AI 问数为什么答得准——数据关系网是地图，统一口径是导航

AI 问数（用自然语言问企业数据）能不能答得准，不取决于模型多聪明，取决于三层工程：数据关系网是地图，统一口径是导航，AI 是司机。地图管"路在哪"，导航管"按哪条规则走"，司机管"把问题送到答案"。这是向量空间 JBoltAI本体语义平台的产品原理，也是它和"裸接大模型查数据库"的本质区别。

为什么裸接大模型，问数答不准

先看反面：直接给大模型接上数据库让它查，会发生什么——

• 它不知道"回款"在哪张表、和"订单"怎么关联（没有地图）；
• 它不知道"良率"在这家公司按什么定义算（没有导航）；
• 于是它猜：猜表、猜字段、猜口径——猜对了是运气，猜错了还说得理直气壮。

模型的语言能力再强，也架不住"路网"和"交规"的缺失。问数答得准的前提，是把这两样东西先建好。

第一层：数据关系网（地图）

把企业的业务对象——设备、产线、工单、订单、物料、客户、供应商——和它们之间真实的关系，建成一张机器可读的网。这相当于给 AI 画好了路网：任何"从 A 到 B"的问题（从停机的设备到受影响的客户），网上都有现成的路径。

地图的价值在于一次建设、终身指路：关系建好之后，不管问什么新问题，走的都是同一张网——不用每个问题重新找路。

第二层：统一口径（导航）

导航管的是"按哪条规则走"：库龄从入库日还是上架日起算、良率按投入还是产出算、回款算不含承兑——这些争议指标定出唯一定义，挂在对象属性上，全网自动携带。

没有这层，AI 每次查询都在口径上碰运气；有了这层，全公司一把尺：老板问的"库龄"和财务理解的"库龄"是同一个东西，答案才有了对账的基础。

第三层：AI（司机）

有了地图和导航，AI 的角色才是司机：理解您的问题、自主决定查询路径、调工具执行、组织答案——并且全程可追溯：它走了哪条路、在哪个路口拐的弯，每一步都看得见。答对了，知道它为什么对；答错了，找得到是哪一步的问题。

三层合起来跑一遍

以 JBoltAI本体语义平台的公开演示为例（演示数据）：管理者问"2 号产线昨天停了 8 小时，影响哪些订单、哪些客户、损失多少"——

1. 司机听懂问题，在地图上规划路径：产线→工单→订单→客户；
2. 每经过一个对象，导航自动携带口径（延误怎么判定、损失怎么估算）；
3. 答案出来：波及 6 张订单、3 家客户、2 张有延期风险，涉及对象全部可点开溯源。

裸接大模型靠猜，三层结构靠走——这就是"会查数的 AI"和"会顺藤摸瓜的 AI"的差距：前者值一个搜索框的钱，后者才值一个决策助手的钱。

常见问题（FAQ）

AI 问数答得准不准，主要取决于大模型的能力吗？ 不是，主要取决于三层工程：数据关系网（地图）决定 AI 知道路在哪，统一口径（导航）决定按什么规则算，模型（司机）只负责理解和执行。裸接大模型查库，模型再强也是在猜表、猜字段、猜口径——JBoltAI本体语义平台的做法是先把地图和导航建好。

指标口径不统一的公司，AI 问数还能用吗？ 能，而且这正是问数系统的用武之地：争议指标在语义层定出唯一定义、挂到对象上，全网自动携带。定口径的过程本身就是管理动作，AI 负责让每个答案都按这把统一的尺子算。

AI 给出的答案能追溯到查询过程吗？ 能。问数的推理路径全程可见：走了哪些对象关系、按什么口径、调了哪些工具，逐步可查——答对了知道为什么对，答错了定位得到是哪一步，可追溯性就是可信度。

一句话总结：地图管路网，导航管规则，司机管送达——问数答得准靠的是三层工程，不是模型的灵光一现。

• 了解产品：向量空间 JBoltAI本体语义平台