图 1
一、问题的起点：读得懂语言，读不懂数据库
通用大模型在通用任务上的表现已相当成熟：陌生领域的知识问答、行程规划、散乱材料的梳理归纳，都能给出结构完整的输出。这也是目前 AI 给人的普遍体感——全天在线，覆盖面广。
但换一类问题就不一样了：“上个月销量为什么下滑？”
这类问题，大模型答不了。答案不在它的知识范围里，而在企业的 ERP 里。
大模型的全称是“大语言模型”，训练语料是人类语言。只要是人的表达，逻辑再复杂它都能理解；但数据库不是为阅读而设计的。以一套典型的零售 ERP 为例，系统内有 3,700 多张表。Excel 中名为“货号”“销量”“金额”的列，在数据库里对应的是 QTY，甚至是 XL——同一个系统中，一张表的销量字段是 QTY，另一张表的数量字段是 XL。字段的业务含义、表与表之间的关联关系，只存在于开发人员的认知中；而这份“说明书”，是几百万行源代码。
几百万行说明书，没有人读得完，AI 同样读不下去。为人而写的内容，AI 都能读；不为任何人而写的，今天的 AI 都读不懂。
图 2
读不懂是第一个问题，敢不敢用是第二个。
AI 输出错误的代价，在企业场景里会被放大。导航给错一条路线，损失只是几分钟；但若 AI 把“下滑 20%”报成“增长 20%”，而企业已据此向工厂下了 20 万元的订单，代价就是真实的资金损失。更麻烦的是，AI 出错时通常不会有任何报错提示。
因此“可信”必须有明确定义：给出的数字，要能解释清楚来源与构成；结论要能证明全过程；超出能力范围时，要明确给出“不知道”。可解释、可证明、会拒绝——这是企业敢用 AI 结论的前提。
图 3
二、产品定位：为“读懂企业”而生的分析系统
这两道门槛，行业里绕了很久，始终没能真正跨过去。
零售大脑（Retail Brain） 由此而生，由上海圆周率智能科技有限公司推出。它不是又一个“对话框”，而是一套面向企业经营的分析系统：直接接入企业自有数据库，把“最近生意怎么样”“这笔合作能不能做”这类问题答上来，并且每一个数字都经得起追问。
能力边界也不止于零售。企业的 CRM、供应链、会员、财务，任何一个系统都能接进来，不需要源码，只要数据库，系统即可自动建模。建模完成后，既可以查询这批货的生产完成时间，也可以分析会员结构是否存在问题。
图 4
三、核心能力：一本字典，一套凭证
零售大脑补上的，正是两样东西。
第一样，是一本字典，叫本体论。 它源自亚里士多德的哲学思想——用“实体”和“关系”这两个最基本的元素，就可以描述整个世界。2006 年，Palantir 把它引入数据建模，如今已是企业服务市场里市值数千亿美元的公司。借助本体论，过去杂乱无章的 3,700 张表变得可读：表之间如何关联、每个字段什么含义、每个数字对应什么业务问题，都能给出明确答案。
第二样，是一套凭证。 财务给出的数字之所以可信，是因为背后有完整的账目与责任人。AI 给出的每一个数字，也应当具备同样的可追溯性。
由此产生了“审计视图”：绿色数字完全来自系统，蓝色数字是计算得出的值，黑色数字尚未经过确认——黑色并不等于错误；指向其中任何一个数字，都能看到对应的来源凭证与唯一编号。
四、应用场景：十几分钟，走完一次经营问诊
与零售大脑的对话，通常从一句最平常的话开始：“最近生意怎么样。” 没有指定指标，也没有指定报表，“最近”是多久、“生意”看什么，全部由系统自行判断。
系统选择了最近 30 天：零售额约 144 万元，同比下降 9.5%——随即补充了一个容易被忽略的口径问题：老店的同店表现下滑幅度更大，7 家新店带来的收入抵消了一部分下降，只看整体 9.5%，会把老店的情况看轻。
图 5
继续追问，得到的是一句归因清晰的结论：“钱主要是卖得少丢的，不是卖得便宜丢的。” 件数与成交笔数下降，价格指标没有明显变化，因此排查方向应先指向销量。若未区分这一点就贸然降价，很可能销量问题尚未定位，价格已经降了下去。
对口径的严谨，在门店对比中体现得更为明显。对比两家门店时，系统先纠正口径：这属于两家具体门店之间的比较，而不是上海与深圳两个城市市场的比较。它也排除了“新店爬坡”和“一家卖新货、一家清老货”两种解释；即便其中一家库存明显更少，也没有直接得出“货少所以卖得少”的结论，而是给出另一种可能——前期销售不佳，导致后期不敢补货，库存少的原因可能正好相反。
图 6
