表备注、字段备注、指标口径：企业要把哪些知识告诉 AI？

AI 问数要准确，不能只依赖模型自己猜。企业需要主动把关键业务知识告诉 AI。

这些知识不一定都很复杂，但必须足够明确、可复用、可治理。否则 AI 每次回答都像临时理解一次业务，很难稳定。

第一类：表和字段的业务含义

最基础的是表备注和字段备注。

AI 需要知道：

• 这张表记录什么业务过程？
• 一行数据代表一个订单、一个客户、一次访问，还是一个库存快照？
• 字段在业务上表示什么？
• 字段单位是什么？
• 字段能否为空，空值通常代表什么？
• 字段是否可用于分析，还是只是系统内部标识？

例如库存表最关键的不是“有库存数量字段”，而是这张表是实时库存、日末库存，还是月末快照。如果 AI 不知道这一点，就可能把多个日期的库存相加，得到完全错误的答案。

第二类：指标定义和计算规则

业务指标不能只靠字段名推断。

一个合格的指标口径至少要包含：

• 指标名称：例如 GMV、销售额、复购率、库存周转天数。
• 业务含义：这个指标用来衡量什么。
• 计算公式：分子、分母、聚合方式。
• 过滤条件：是否排除退款、测试订单、异常订单。
• 时间口径：按下单时间、支付时间、发货时间还是确认收货时间。
• 统计周期：日、周、月、自然月、财务月。
• 数据来源：来自哪个系统、哪张表、哪些字段。
• 责任人：谁负责解释和维护这个口径。

这些信息越明确，AI 越不需要在每次提问时重新猜测。

第三类：维度和实体关系

很多分析问题不是只算一个总数，而是要按维度拆解。

企业需要告诉 AI：

• 哪些维度可以用于分析：时间、区域、门店、商品、渠道、客户、活动。
• 维度之间是什么关系：门店属于区域，商品属于类目，客户属于会员等级。
• 哪些指标适合按哪些维度看。
• 哪些维度需要做层级下钻。

例如“销售额下降原因”通常需要按时间、区域、商品、渠道、活动逐层拆解。如果没有维度关系，AI 只能生成单次查询，很难形成分析路径。

第四类：口径优先级和例外规则

企业内部常常存在多个系统、多个口径。语义层需要记录优先级。

例如：

• 财务收入以财务系统为准，经营销售以订单系统为准。
• 会员等级以 CRM 为准，门店归属以组织系统为准。
• 广告花费以平台账单为准，投放效果以内部归因表为准。
• 历史老门店合并到新门店时，需要按组织映射表处理。

这些规则如果不进入语义层，AI 就会在多个相似字段之间摇摆。

第五类：权限相关的业务规则

AI 使用数据时还要知道权限边界。

语义层里应当包含：

• 哪些表和字段对哪些角色可见。
• 哪些用户只能看自己组织范围。
• 哪些字段需要脱敏。
• 哪些指标只能以聚合方式展示。
• AI 数字员工自动执行任务时沿用哪个身份权限。

这类信息不是单纯安全配置，也会影响 AI 如何理解问题、选择字段和呈现答案。

AskTable 如何承接

AskTable 支持通过元数据、字段备注、字段值索引、业务文档、指标口径和权限配置，把这些知识组织成 AI 可使用的上下文。

企业不需要一次性把所有知识整理完。更现实的方式是从高频场景开始，比如经营日报、广告复盘、库存预警，先把这些场景需要的指标、字段、维度、规则和权限补齐，再逐步扩展到更多业务域。