结构化数据
Data Tools：只选工具、填参数，不让模型写 SQL
把高频业务问题封装成数据工具。模型只负责理解问题、选择工具和填写参数，取数逻辑由经过验证的工具执行，结果稳定、可复现。
- 高频问题工具化，避免自由发挥式取数
- 参数化调用，结果可复现、可审计
- 按业务反馈持续调优
让 AI 用对数据，每个结论都有出处。
数据接入、清洗与知识化。结构化数据用 Data Tools 精准取数，非结构化资料用本体建模与 GraphRAG 召回；结论挂证据，缺证即拒答。
核心能力
Data Tools：
非结构化资料
本体建模 + GraphRAG：召回准，出处清楚
以行业本体为骨架，把政策文件、业务规则与历史口径组织成知识图谱。回答时逐条附上原文出处，找不到依据就明确拒答。
- 行业本体语义建模，知识结构化沉淀
- 图谱增强召回，减少遗漏与张冠李戴
- 证据不足时拒答
在真实业务里怎么用
领导问数
开会时把数问准
领导在会上问「上月基金支出异常在哪」，智能体调用 Data Tools 取数并附上出处，数字可以当场核对。
政策问答
文件依据一键溯源
业务人员询问政策口径，系统从政策库召回原文段落，回答附文号与条款位置。
数据治理
把散落的数据变成资产
把分散的库表与文件按行业本体建模，变成可问、可查、可审计的业务知识。