星空入口AI大模型 · 归因分析约1150字
星空入口大模型发现影院本月能耗上涨以后，为什么不能直接判断"运营效率下降"？
某影院上报的月度能耗汇总显示，本月总用电量同比上涨约13%，值班经理在周报里写下"近期设备维护不到位，运营效率有所下降"。这句话读起来顺理成章，但只凭一个同比涨幅数字就下这样的结论，跳过了至少四类完全可能造成上涨的外部变量。星空入口大模型在处理类似归因请求时，第一步要做的不是给出结论，而是先把这些变量逐一排查掉。
以一个模拟场景说明：该影院当月所在城市持续出现35℃以上的连续高温天气，同时暑期档带动单日场次数从平日的18场增加到26场，入场率也从平时的六成左右升至将近八成；为配合暑期加场，影院还临时把每日营业时间延长了约两小时。气温、场次与客流、营业时长三个变量同时发生在同一个月里，任何一个都足以单独解释一部分能耗上涨。
星空入口大模型在做这类归因分析时，需要接入至少五类数据：分厅电表数据、气象接口的逐日温湿度记录、排片与售票系统的场次及入场率、门禁或运营系统记录的每日开闭馆时间，以及设备维修工单记录。如果只拿到一个汇总电费数字，模型能做的分析非常有限，这也是为什么归因类结论对底层数据颗粒度的要求，通常比单纯的趋势展示更高。
具体做法接近一个变量剥离过程：先用度日数方法对气温影响做归一化，估算出"如果气温和去年同期持平，本应消耗多少电"；再用场次数与入场率的变化，估算客流增加对应的边际能耗；再计算营业时长延长对应的照明、空调运行时间增量。三部分估算值相加后，与实际上涨的13%做比较，剩余差额才是需要进一步关注的"未解释部分"。
这里最容易出的错，是把三个外部变量的贡献量估计得过于粗糙，或者干脆跳过某一个变量——比如只做了天气归一化，却没有核对营业时长是否临时调整过，结果把营业时长延长带来的正常能耗增长也算进了"未解释部分"，进而错误地归因为设备效率问题。另一个常见问题是样本窗口太短：只看一个月的同比，容易被去年同期的偶发因素（比如设备临时停机检修）干扰，导致基准本身就不稳定。
更合理的输出方式，是把总涨幅按变量拆解成一张贡献分解表，例如"气温贡献约6个百分点、场次与客流贡献约4个百分点、营业时长贡献约2个百分点、未解释部分约1个百分点"，并明确说明未解释部分建议由工程团队结合设备台账做现场核查，而不是由模型直接下"效率下降"的结论。
需要强调的是，这类贡献分解本身属于Estimation层的产物，依赖于变量之间大致可加的假设，实际物理系统中气温、客流和设备老化之间可能存在交叉影响，分解结果只是一个参考区间，不是精确解。星空入口AI在这一步能做的，是把值得关注的未解释部分从噪音中筛出来并标注清楚，但设备是否真的需要检修、要不要安排停机维护，仍然需要运营和工程团队结合现场巡检结果做最终判断。
星空入口AI大模型 · Evidence-grounded设计约1200字
星空入口AI自动生成碳排分析以后，为什么每个结论最好都能点回原始Activity Data？
星空入口AI把一个季度的活动碳排数据整理成一段结论——"本季度娱乐活动观众交通相关碳排同比上升约18%，是本季度总排放增长的主要来源"——这段话读起来专业、流畅，结构也完整。但如果用户没有办法点开这句话，看到它到底对应哪几场活动、哪一批交通数据，这条结论的可信度其实无从验证，它和一段凭经验编出来的合理猜测，在展示层面上没有区别。
举一个具体场景：某季度公司主办了4场中型娱乐活动，观众交通排放通过赛后抽样问卷估算，其中1场的问卷回收率较高（约65%），另外3场回收率偏低（不到30%）。大模型在汇总这四场活动数据、生成季度总结时，如果只输出一个"18%"的汇总数字，用户完全看不出这个数字里有相当一部分建立在回收率不到三成的抽样基础上。
支撑这类结论的底层数据通常包括：观众交通方式抽样问卷记录、场馆电费账单、设备物流运输单据、工作人员差旅报销记录。这些数据分别来自不同系统，颗粒度和可信度也不一样——电费账单接近Measured数据，交通抽样问卷则属于Sampled数据，两者的不确定性完全不同。
