特珞维发布 AI 助手 2.0：自然语言直接查数、直接建流程

这次更新解决什么

业务同学问一个指标要等三天。这不是能力问题，是链路问题：问的人不会写 SQL，写 SQL 的人不在业务侧，于是每个问题都要走一次排期。

AI 助手 2.0 做了三件事。

一句话查数，答案带来源

输入「上个月华东区毛利率多少」，返回结果的同时给出计算逻辑与来源字段，点开就能看到这条数是从哪几张表的哪个字段算出来的。

遇到口径歧义它会反问，而不是猜。比如你问「新客收入」，如果系统里存在两个不同定义的新客，它会先问你要哪个口径。

一句话建看板和流程

「建一个按门店拆分的日销看板，把毛利率小于 20% 的标红」，直接生成看板配置。「每天早上九点把这个看板推给区域经理」，直接生成定时任务。

追问可以顺着口径往下钻

你可以继续问「为什么华东区比华南区低」，答案会顺着同一套口径展开，不会重新算一遍。

准确率怎么说

我们用内部标准问题集做了评测。

查询类型	测试规模	一次答对率
单指标数值查询	200 条	94%
多维拆解查询	150 条	89%
趋势对比查询	120 条	91%

评测口径说明：问题集覆盖三类常见查询，每条都由业务人员标注了正确答案。

需要说清楚的局限：这不是全场景保证。生产环境的表现还取决于数据质量——源系统本身口径没统一的问题，AI 助手给不出正确答案，它只能告诉你「按当前口径算出来是这样」。

三个真实场景

销售问客户流失原因：「华东区近三个月流失的客户，按签约时长和产品线拆一下。」

采购问缺料影响：「这周要交的订单里，有多少受 A 材料缺货影响？」

店长问昨日销售：「昨天我们店的销售额和达成率是多少？」

谁适合用，谁先别用

适合：指标口径已经统一、有数据平台的客户。

先别用：口径还没统一的、数据源少于 3 个的客户。这两种情况下先做数据治理，AI 助手救不了上游的混乱。

怎么用起来

第一步，开通后在运营洞察里找到自然语言查数入口。

第二步，试 10 个你真实关心的问题，不要试示例问题。真实问题才能暴露口径问题。

第三步，纳入日常：把每天都要问的几个问题固定下来，一次配置长期用。

数据说明

评测时间：2026 年 5 月 ｜ 问题集规模：470 条 ｜ 局限：基于内部标准问题集，非全场景覆盖；生产环境表现受源数据质量影响。