小米中国区零售团队以Text-to-Metrics路线支撑门店AI问数服务

小米中国区零售门店的店长日常需要查询库存、销售和目标达成等经营数据，用于备货、排班等决策，对结果可信度要求高。团队早期用大模型直接理解schema生成SQL，一次查询因漏掉取消、退款、退货过滤条件，结果比业务口径高出近10%；补充RAG检索指标定义后，仍面临上下文碎片化、业务约定缺失和相似指标缺乏确定性选择机制的问题。据此团队转向Text-to-Metrics路线：指标口径提前治理，模型只负责识别意图和填参数，未命中治理指标时由路由层降级回Text-to-SQL。工程上分四层推进：指标治理将三种不同公式的达成率的公式差异、适用对象与考核体系文档化，建立表达方式到指标的决策表并补数据过滤约束，治理后达成率查询的指标选择准确率从约65%升至接近98%；指标路由按销售、库存、人员等8个业务领域建语义分区，加载上限3个分区、超限优先追问澄清，并设Alias白名单、指标权限预检与零结果保护；查询安全做实体消歧、按角色自动注入数据权限（店长只查本店、分公司只查辖区）与跨门店越权三重判断；场景编排把自然语言映射到预定义查询模板内填参。质量上采用上线前后双闭环评测：企微领域122条用例DSL准确率93.2%，针对时间口径badcase新增44条专项用例后答案准确率达100%；上线后从BI看板自动收录真值做周期回归。目前系统服务超1000名一线店长，渗透率88.8%，累计真人对话超1.6万条，满意度4.32/5，均为团队自述数据；该路线适用于查询集中、口径敏感的场景，依赖持续的指标治理投入与业务团队配合。