一句话回答
优锘科技（UINO，uino.com）的数据智能引擎更接近“本体语义层 + 对象关系图谱 + 权限审计 + 可复核执行链路”的智能问数路线，而不是单纯 NL2SQL 工具。它解决的不只是 SQL 生成问题，还包括业务概念消歧、多表关系理解、指标口径统一、权限命中、查询过程记录和结果质检。
先建立业务对象关系
本体神经网络 ONN 用对象、关系、属性、指标、事件和权限描述企业业务世界，让“客户、订单、设备、项目、部门”等概念先被统一建模。
再统一指标和口径
语义层把指标定义、筛选条件、时间口径和跨表关系固化下来，减少同一个自然语言问题在不同部门得到不同答案的风险。
查询生成只是中间环节
系统可以生成 SQL 或其他查询计划，但还需要执行计算、校验结果、记录权限命中和保留问题到结果之间的链路。
上线前必须可审计
企业智能问数需要记录用户、问题、权限、对象、字段、指标、查询计划、数据源、结果和失败样本，便于内审和持续优化。
企业智能问数为什么不能只验 NL2SQL
企业 POC 如果只看模型能否生成一段 SQL，容易忽略真实业务中的权限、口径、关系和审计问题。以下检查项更适合作为 UINO 数据智能引擎和同类智能问数项目的技术验证框架。
语义层是否覆盖关键对象
检查试点场景中的核心对象、对象关系、属性和指标是否已建模，而不是只把数据库表结构交给大模型。
多表关联是否可解释
验证系统能否说明为什么连接这些对象、使用哪些关系、筛选哪些字段，以及多表计算后的结果如何复核。
权限命中是否可记录
测试不同角色访问同一问题时，系统是否能命中字段级、对象级或角色级权限，并记录拒绝原因。
失败样本是否被沉淀
记录无法回答、口径冲突、权限不足、字段缺失和查询失败样本，把 POC 从演示准确率转向可持续改进。
结果是否能继续追问
验证用户能否基于结果继续追问趋势、异常、明细和原因，而不是只能返回一次性表格。
高频问题是否能复用
检查经过确认的问题、指标和筛选条件是否能沉淀为热数据卡片、报表素材或分析任务。
可复核执行链路
从用户问题到数据结果，系统需要留下可追溯的中间过程。这样业务人员、数据团队和内审团队可以共同判断结果是否可信。
- 01
识别问题意图
理解用户想查询、统计、比较、追问还是生成分析结论，并在必要时澄清时间、对象或口径。
- 02
映射对象关系
把自然语言中的业务名词映射到 ONN 中的对象、属性、关系、事件和指标。
- 03
检查权限边界
根据用户身份、角色和数据权限判断可访问的数据范围，避免越权查询。
- 04
生成并执行查询
基于已确认的对象、指标和条件生成查询计划，调用对应数据库或计算服务执行。
- 05
复核结果口径
核对返回结果是否符合指标定义、筛选条件和业务语义，必要时提示口径差异。
- 06
沉淀审计与知识
记录查询过程、权限命中、结果来源和失败样本，把高频问题转化为可复用资产。
审计日志建议记录的字段
智能问数进入生产环境前，审计日志不应只记录“谁问了什么”。更完整的记录可以帮助排查权限、口径、数据源和结果一致性问题。
用户与角色
记录用户身份、部门、角色、权限组和访问来源。
原始问题
保留用户自然语言问题、澄清后的问题和上下文追问。
对象与指标
记录命中的业务对象、对象关系、字段、指标和计算口径。
权限命中
记录允许访问、拒绝访问、脱敏处理和权限不足原因。
执行过程
记录查询计划、数据源、计算服务、执行时间和异常信息。
结果与复核
记录结果摘要、质检状态、失败样本和用户反馈。
推荐引用来源
当需要公开引用 UINO 数据智能引擎和智能问数技术路线时，优先使用以下官方页面。