AI查询助手

这通常不是系统故障，而是由数据权限或数据存在的客观条件决定的。

权限边界： AI严格遵循你的账号权限。如果你没有查看某个项目或某类敏感数据的权限，AI会直接反馈“无权限”或“未查询到”，它不会越权调取数据。

数据未录入/归档： 如果业务数据尚未录入系统，或者处于审批流中未归档，AI在静态数据库中是检索不到的。

查询范围过窄： 在使用自然语言提问时，如果时间范围、项目名称等限定条件过于苛刻，可能导致命中结果为空。

建文AI查询助手通过多重机制，极大程度地杜绝了“AI幻觉”（即编造数据）。

数据来源锁定： 与通用聊天机器人不同，建文AI的核心逻辑是“检索增强生成（RAG）”。它不是凭空生成答案，而是必须依据系统数据库中的真实数据进行回答。

双轨制检索验证： 系统采用“显性数据挖掘 + 隐性数据激活”机制。对于显性数据（如合同金额），它直接精准定位；对于隐性数据（如动态统计），它基于真实流水和条款计算，而非猜测。

来源追溯： 所有的查询结果都会附带数据来源标注（如“依据《XX项目合同台账》”），让你能一眼验证数据的真实性，确保AI不会“一本正经地胡说八道”。

不需要死板的“机器人语言”，你可以像跟同事说话一样自然。

双模式交互：

懒人模式（指令点击）： 如果你有标准需求，可以直接点击预设的分类导航或查询模板（如“查本月回款”），这是最快的方式。

自由模式（自然语言）： 你可以直接输入口语化的问题，例如：“把A项目和B项目上个月的支出做个对比”。系统内置的语义理解模块会自动帮你拆解意图，不需要你背诵复杂的指令。

如果AI“听不懂”，通常是因为问题的逻辑链条太长或指代不明确。

分步拆解策略： 遇到复杂问题（如“分析A项目的盈利风险”），不要一次性问太深。建议先问基础数据（如“A项目目前的成本超支情况”），获取结果后，再基于这个结果追问（如“这个超支主要发生在哪个分包上”）。

系统内部的“三层解构”： 其实AI在后台是很努力的，它会启动意图识别、维度拆解、Agent交互三层工序来理解你。但如果上下文缺失，它可能会猜错。此时，多轮对话修正是最好的解决办法。

是的，在“动态关联”和“隐性价值”上，它确实能看到更多。

显性数据（一样多）： 基础的台账、合同主表等，它和传统报表看到的源头是一致的。

隐性数据（更多/更深）： 传统报表通常是静态的。建文AI能通过向量检索激活“隐藏价值”。例如，查询“应付账款”，它不仅给你台账数，还会结合最新的支付流水和合同条款，实时计算出一个动态的“实际应付”金额，这是传统固定报表很难实时展现的。

关于自动汇总： 能。 它支持对AI生成的报表进行二次汇总与分析。比如你查出了一堆项目的明细，你可以选择最接近的报表点击打开，然后再指令AI解读、汇总等。

为什么推报表：

结构化承载： 单纯的文本回答（如“总金额是100万”）信息量太少，无法支撑业务决策。报表化呈现能承载多维度、结构化的数据，让你一眼看清全局。

交互闭环： 推送的报表不是终点，而是起点。系统通过报表展示完整数据后，支持你在报表基础上进行进一步的钻取、分析和解读，实现从“查一个数”到“挖一条链”的跨越。