上一篇《电力交易需要怎样的AI？SISITrader 的答案》中我们介绍了 SISITrader 面向电力交易行业的整体解决方案。这一篇不再谈全局架构，而是走进交易员每天都会遇到的两类具体工作：数据定制与灵活分析，以及日报、周报、月报的持续生成。
我们的结论是：电力交易 AI 的价值，不只是更快地“给出一个答案”，而是把数据口径、计算过程和最终结果同时摆到业务人员面前，让答案可追溯、可验证、可复用。只有建立在这个基础上，问数才能进一步变成简报、报告和辅助决策能力。
电力交易是一个高度依赖规则和数据的行业，各省市场规则、交易品种、结算机制和时间粒度并不相同。同一个交易员，在交易前可能要分析市场行情、供需边界和持仓结构，模拟不同策略；交易后又要复盘成交结果、结算表现和盈亏原因，总结可用于下一轮交易的经验。
这使数据需求天然带有个性化特征。有些分析需要长期使用，有些只服务于一次策略判断，还有一些会随着规则变化临时出现。若每一个新需求都按传统方式提交开发、确认口径、排期取数、制作页面，不仅响应周期长，沉淀下来的固定模块也很难覆盖交易现场不断变化的问题。
因此，智能问数和自由组合分析并不是为了替代所有传统系统，而是补足标准化产品难以快速响应的非标、临时分析需求。业务人员需要的是：能用自然语言提出问题，也能在答案基础上继续调整指标、维度和时间范围，迅速完成下一步分析。
智能问数已经发展多年。常见路径之一，是建设标准化、轻量化数据库，再由大模型把自然语言转换为 SQL，即 NL-SQL；另一类方法会先为数据库补充语义层，让模型理解表、字段、指标和关系，再生成面向语义模型的查询，常被称为 NL-MQ-SQL 一类方案。
这些方法解决了“自然语言怎样变成查询语句”的问题，却没有自动解决“业务问题怎样被准确理解”的问题。技术上，一段 SQL 可以语法正确、顺利执行并返回数据；业务上，它仍可能选错指标、关联错表、使用错误的聚合方式，或者遗漏关键过滤条件。换句话说，查询执行成功，并不等于业务答案正确。
电力交易尤其容易出现这种情况。同一个词，在不同市场、主体、阶段和结算口径下，可能对应不同指标；同一指标又可能按市场、省份、交易单元或时间粒度展开。模型如果只根据词语相似度去猜，就可能生成一个“看起来合理”的数字。数字越完整，反而越容易让人忽略它背后的口径偏差。
以“查询山西现货电价”为例，这句话对人和模型来说都不够明确。
首先是指标口径的歧义。用户可能想查全省统一出清口径的电价，也可能想查某个交易单元的结算口径电价；可能关心日前市场，也可能关心实时市场，或者希望对比二者。
其次是维度的歧义。结果可以按市场展示，也可以按交易单元展示；可以看日均值，也可以看 96 点曲线；还可能涉及全省统一价格与节点、结算相关价格的差别。若这些条件未被确认，模型只能自行补全问题，而不同补全方式会得到完全不同的答案。
即使模型碰巧选对了业务口径，数据是否正确仍然难以验证。传统智能问数通常把查询结果直接交给用户，但业务人员很难进入数据库、重写一遍 SQL，检查表关联、过滤条件和计算方式。最终还是要找开发人员介入。这样一来，从提问到验证并没有形成单链条闭环，临时分析的速度优势也被削弱。
智能问数真正需要解决的，因而是两层可信：第一层是业务口径可信，确认系统理解的是不是用户真正想问的问题；第二层是数据结果可信，让业务人员能够独立核对答案的来源与计算过程。
SISITrader 的做法，是先建设标准数据底座，再以可视化方式将指标、维度和数据关系呈现在前端。数据库不再是业务人员看不见的黑盒，问数也不再止于返回一个数字。
用户仍然可以直接用自然语言提问，例如“查询山西现货电价”。系统会识别可能对应的指标和维度，并给出候选口径。若问题存在歧义，用户可以在指标树或维度选项中确认：查的是日前还是实时、全省出清还是交易单元结算、日均结果还是分时曲线。这里的“选择”不是让用户从零搭建查询，而是在系统已经理解问题的基础上，对关键业务口径做一次确认。
