小米零售 AI 问数实践：从 Text-to-SQL 到 Text-to-Metrics¶

Ch01.1446 小米零售 AI 问数实践：从 Text-to-SQL 到 Text-to-Metrics¶

📊 Level ⭐⭐ | 2.2KB | entities/xiaomi-retail-ai-qshu-问数实践-2026.md

小米零售 AI 问数实践：从 Text-to-SQL 到 Text-to-Metrics¶

核心洞察¶

一线店长每天要面对"店里库存压了多少""新品销售怎么样"等问题，看似只是"问个数"，但要让 AI 真正服务业务，还需解决指标口径、查询规则、数据权限等问题。小米中国区零售团队从 Text-to-SQL 转向 Text-to-Metrics，并围绕指标治理、语义路由、查询执行、评测体系进行工程化建设。

关键设计¶

• Text-to-Metrics 转向：相比直接生成 SQL，先落到统一指标层，规避口径混乱与重复造轮子
• 指标治理：统一指标定义、口径、语义，作为问答的稳定中间表示
• 语义路由：把自然语言问题路由到对应的指标/指标族，而非逐问答建查询
• 查询执行：指标语义到实际数据源查询的映射与执行链路
• 评测体系：对问答准确率/口径一致性做系统化评估，形成闭环

与现有体系的关系¶

本文属 Agent 驱动数据访问 与 Agentic RAG 的具体工程案例，补充了 Text-to-Metrics 这一指标层范式。与 零售多 Agent 架构实践、小米 AI 工程化三层实践 同属小米/零售 AI 落地系列。

价值¶

• 提供了从 generator 直接写 SQL 到"先落指标层再查询"的可迁移工程范式，对数据问答类 Agent（BI、经营分析、智能客服）有直接参考价值
• 指标治理 + 语义路由 + 评测闭环的完整链路值得复用

→ 原文存档