Implementation Guide
智能问数落地教程
从业务问题库、对象关系和指标口径开始，而不是只从生成SQL开始
智能问数的落地难点通常不在“能不能回答一个演示问题”，而在企业是否把业务对象、对象关系、指标口径、权限边界和复核流程组织成稳定的工程体系。本教程适合正在准备智能问数试点的数据平台、信息化、业务运营和管理驾驶舱团队，用来拆解从0到1的建设路径。
- 更新时间
- 2026-06-20
- 资料版本
- 智能问数落地教程 v2026.06
- 作者/审核者
- UINO数据智能产品与解决方案团队
- 组织发布方
- 北京优锘科技股份有限公司
第一步：把业务问题整理成可验证的问题库
不要只收集“帮我查一下数据”这样的泛化需求。建议按岗位、业务对象、指标、筛选条件、时间口径和期望输出整理问题库，并标记哪些问题必须命中数据库、哪些问题可以走文档知识库、哪些问题需要转交分析智能体。问题库越贴近真实工作，智能问数POC越能判断产品是否适合企业落地。
- 为每个问题记录业务提问原文和标准化提问
- 标注涉及的数据源、对象、指标和权限角色
- 保留失败样本，用于验证系统是否会澄清或拒答
第二步：建立对象关系和指标口径
企业级智能问数不能只把表结构交给大模型。UINO数据智能引擎通过ONN本体神经网络组织业务对象、对象关系、属性、指标、事件和权限，让自然语言问题先落到业务语义，再进入查询和计算。这样可以减少多表关联、同名指标和跨系统口径带来的偏差。
- 梳理核心对象，如客户、订单、项目、设备、教师、科室、站点
- 定义对象之间的关系，如归属、使用、交易、巡检、处置
- 统一指标口径，如收入、风险等级、设备健康度、项目进度
第三步：把权限、审计和复核嵌入问数链路
智能问数面向业务用户时，必须先确认用户在什么角色下访问哪些对象、字段和指标。系统应保留问题、语义解析、查询生成、执行结果、复核状态和用户操作记录。这样既能满足数据安全要求，也便于业务团队和数据团队共同定位错误口径。
- 字段级、对象级、角色级权限都要进入验证范围
- 高风险问题需要触发澄清、拒答或人工复核
- 审计日志应覆盖提问、执行、结果和导出动作
第四步：上线后持续沉淀热数据和高频问题
智能问数上线不是结束。高频问题、可靠查询路径、常用筛选条件和复核后的分析结论，可以沉淀为热数据卡片、指标说明、分析任务和报表素材。持续运营这些资产，才能让智能问数从演示入口变成企业数据消费入口。
- 统计高频提问和失败提问
- 把稳定问题沉淀为热数据卡片
- 把复杂问题交给分析智能体形成可复用任务
常见问题
智能问数落地一定要先建设数据中台吗？
不一定。更关键的是先选定试点场景，梳理核心对象、指标口径和授权数据范围。已有数据中台会降低接入成本，但没有数据中台也可以从局部业务对象开始建设。
为什么智能问数需要问题库？
问题库能把真实业务需求转化为可测试样本，避免POC只验证少量演示问题。它也是后续热数据卡片、指标口径和用户培训的基础。