实验导航库存问数
实验 / 计划与库存
库存问数：每个数字都能核对
不用等报表排期，直接问呆滞、断货和库存金额；每个数字都能在查询结果里核对。
现在的情况
- 发生了什么
- 截至 10/31，有 ¥8.8 万（占 40.6%）的库存超过 90 天没动。
- 关键数字
- 库存共 ¥21.7 万；按批次判断库龄，恰好 90 天的不算呆滞。
- 要决定
- 先清理哪类物料的呆滞库存。
- 怎样算答得好
- 回答里的金额能在查询结果里逐个对上。
「超过 90 天没动的库存里，A 类重点物料压了多少钱？」
点一下会实时提问，回答通常需要 5–20 秒；回答出现在右侧「问 Agent」。
库存金额 · 按库龄分布
下周每日预计库存金额
下周库存金额变动（瀑布）
图表由演示数据直接计算（单位：元，万 = 一万元），与 Agent 使用同一份数据和口径；具体数字表在「数据与口径」里折叠。
当前快照：库存总额 ¥21.7 万，其中超过 90 天 ¥8.8 万（40.6%）；下周 1 个物料会断货。
- 人定义指标口径与语义层，模型只能引用
- AI只把问题翻译成只读查询，必要时拒答
- 代码闸门、执行与评分；对不上标准答案就不算通过
为什么这样分工：模型只把问题翻译成只读查询；口径由人定义、闸门把关。核对不了的数字直接说答不了——宁可少答，不编一个看起来合理的数。责任边界证据与验证
责任与系统边界
谁负责什么？
工业语境：Data Platform · Semantic Layer / Text-to-SQL
数据类型：仿真
转化路线：AI-native 工业工作
系统与集成边界：Data Platform · Semantic Layer · Cross-system。4 张合成库存表与 5 个人工定义口径，SQL 在浏览器内执行；未连接数仓、ERP、BI 或企业数据权限，闸门不是完整数据库权限体系。
系统职责：Hybrid · AI + 确定性逻辑：AI 与规则、Solver 或代码协作
人工决策信号：人工复核
- 人 · 01定义口径与语义层
什么算呆滞、下周窗口怎么划、预计库存怎么算，由数据 Owner 定义，模型只能引用。
- AI · 02把问题翻译成 SQL
模型理解自然语言并生成只读查询，必要时拒答。
- 代码 · 03闸门、执行与评分
确定性规则决定能不能跑、结果是什么、与标准答案是否一致。
当前边界
- 全部数据为 4 张表的合成库存数据（12 个 SKU、截至 2026-10-31），不连接任何真实数仓、ERP 或 BI 工具。
- 闸门是基于语句与表名的轻量检查，不是完整 SQL 解析器或数据库权限体系；执行引擎本身只加载演示数据。
- Q01–Q16 是 27 题中的回归子集；Q17–Q27 是扩展题，涵盖多轮、澄清及安全边界。题集规模小且使用同一合成快照，历史 16 题与 27 题成绩对应不同覆盖范围，不能相加、互换或代表生产环境 / 泛化准确率。
- 模型不可用时页面直接报错，不会伪造答案；评测中途失败会中止，已完成题目照常计分。
- 语义层口径由人维护；本 Build 不自动生成或校准口径。
可复用模式
语义层 + 闸门 + 题集评测的组合，可复用于任何需要让 AI 触达结构化数据的场景；真实落地前需要接入企业数据权限与更大规模的评测。
实现方式
一个 demo 级的库存问数实验：4 张合成库存表（物料、库存批次、预计入库、预计出库）与 5 个人工定义的指标口径组成语义层，页面可直接浏览原始数据与表关系；模型只能看到语义层并生成只读 SQL；规则闸门检查语句和表范围；浏览器内置 SQL 引擎执行；评测页把结果集与标准答案比对，并要求不该回答的问题必须拒答。 语义层定义表、列与 5 个指标口径，并整体注入提示词；模型只返回包含 SQL、引用指标与是否拒答的 JSON。闸门只放行单条只读 SELECT 且仅引用语义层中的表；alasql 在浏览器内执行；评分器忽略列名与行序比较结果集，口径错误、误拒答、该拒答却作答、执行失败等分别归类。
证据与验证记录 · 可运行演示
验证 2026-10-21 · 构建 6e89290 · 未测 2 项 / 阻塞 3 项展开全量记录
- 未测8 条路由 × 3 视口（1440×900 / 720×900 / 390×844）的横向溢出、Tab 焦点 outline、#evidence 深链、正文对比度抽样（仅记录数值，阈值未定）
- 未测对比度阈值判定：首轮只记录实测数值，WCAG 阈值待真实分布确认
- 阻塞读屏（screen reader）
原因：当前无读屏执行环境
- 阻塞原生 200% 浏览器缩放
原因：headless 视口不能替代原生缩放，需人工验证
- 阻塞视觉构图接受
原因：需人眼评审；当前会话无视觉模型能力
- Demo交互式数据 Agent Demo · 即本页
库存 KPI、提问、数据与血缘、指标口径、评测；SQL 在浏览器内对合成数据执行，每轮可查看 Agent Trace（工具调用与闸门 span）。
- 测试27 题评测集与评分器测试
Q01–Q16 为回归基线，Q17–Q27 覆盖多轮、澄清与扩展边界；标准答案回放与评分器自检不等于真实模型成绩。评分器覆盖库龄、金额、预计库存等口径陷阱，并单独识别误拒答、漏拒答、SQL 闸门拦截与执行失败。
- 评估评测结果（v3 单次 vs v4 Agent 循环） · 即本页
2026-11-07，zhipu:glm-5.3，34 题 × 3 次：Agent 循环 pass@1 91.2%、单次 90.2%；循环版工具出错后自修复 5 次而单次为 0。数字来自仓库 src/content/evals/。
- 架构Agent Trace（OTel GenAI 语义）
每轮运行的 span 序列（invoke_agent / 工具调用 / 闸门）在页面可见，与评测同源记录。
- 架构语义层 + 闸门架构
自然语言 → 模型生成 SQL → 校验闸门 → 只读执行 → 与标准结果集比对。
- 源码
- 权限提示GitHub 证据链接指向私有仓库 winstonw94/winston-builds，仅站主 Winston 本人可查看。