业务真相而非SQL准确率：规则门控的7B分析Agent胜过直接提示的32B基线

LLM 分析智能体以 SQL 语法准确率来评估，但生产故障呈现另一番面貌：一个问题存在两种有效的业务定义、数据仓库无法回答的问题、模式变更后已弃用的列，以及执行成功却返回错误业务数字的查询。没有任何执行匹配指标能为它们打分。本文提出 WarehouseReliabilityBench，一个包含 400 个冻结任务、覆盖两个合成数据仓库的基准，其中约一半的正确响应是一次澄清、弃权或拒绝，采用固定的分母和预注册的配对 bootstrap，在数字出现之前就固定了每个论断动词。QueryProof 是一个 7B 智能体，使用源自语义层和物理目录的规则决定其行为，并对每个答案施加确定性的执行后检查门控。在一次性评估的 80 任务合成测试划分上，QueryProof 以低 71.0% 的每正确答案成本，超过直接提示的 32B 基线 +0.237 [+0.112, +0.375] 的 Business Truth Rate；对阵成本对齐的少样本基线，准确率增益成立但成本差异未能确立。这是在比较系统而非模型规模：32B 基线未获得任何脚手架。假成功从返回答案的 0.754 降至 0.351，且在可回答任务上未返回任何错误数字（24 个中 0 个），尽管有 13 个答案流向了需要澄清或弃权的问题。移除路由层影响甚微（0.562 对 0.537），因此结果不依赖升级机制。在验证集上调优的路由在测试集上过度弃权，拟合的置信度模型输给了它所取代的启发式。对模板族而非任务进行重采样会将两个准确率区间都拓宽到包含零，因此效应方向比其幅度得到更强支持。增益跟随确定性层，但未运行组件消融。