帆软 FineBI 中的自然语言问数功能——这是 FineBI 智能问答最主要的用途，也是本文讨论的前提。

下面按「现象 → 可能原因 → 处理办法」整理常见问题。

排查表

现象处理办法
AI 算出的数字和报表不一致检查口径和过滤条件，要求它输出 SQL 或公式逐步复核。
生成的 SQL 运行报错提供准确的表结构和字段说明，先在测试库运行。
问数结果看似合理但错误准备几道已知答案的问题做抽检。
敏感数据暴露给模型使用脱敏视图或只读账号，限制可访问的表。
图表结论被过度解读区分相关与因果，在报告中标注假设。

通用排查顺序

  1. 确认账号、额度和网络状态正常。
  2. 用一份简单材料复现问题，排除材料本身的干扰。
  3. 检查设置是否被改动（模型、语言、格式等）
  4. 查看官方状态页或更新日志。
  5. 仍无法解决时整理复现步骤联系官方支持。

用标准任务做对照测试

指标异动解读

适用情况：手头有一个突然下降的业务指标时。

日活本周下降了，请列出可能原因的排查清单，按「数据问题 / 产品变化 / 外部因素」分类，每项写明需要查看的数据。

检查点：先排查数据本身问题。

补充练习

图表建议

准备材料：一组需要汇报的数据。

根据这些数据推荐合适的图表类型，说明理由，并指出容易误导读者的画法（如截断坐标轴）。

验收标准：指出了误导风险。

自然语言问数

准备材料：一张销售明细表。

请基于这张表回答：上个季度销售额最高的 3 个地区是哪些？与前一季度相比变化多少？请同时给出你使用的计算方法或 SQL，便于我复核。

交付前确认：给出了可复核的计算过程。

评测大模型应用

适用情况：手头有一批真实用户问题和应用回答时。

为这批回答设计评测：定义 4 个评分维度，写出评分标准，抽取 20 条进行人工打分，并统计各维度的问题类型。

验收标准：评分标准清晰可复用。

常见问题：敏感数据暴露给模型

使用脱敏视图或只读账号，限制可访问的表。

常见问题：图表结论被过度解读

区分相关与因果，在报告中标注假设。

常见问题：问数结果看似合理但错误

准备几道已知答案的问题做抽检。

概念补充：追踪（Tracing）

记录大模型应用每次调用的输入输出与耗时。

概念补充：口径

指标的定义与计算规则，不同口径会得出不同结论。

适合人群：咨询顾问

咨询顾问可以用 FineBI 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。

适合人群：数据分析师

数据分析师可以用 FineBI 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。

适合人群：科研人员

科研人员可以用 FineBI 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

使用提醒

涉及个人信息、商业机密或受监管数据时，先确认 FineBI 智能问答的数据处理条款，再决定能否使用。

本文基于 FineBI 智能问答公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

延伸阅读