Evidence-grounded AI的核心做法，是让模型在生成每一句结论之前，先从已经过校验的Dataset里检索出对应的记录，再基于检索到的record生成文字描述，而不是先写出一段听起来合理的话，再回头找数据"配对"。具体实现上，这意味着结论文本里的每一个关键数字，都应该携带一个可以展开的引用标记，点开后能看到这个数字来自哪个Dataset、经过了什么计算步骤、对应哪几条原始记录。
大模型在生成自然语言总结时，有一种容易被忽视的倾向：为了让文字读起来完整流畅，会不自觉地"抹平"数据缺口——比如某一场活动的交通问卷数据不足，模型可能倾向于直接借用其它场次的平均比例去补足计算，而不主动提示这部分是插补而非实测。如果这种平滑处理没有被标注出来，用户看到的会是一段语气笃定、实际上部分建立在插补数据上的分析。
更稳妥的做法，是把Evidence Reference作为结论生成流程里的强制环节而不是可选功能：每条结论对应的Dataset、计算步骤和原始记录都保留可展开的链路，同时对不同来源的数据分别标注质量状态，让回收率较低的那3场活动数据在展示时带着明确的Sampled标签，而不是和电表数据一样以同等确定的语气呈现。
需要说明的是，Evidence-grounded设计能做到的是"结论可追溯"，而不是"结论一定准确"——如果底层的问卷记录或发票本身录入有误，证据链只能帮助追溯到那条具体的错误记录，并不会自动发现或修正它。人工复核环节仍然需要抽查证据链末端的原始凭证是否真实完整，看到"这条结论有证据链"，不等于可以跳过对原始数据本身的核实。
星空入口AI大模型 · 缺失数据决策约1250字
星空入口模型面对缺失数据时应该估算、拒绝回答还是要求补数据？三个选择什么时候分别合理
某影院一台空调设备连续7天的电表读数缺失，某场娱乐活动的观众交通调查问卷只回收了23%，某供应商本季度一直没有提交场馆电费账单——同样是"数据缺了一块"，星空入口模型理论上有三种反应：直接用某种方法估算补上、明确告诉用户这里无法给出可信结论、或者把缺口标出来并要求业务方先补数据。选哪一种，不应该是模型随手决定的默认行为，而要看具体场景。
这三种缺口的性质并不一样。电表缺失7天，前后两端的读数都在，数据点本身连续、只是中间断了；观众交通问卷回收率23%，不是数据完全没有，而是样本量偏小，代表性存疑；供应商没交账单，则是账单流程本身没有走完，数据理论上是存在的，只是还没进入系统。三种情况如果套用同一种处理方式，结果都不会太理想。
判断该走哪条路径，需要看至少三个维度：缺口规模占整体数据的比例、是否存在可靠的插值或估算方法，以及下游用途对确定性的要求高低——内部趋势周报和对外正式披露的ESG报告，对数据确定性的要求完全不是一个量级。
电表缺失7天且前后读数完整的情况，适合走估算路径：用相邻日期的读数或历史同期均值做线性插值，估算方法本身并不复杂，误差也相对可控，只要在界面上把这7天标注为Estimated并注明插值方法，用于内部趋势周报是合理的。
观众交通问卷回收率只有23%这种情况，如果用途是对外的正式ESG披露，更合理的路径是明确告知"当前样本量不足以支撑可信的排放总量披露"，而不是把一个基于两成多样本推算出的数字包装成看起来确定的总量对外发布——对外披露场景下，一个诚实的"数据不足"结论，比一个看似完整但底气不足的数字更负责任。
供应商未提交账单则属于第三种情况：这不是真的无法获得数据，而是流程还没走完。这种情况下，合理的做法不是估算（会掩盖流程问题）也不是简单拒绝（无助于解决问题），而是把这一项标记为待补充，并提示业务方跟进供应商，推动数据尽快补齐进入系统。
最常见的错误，是用同一种策略应对所有缺口——比如为了让报告显得完整，对所有缺口一律估算，结果可能在正式披露里悄悄混入未充分标注的猜测数字；或者反过来，为了"安全"对所有缺口一律拒绝回答，导致内部周报因为过度谨慎而失去参考价值；又或者把本可以通过跟进拿到的账单数据，直接用估算值搪塞过去，反而削弱了后续补数据的动力。
无论走哪条路径，模型给出的都只是基于规则的建议——缺口规模、插值可靠性、下游用途这几个判断维度，可以由系统辅助识别，但是否采用某个估算值、是否接受某种插值方法进入正式报告，最终应由数据治理团队按企业既定的数据质量标准确认。模型不具备单方面判断"这次业务是否合理"的权限，更不能在没有人工确认的情况下，把一个Estimated的数字悄悄改成看起来更权威的呈现方式。
