观远答得准，蜜雪通管得深 —— 中间那段编排，今天没有人认领。
一个经营问题 9 天，真正在分析的不到 2 天；其余耗在等排期、找口径、搬数据、走审批。
有回写通道，结论才能变成工单并被追到关闭；这件事同时改了成本结构。
花 15 个工作日，用贵司真实工单把延迟与年化算成唯一的一行数字。 靶定住了，范围与方案才有得谈 —— 在那之前我们不谈商务，也不建议贵司做决定。
零售智脑（茶饮场景库）真实输出：7 年数据，26 个问题全跑通。
用贵司真实场景当场跑；网络不配合就逐格讲对应关系。
提一个贵司真实问题，我们用同构场景跑同一问。
AXA
Manulife 宏利
Zurich 苏黎世
ING
MSIG
Schroders 施罗德
HKBEA 东亚银行
HKIoD 董事学会
Nike
New Balance
Timberland
Lee Jeans
KFC
Chow Sang Sang 周生生
Mabelle
Stuart Weitzman
Kapok
Strawberry.net
HKT
HKBN 香港宽频
SmarTone
Now TV
Viu
Apple Daily
ELLE
PR Newswire
Hotmob
DTV Asia
Swire 太古
Sino 信和
New World 新世界
Regal 富豪
Landmark East
LCX
Ocean Park 海洋公园
West Kowloon 西九
HKTB 旅发局
FedEx
Jebsen 捷成
Li & Fung 利丰
TDC 贸发局
Hong Kong Airlines
JobsDB
Maxim Recruitment
AnyMind
HKUST 科大
VTC
YCIS 耀中
HKMU 都会大学
HKAF 艺术节
Greenpeace 绿色和平
WWF 世界自然基金会
YCCC
TNC
交付中 Manulife HK（SEO / GEO）｜ HKMU（招生与学生问答 SOP 自动化）｜ SOGO（对话式数据 AI 与 SOP 分析）
POC Bar Pacific（ERP 接入）
讨论中 腾讯智慧零售 ｜ Li & Fung 利丰 ｜ Sun Life 永明
拿别家客户的数据来讲贵司的故事。能点名的都是已授权或已进入公开流程的。
经营人员需逐系统、逐报表查找数据，流程繁琐、操作复杂，大量时间耗在「找数据」而不是「用数据」，高频问题反复人工查询。
断点 高频问题全靠人工查 —— 规模一大，必然崩。
能力分散、需跳转外部工具；计划执行与效果反馈数据未完全回流，经营经验沉淀在个人，难以规模化复用。
断点 执行没有回声，复盘只能靠记忆。
分析结论靠人记、工单靠人建，从「发现问题」到「解决问题」链条长、易遗漏、难追踪。
断点 结论到不了执行；到了，也没带上上下文。
既有系统多仅做前端入口权限拦截，接口层缺少权限校验 —— 「人来操作」时代够用，一旦由 AI 代操作即为越权漏洞。
断点 权限只挡在入口 —— AI 一接手，直接穿。
其余全是 等排期 · 找口径 · 对数字 · 搬数据 · 走审批 —— 正是贵司写的「链条长、易遗漏、难追踪」。
任意经营问题，自然语言一句话、秒级给数，答案带口径版本与 SQL。
验收 抽 30 个高频问题，答案与观远 BI 页面口径一致 —— 不一致即判错。
权限下沉到接口层，AI 只读不改；越权数据从未进入模型上下文，动作全留痕。
验收 越权类问题必须拒答；每一次调用可追溯、可复跑。
结论能变成工单、派到责任人、追到关闭 —— 不是停在屏幕上的一张表。
验收 从「得出答案」到「工单关闭」，全链可追踪。
① 问数 Agent ② SOP 值守 Agent ③ 闭环 Agent。今天贵司把范围定在哪几条，比我们讲多少页更重要。
答案生成了，然后呢？第 4 步把结论变成工单，第 5 步把质疑变回资产 —— 这两步不做，系统越用越脏。
让 AI 自由发挥、还能直接改生产数据，等于没人审过的指令直达门店 —— 一句幻觉生成的「调库存」，第二天就变成几百个店的执行动作。这一格空着，是设计，不是缺口。
贵司的硬门槛写得很清楚：数据源仅观远、口径统一可溯源、不新建数仓、不重复治理。我们照做。
蜜雪通开放的不是数据源，是工单读写最小集（白名单 + 需求评审）—— 让结论变成工单并追到关闭。
明细与口径都回观远查；我们做的是「问数 → 报告 → 建单 → 回流」的编排、留痕与评测。
