智能问数项目的数据库与数据从何而来？

核心回答

下面是一种自建模拟电商库的示例答法，可按实际项目调整：

我的问数项目用 MySQL 保存模拟订单和商品、客户、地区、日期等维度，订单由生成脚本构造，不来自真实客户交易。数据用于验证自然语言问题能否映射到正确字段、指标和查询结果。

建库时先确定表的粒度、主键和关联，再按固定种子生成满足这些关系的数据。验证时用人工写定的参考 SQL 核对按地区、商品和时间聚合的结果，并补充退款、跨月和无匹配记录等边界情况；生成规则、数据快照和校验结果一起保存，便于复现。

这套数据能验证字段映射、连接和指标计算；真实用户问法、交易分布和生产负载还需要另一组代表性数据来验证。

生成与导入怎样校验

订单关联已有商品和地区，金额、数量与状态遵守预先定义的规则，日期落在固定时段。生成结果导出成 CSV 后导入，检查表头、日期格式、空值、金额单位和关联键，让同一份快照可以重复生成和查询。

重复主键或失效关联这类无效输入单独用于检查导入是否拒绝，不作为合法订单混进分析结果。模型可见的元数据、字段样例与执行结果也沿用同一授权范围，不能因接通数据库就默认全部可见。

数据来源变化后，哪些信息一起交代

采用公开数据集时，记录原始地址、版本与许可，以及类型转换、去重和缺失值处理；采用经授权的业务数据时，说明允许披露的来源类别和使用范围。数据集本身、处理脚本和元数据各保留版本，避免把“成功导入”误当成字段含义与业务口径都正确。

来源之外，还要区分数据库引擎、表结构和记录内容：使用 MySQL 说明存储与查询方式，星型模型说明表怎样关联，数据究竟来自生成脚本、公开样本还是业务同步，则是另一项需要单独说明的事实。

对应教程

参考资料