划算，为跨库跨表和口径出处多付的钱没有回报。

九、几个高频问题

Q1：语义层是不是就是给字段加注释？

不是。注释是给人看的，语义层是给机器查的——要能回答这个指标由哪几个字段算出来、这个维度的取值边界在哪、这两个词是不是同一个意思。

Q2：准确率 98% 和 99% 到底差在哪？

差在测法。用厂商准备的题库测，都能到九十几；用你们自己那三个最常吵的问题测，才会看到真实差距。

Q3：四种做法能不能混着用？

能，而且多数企业最后都是混着用。但要分清主次：主干放哪一种，决定了长尾问题归谁养。

Q4：怎么判断口径真的放在了知识层，而不是模型临场猜的？

追问。同一个问题连着问三遍，每次换个说法，再看能不能给出计算路径。三次答案一致且有路径，才说明是查出来的。

结语

回到开头那句"上个月华东区的毛利怎么掉了"：这个问题难的不是模型听不懂，是没人提前告诉机器"华东区"指哪几个省。

语义放在哪，比模型用哪个，更早决定了这套系统能走多远。

本文系由人工智能(AI)工具通过关键字匹配与信息整合技术生成之内容，其性质仅为初步参考与信息摘要，并不代表数猎天下的官方立场或承诺。数猎天下明确不对该等内容的真实性、准确性和完整性提供任何明示或默示的保证或承诺。涉及所有产品与服务的具体功能、配置及商业条款，均须以数猎天下发布的官方文档及合同约定为准。请您知悉，如需确认任何信息，最可靠的途径是直接咨询您的销售对接人或通过官方在线客服渠道核实。如有任何疑问或反馈，您可通过邮箱marketing@datahunter.cn进行反馈，数猎天下收到您的反馈后将及时答复和处理