一位新上任的计划主管想查"3 号产线昨天的产量和合格率"。数据在 MES 里，他打开系统却搜不到"3 号产线"——这条产线在 MES 里叫"总装二组"，在 ERP 的档案里又叫"B 装配线"。他问了设备科的老员工才弄明白，这两个名字是同一条线。不先弄懂两套叫法，查数的第一步都迈不出去。

老员工还补了一句：仓库那边管它叫"三线"，因为它是厂区里从南往北数的第三条。一条产线四个名字，全在各自主管的嘴里和各自的 Excel 里。

这是制造企业里用数的日常。十几个系统各自存着数据，各自有各自的叫法、编码、表结构。"问一句话就查到"说起来轻巧，做到它要先解决一层地基问题。

一句话查不到，卡在哪

从用户视角看，问数就是一句话的事：我问，你答。

从系统视角看，这句话要经过三层翻译：用户嘴里的"3 号产线"，先对应到业务概念，业务概念再对应到具体系统里的具体表和字段。三层翻译断任何一层，这句话就死在半路——要么查不到，要么查错对象，要么查到了不敢用。

常见的归因是"数据没打通"。但从一线实施的情况看，很多企业的系统之间早已互联互通，接口开着，数据流着。真正过不去的是 AI 这一侧：系统之间交换的是数据，AI 要理解的是数据的含义。用户语言和系统术语之间，缺了一个能把两边对上的翻译层，业内讨论里把它称作语义层。

机制：先给系统建一张语义网

JBoltAI本体语义平台是新一代智能数据中台，它的做法是不动数据，先在系统之上建一张语义网络。

第一步，概念入网。企业本体管理把"产线、物料、订单"这些业务概念，连同它们在 ERP、MES、OA 里各自的身份证——哪个系统、哪张表、哪个字段——组织成一张网。3 号产线在 MES 里对应哪张表，在 ERP 里对应哪条档案，关系挂在概念上，一次理清，长期使用。

第二步，问句进 AI 智询。用户在客户端 AI 智询里用大白话提问，不需要懂任何系统术语，问句先被映射到统一的业务概念上。"3 号产线"这四个字落到概念层就是同一条产线，不管它底下挂着几个别名。

第三步，拆解路由。AI 沿着语义关系把问题拆解成跨系统的查询，落到具体系统的具体表上。产量落在 MES 的日报表，合格率落在质检模块的检验记录，一句问话拆成两路查询，各自命中各自的表。

第四步，程序取数。查询和计算交给程序执行，返回的数字带着出处——来自哪个系统哪张表，数字来路可核对。

四步走完，用户感知里只有一句话：问完就有答案，而且知道数从哪来。

和数据仓库路线的差别

两条路线不互斥。向量空间JBoltAI 落地的项目里，常见的是语义网络先把问数入口跑起来，日后需要长期沉淀分析的题材，再汇入数据仓库；反过来，已有数仓的企业在前面补一层语义网，问数入口同样立得起来。

三个边界

没接的系统问不到。语义网络只覆盖接进来并有对应关系的部分，覆盖范围决定回答范围。

口径规则要先配。仪表盘类指标用约数还是精确值，统计口径以哪个为准，这类规则要先定义好，否则两处数字会对不上。

敏感字段按权限过滤。什么岗位能看什么数据，按企业原有权限体系执行过滤，不该看的岗位，问也问不出来。

结语

一句话查数考验的不是检索能力，是企业语义的就绪度。JBoltAI本体语义平台在真实企业里的经验是：语义这层就位的地方，问题一句话就通；语义缺位的地方，数据仓库堆得再高也只是存货。

你搜到了并不一定能说明问题，但是搜不到肯定有问题。让每个该被搜到的问题都能被搜到，先把语义这张网织起来。