一、问题的起点：

读得懂说话，读不懂数据库

通用大模型在通用工作上的阐发已相当成熟：陌生领域的知识问答、行程规划、狼藉资料的梳理综合，都能给出结构齐全的输出。这也是目前 AI 给人的普遍体感——全天在线，覆盖面广。

但换一类问题就不一样了：“上个月销量为什么下滑？”

这类问题，大模型答不了。答案不在它的知识领域里，而在企业的 ERP 里。

大模型的全称是“大说话模型”，训练语料是人类说话。只有是人的表白，逻辑再复杂它都能理解；但数据库不是为阅读而设计的。以一套典型的零售 ERP 为例，系统内有 3,700 多张表。Excel 中名为“货号”“销量”“金额”的列，在数据库里对应的是 QTY，甚至是 XL——统一个系统中，一张表的销量字段是 QTY，另一张表的数量字段是 XL。字段的业务寓意、表与表之间的关联关系，只存在于开发人员的认知中；而这份“说明书”，是几百万行源代码。

几百万行说明书，没有人读得完，AI 同样读不下去。为人而写的内容，AI 都能读；不为任何人而写的，今天的 AI 都读不懂。

读不懂是第一个问题，敢不敢用是第二个。

AI 输出谬误的价值，在企业场景里会被放大。导航给错一条路线，损失只是几分钟；但若 AI 把“下滑 20%”报成“增长 20%”，而企业已据此向工厂下了 20 万元的订单，价值就是真实的资金损失。更麻烦的是，AI 犯错时通常不会有任何报错提醒。

因而“可信”必须有明确界说：给出的数字，要能诠释明显起源与组成；结论要能证明全过程；超出能力领域时，要明确给出“不知路”。可诠释、可证明、会回绝——这是企业敢用 AI 结论的前提。

二、产品定位：

为“读懂企业”而生的分析系统

这两路门槛，行衣凤绕了很久，始终没能真正凌驾去。

零售大脑（Retail Brain） 由此而生，由上海圆周率智能科技有限公司推出。它不是又一个“对话框”，而是一套面向企业经营的分析系统：直接接入企业自罕见据库，把“最近生意怎么样”“这笔合作能不能做”这类问题答上来，并且每一个数字都经得起追问。

能力天堑也不止于零售。企业的 CRM、供给链、会员、财政，任何一个系统都能接进来，不必要源码，只有数据库，系统即可自动建模。建模实现后，既能够查问这批货的出产实现功夫，也能够分析会员结构是否存在问题。

三、主题能力：

一本字典，一套凭证

零售大脑补上的，正是两样器材。

第一样，是一本字典，叫本体论。 它源自亚里士多德的哲学思想——用“实体”和“关系”这两个最根基的元素，就能够描述整个世界。2006 年，Palantir 把它引入数据建模，如今已是企业服务市场里市值数千亿美元的公司。借助本体论，从前杂乱无章的 3,700 张表变得可读：表之间若何干联、每个字段什么寓意、每个数字对应什么业务问题，都能给出明确答案。

第二样，是一套凭证。 财政给出的数字之所以可信，是由于背后有齐全的账目与责任人。AI 给出的每一个数字，也该当具备同样的可追忆性。

由此产生了“审计视图”：绿色数字齐全来自系统，蓝色数字是推算得出的值，玄色数字尚未经过确认——玄色并不蹬宗谬误；指向其中任何一个数字，都能看到对应的起源凭证与唯一编号。

四、利用场景：

十几分钟，走完一次经营问诊

与零售大脑的对话，通常从一句最泛泛的话起头：“最近生意怎么样。” 没有指定指标，也没有指定报表，“最近”是多久、“生意”看什么，全数由系统自行判断。

系统选择了最近 30 天：零售额约 144 万元，同比降落 9.5%——随即补充了一个容易被忽略的口径问题：老店的同店阐发下滑幅度更大，7 家新店带来的收入抵消了一部门降落，只看整体 9.5%，会把老店的情况看轻。

持续追问，得到的是一句归因清澈的结论：“钱重要是卖得少丢的，不是卖得便宜丢的。” 件数与成交笔数降落，价值指标没有显著变动，因而排查方向应先指向销量。若未分辨这一点就贸然降价，很可能销量问题尚未定位，价值已经降了下去。

对口径的严谨，在门店对比中体现得更为显著。对比两家门店时，系统先纠正口径：这属于两家具体门店之间的比力，而不是上海与丽江两个城市市场的比力。它也排除了“新店爬坡”和“一家卖新货、一家清老货”两侄喙释；即便其中一家库存显著更少，也没有直接得出“货少所以卖得少”的结论，而是给出另一种可能——前期销售欠安，导致后期不敢补货，库存少的原因可能正好相反。

系统的另一项能力是回绝。询问“每个导购压了几多库存”，它会先指出系统中不存在这个口径——库存挂在门店和 SKU 上，不归属于导购。询问“看一下门店的毛利情况”，它会明确回覆：毛利与成本类指标不在当前账号的授权领域内，这属于权限回绝，而非指标缺失；更换功夫领域、拆分门店别离查问再汇总，同样无法绕过。

当问题复杂度进一步上升，系统还有一个作为：立案——进入深度分析，相当于交出一个齐全的调查项目。

第一个案子是常见的扩张引诱：既然上海这家店比丽江卖得好，上海是否能够多开几家？系统的结论是——现有证据不支持。这家店 1、2 月月销均超过 20 万，但 3 至 8 月月均只有约 8 万；以顶峰月作为新店预算凭据，打算数字会很好看，而租金不会只在顶峰月产生。它给出的建议相对克造：若要尝试，先做一家轻资产试点，补齐租金与客流数据，测算盈亏平衡月销额，再与现有门店的常态水平对比。

第二个案子涉及真实投入：有加盟商愿意承接荆门市场，前提是公司先在荆门开设一家旗舰店。系统首先鉴别出两组数据不成混用——现有经销客户近 12 个月进货额约 65.7 万元，本地门店同期零售额约 72 万元，前者是经销进货，后者是终端零售，都不能用于预测新店利润。随后它点出真正的问题：新加盟商带来的是增量生意，还是原有生意的转移？并提醒先在合作条款中明确兑现前提——预防门店装建实现、租金已付，而对方未按量进货。

十几分钟内，回覆、下钻、归因、异常检测与经营造议全数实现；一旦进入“立案”，系统还会先提出若干如果，再逐条用数据验证。

五、差距化优势：

为什么不是 text to SQL

让数据措辞，这个行业做了 20 多年。从 BI 到数仓、数据中台，所有致力都指向统一件事，但至今没有让人中意的答案。近几年 AI 出现，整个行业集体走上了一条蹊径：text to SQL——把一段文字天生 SQL，再到数据库中取数。问题在于，当一句话必要关联五张以上的表时，会产生“寡言犯错”：推算库销比时，销量若健忘减退货，数值即失真；以此推导一连串结论，而整段 SQL 语法齐全正确，业务人员也很难立即发现问题。比及回查到那一幼段谬误时，经营决策窗口往往已经关关。

零售大脑选择的是另一条蹊径。支持它走通的原因有三个：一是既懂数据、更懂业务——业务即数据背后的来龙去脉；二是没有技术包袱，发现蹊径走不通即果断切换；三是押注本体论足够早，而 Harness 这一层技术刚好在卡住的时辰给出了答案。

数据分析这条赛路上，Palantir、Snowflake、Databricks 等公司占据了最强地位。零售大脑没有选择正面竞争，而是沿本体论蹊径另开一局——目前这一蹊径上还没有第二家，但已经有两三家在向这个方向靠近。