先归档问题类型，再命中哪一个指标、哪一份口径、哪个版本 —— 口径不在表里就先问再答，不猜、不近似。
把「杯量 / 出杯 / 单量」这类说法映射到观远与蜜雪通 API 的同一张表；对不上就报错，不硬编。
生成可审计 SQL，行级权限在编译期注入；静态检查 + 空跑 + 结果合理性检查，三道都过才发出去。
答案带口径版本与可展开 SQL；要动手就转工单。整条链路在 MCP 层留痕 —— 谁问的、查了什么、谁改了状态，全部可追溯。
因为每一段都能单独测、单独换模型、单独定验收。哪一段掉分，改那一段就好 —— 准确率才可归因、可改进。
建一张口径登记表 + 一张术语同义词表：把「杯量 / 出杯 / 单量」钉成同一个指标、同一个版本。口径定不下来，模型再强也答不准。
从贵司历史的正确问答里取示例喂给模型 —— 不是建 RAG，是建口径样例库：少而准、人可维护。
SQL 静态检查 + 空跑 + 抽样试跑，三道都过才出答案；越权条件在编译期注入，越权数据从未进入模型上下文。
答错的题自动进评测集；每次口径变更先跑一遍回归，不达标不上线 —— 准确率不是一次调好，是每轮不往下掉。
换更强模型是加乘，不是前提。真正决定准确率的是口径有没有钉死、错题有没有回流 —— 这两件事只有懂业务的人能做，模型替代不了。
三类题：① 指标问数 ② 归因分析 ③ 越权拒绝（必须拒答）。贵司出题、我们补边界题 —— 题不是我们单方面挑的。
每题以 观远 BI 页面口径为基准，不一致即判错；有争议的题人工复核。基准不在我们手里，所以判不了自己的分。
上线前与上线 4 周后两档；具体数字在第 15 个工作日由双方共创、写进验收表 —— 我们不单方面承诺一个自己定得了的数。
每轮回归不达标，不上线、不进入下一期；偏差题进错题集、限期修，修完重跑。这就是三道闸门里第一道闸门的具体内容。
区域经理在企微 @ 一句，拿到带口径版本与 SQL 的答案 —— 先跑通最高频的 TOP 50 问题。门 ① 第 4 周：不达预期可停，投入可核。
门店执行 vs SOP 条款自动比对，偏差分级（提醒 / 限期整改 / 升级督导）。与问数共用口径与权限，不重复建；门 ② 第 12 周。
结论 → 工单 → 责任人 → 执行证据 → 回流修订，全链留痕；评测集每轮回归，不达标不上线。门 ③ 在第 18 周。
先做的不白做，后做的不重来：SOP 与问数共用口径与权限，工单通道一次打通、两处复用；评测集用现成模板。前提：API 第 2 周前给接口人、MVP 范围锁死。
现场三段，共 4 分钟 —— 每一段都在回答评委心里的一个疑问：
在企微群里 @ 一句「上周杯量归因」—— 看三条归因 + 建议，每条答案带数据来源。回应：「数准不准？」
点开答案背后的 SQL 与口径版本 —— 看它怎么面对质疑，而不是躲。回应：「错了能不能查？」
一键建单派给督导，追踪到关闭 —— 看最后一百米怎么走完。回应：「然后呢？谁去做？」
7 年历史数据，26 个 CEO 常见问题全部跑通：杯量归因 · 缺货预警 · 加盟商对标 · SOP 偏差扫描 —— 评委往哪个方向问，库里有同构的一问。
现场提一个贵司真实问题，我们用 demo 数据跑同构的那一问；网络不给面子就口述对应机制（答口径 / 答 SQL / 答工单）—— 不 debug、不讲架构图。
9 天延迟继续；一线继续拼 Excel；SOP 继续靠抽查。
代价：每年累积，没有终点。
跨域拼装与执行回写不在其产品边界内 —— 不是不好，是不做这件事。
代价：周期与条件由对方定。
需同时招齐数据 + 后端 + 算法；SOP 语义没人写 —— 招齐人也未必有人敢写。
代价：6–9 个月成型，试错自担。
不碰 T1 问数，不替代观远 —— 只做观远到不了的一百米。
代价：15 个工作日先测，不达预期可停。
多数评审会上赢的是它，不是因为对，是因为它没有必须今天就回答的问题。我们把它写出来，是把「不决定」也变成一个要签字的决定。
产出：贵司真实的延迟天数与年化区间 —— 一行数，自己的，不是我们编的。
产出：一页范围书 —— 做、不做、怎么算赢。
产出：SOW —— 范围与排期，在数字之后才出场。
① 蜜雪通 API 的接口人和开放时间表 ｜ ② 谁能签 NDA 并给数据集目录 ｜ ③ 90 天后谁来判定这件事成不成 ｜ ④ 谁的签批能让这次测量启动