系统的另一项能力是拒绝。询问“每个导购压了多少库存”，它会先指出系统中不存在这个口径——库存挂在门店和 SKU 上，不归属于导购。询问“看一下门店的毛利情况”，它会明确回答：毛利与成本类指标不在当前账号的授权范围内，这属于权限拒绝，而非指标缺失；更换时间范围、拆分门店分别查询再汇总，同样无法绕过。
图 7
当问题复杂度进一步上升，系统还有一个动作：立案——进入深度分析，相当于交出一个完整的调查项目。
第一个案子是常见的扩张诱惑：既然上海这家店比深圳卖得好，上海是否可以多开几家？系统的结论是——现有证据不支持。这家店 1、2 月月销均超过 20 万，但 3 至 8 月月均只有约 8 万；以高峰月作为新店预算依据，计划数字会很好看，而租金不会只在高峰月发生。它给出的建议相对克制：若要尝试，先做一家轻资产试点，补齐租金与客流数据，测算盈亏平衡月销额，再与现有门店的常态水平对比。
第二个案子涉及真实投入：有加盟商愿意承接杭州市场，前提是公司先在杭州开设一家旗舰店。系统首先识别出两组数据不可混用——现有经销客户近 12 个月进货额约 65.7 万元，当地门店同期零售额约 72 万元，前者是经销进货，后者是终端零售，都不能用于预测新店利润。随后它点出真正的问题：新加盟商带来的是增量生意，还是原有生意的转移？并提示先在合作条款中明确兑现条件——避免门店装修完成、租金已付，而对方未按量进货。
图 8
十几分钟内，回答、下钻、归因、异常检测与经营建议全部完成；一旦进入“立案”，系统还会先提出若干假设，再逐条用数据验证。
五、差异化优势：为什么不是 text to SQL
让数据说话，这个行业做了 20 多年。从 BI 到数仓、数据中台，所有努力都指向同一件事，但至今没有让人满意的答案。近几年 AI 出现，整个行业集体走上了一条路径：text to SQL——把一段文字生成 SQL，再到数据库中取数。问题在于，当一句话需要关联五张以上的表时，会产生“沉默出错”：计算库销比时，销量若忘记减退货，数值即失真；以此推导一连串结论，而整段 SQL 语法完全正确，业务人员也很难立即发现问题。等到回查到那一小段错误时，经营决策窗口往往已经关闭。
零售大脑选择的是另一条路径。支撑它走通的原因有三个：一是既懂数据、更懂业务——业务即数据背后的来龙去脉；二是没有技术包袱，发现路径走不通即果断切换；三是押注本体论足够早，而 Harness 这一层技术恰好在卡住的时候给出了答案。
数据分析这条赛道上，Palantir、Snowflake、Databricks 等公司占据了最强位置。零售大脑没有选择正面竞争，而是沿本体论路径另开一局——目前这一路径上还没有第二家，但已经有两三家在向这个方向靠近。
图 9
六、落地与价值：只读接入，不动现有系统
当 10 年的经营数据接入后，每个数字出自同一口径、每个结论都有凭证可查、每一次追问都能向下钻取——过去月会上营销、财务、营运报出三个不同数字、会后核实再无下文的问题，由此都有了明确结论。
成本方面，一组对比可以说明差距：过去回答“上海是否要多开几家店”这类问题，需要引入外部顾问，经历调研、取数、出报告的完整周期，费用动辄上百万元；而现在，一次提问的成本约为一分钱。更重要的是不改造现有系统：只读接入、不动现有系统、数据不出域、可私有化部署——不需要押上现有架构，随时可以停止。
图 10
七、结语：让每个数字都有出处
回到开头那个问题——“上个月销量为什么下滑？”
大模型答不了它，因为答案不在语言里；BI、数仓、数据中台这几十年做的事，也没能给出答案，因为答案不在某一套报表里。答案一直都在：在企业自己的数据库中，在那 3,700 张表里，只是缺少一种把它读懂的方式。
这几年 AI 从“能聊天”走到“能干活”，中间隔着的正是这两道门槛——读不懂，和读懂了不敢用。零售大脑要做的，就是把它们拆掉：让每个数字都有出处，让每句结论都能被追问，也在超出能力范围时，明确给出“不知道”。
让 AI 读懂你的企业——这件事，这个行业做了 20 多年，始终没有一个让人满意的答案。现在，零售大脑给出了自己的答案。
关于圆周率
上海圆周率智能科技有限公司是伯俊科技旗下子公司，聚焦 AI 技术探索与产品研发。品牌名「pient」蕴藏双重意涵：π 以无限不循环之姿，象征永无止境的求知与探索；ent 取自 entity（实体），呼应本体论从哲学追问存在本源，到 AI 领域定义实体关联、构建知识框架的技术内核。公司使命：让 AI 读懂你的企业。
