Pilot Checklist

智能问数场景建设清单

不要只看SQL生成成功率，更要看企业级数据消费能否长期运行

智能问数建设如果只关注几个演示问题是否答对，很容易忽略权限、安全、口径、审计和运营问题。下面的清单适合企业数据平台、信息化、业务管理和数据治理团队共同阅读，用于判断智能问数是否具备可持续运营能力。

业务管理团队信息化团队数据治理团队数据平台团队

问题样本与数据范围

优先场景应覆盖简单查询、聚合统计、跨表关联、趋势分析、异常追问、权限受限问题和无法回答问题。问题样本应来自实际岗位，而不是只停留在演示问题。

建设智能问数时要看系统如何解释业务对象、关系和指标，而不是只看最终表格。对于“近三年教师荣誉”“项目健康度”“设备故障影响范围”等问题，应能说明对象、字段、关联关系和筛选条件。

智能问数面对企业数据，必须让用户权限在查询链路中生效。不同角色提出同一问题时，字段、对象、导出和审计记录都应符合企业安全要求。

回答正确不能只凭文字流畅判断。业务负责人需要核对对象范围、筛选条件、计算过程和数据时点；数据团队还要记录空结果、歧义问题、执行失败和口径冲突分别如何处理。对于无法可靠回答的问题，系统应说明原因并进入澄清、拒答或人工复核流程。

场景进入日常使用后，应持续观察响应时间、澄清率、拒答率、复核退回率和高频问题复用情况。新增对象、指标或数据源时，需要同步更新语义模型、权限规则和测试样本，避免旧问题在数据结构变化后得到口径过期的答案。

试运行结束时，应分别记录可稳定回答、需要补充治理和暂不纳入的问题，不以少数演示问题的正确结果代替整体判断。扩展到更多部门或数据域前，还要确认新增角色的权限、对象关系和指标口径已经进入测试范围。

智能问数建设最容易漏掉什么？

最容易漏掉权限命中、失败问题处理、指标口径解释和高频问题运营。如果只看演示问题是否答对，难以判断长期使用效果。

是否需要接近真实业务的数据结构？

可使用脱敏后的代表性数据结构，避免接触未授权或可识别业务数据。完全虚构数据很难体现对象关系、指标口径和权限边界。