确认后，系统提供两条相互独立又能彼此印证的验证路径。
通过可视化指标树，用户可以追溯回答使用了哪个指标、属于哪个业务主题、采用了哪些维度与过滤条件，从而判断模型的理解是否与实际业务一致。
在确认业务口径后，用户可以将相关指标和维度拖入分析区，直接查看明细、聚合结果与计算关系，核对模型返回的数据，而不必进入数据库写 SQL。
这种方式把普通 NL-SQL 只给“结果”的路径，扩展为“结果、业务口径、数据验证”并行呈现。系统把容易发生歧义的环节交给人确认，并将查询限制在已治理的数据和规则范围内，可以显著降低模型选错口径或凭空补全条件的风险，也接近消除这一环节的模型臆测。当然，最终可信度仍取决于底层数据质量、指标治理和规则维护，任何 AI 系统都不应以“完全没有幻觉”作为承诺。
完成第一次查询后，用户还可以继续增加指标、切换维度、对比不同日期或交易单元，进行趋势、结构、差异和异常分析。问数由一次对话，变成一个可继续操作的分析工作台。
能够准确、可验证地取数之后，才有条件把能力延伸到更完整的工作场景。对交易员来说，真正消耗时间的往往不是某一次查询，而是每天重复进行的数据准备、分析计算、材料整理和汇报。
交易开始前，交易员要了解市场行情和气象变化，检查持仓，判断供需边界与价格走势，为下一个交易序列制定策略。交易结束后，又要复盘成交结果，分析市场数据与结算数据，解释盈亏来源，并向业主方汇报。日报、周报和月报只是这些工作的不同时间尺度，其底层都依赖一致的数据口径和可复用的分析逻辑。
SISITrader 希望做的，不是让模型随意生成一篇“看起来完整”的报告，而是把已有的问数、分析和规则能力组织成受控的报告生产链路。
每日打开电脑后，SISITrader 可以围绕当天及未来一段时间，组织气象预测、市场供需边界、当前持仓、短期电价预测和交易序列日历提醒，形成每日简报。
简报首先回答“今天有哪些交易序列需要关注”，再呈现制定策略所需的主要边界入参。交易员不必分别打开多个系统、导出表格并手工拼接，就能快速形成对当日工作的整体认识，并据此勾勒策略雏形。
这里的自动化重点是减少重复的数据准备和整理工作，而不是越过交易员直接作出交易决策。预测结果、异常数据和关键风险仍需结合最新市场信息与专业判断复核。
对于报告类工作，SISITrader 可以通过定时任务生成日报，并按同一套数据与指标体系汇总为周报、月报。报告内容既可以包含市场行情、气象数据、实时电价等公有数据分析，也可以包含中长期出清、省内与省间现货出清、总体结算收入、综合电价与捕获电价对比等经营分析内容。
要让自动报告真正可用，必须建立清晰的受控链路：定时触发 → 统一取数 → 数据质量检查 → 分析计算 → 固定模板生成 → 人工复核 → 归档与分发。
统一取数保证不同周期报告使用一致口径；质量检查识别空值、延迟和异常，并在报告中如实披露数据暂缺，不能用估算值填补；分析计算遵循已确认的业务规则；固定模板保证关键指标和章节不会因模型自由发挥而遗漏。涉及盈亏、结算和策略效果的结论，应由交易员复核后再对外分发。报告归档后，还可以反向支持历史对比和策略复盘。
通过这条链路，交易员和业主方能够更快识别当前策略是否有效，看到各市场分项表现，并追溯盈亏形成的原因。自动化解决的是重复劳动和口径一致性，人审保留的是专业责任与决策边界。
从标准化平台，走向可生长的业务能力
传统电力交易平台擅长解决稳定、标准的模块化需求，这些能力仍然重要。SISITrader 在此基础上进一步提供面向专业电力交易场景的 AI Agent 能力，让自然语言问数、自由分析、定时报告以及后续更多业务应用建立在同一套数据、指标、规则和验证体系之上。
这是一种新的辅助决策范式：系统不只展示预先开发好的页面，也能围绕交易员提出的问题组织工具和分析链路，覆盖大量个性化、临时性的业务需求。它的能力上限很高，但并非没有边界——能发挥多大价值，取决于数据与规则建设，也取决于使用者是否愿意把自己的分析方法沉淀进系统，并以开放的方式持续迭代。
AI 不会替代电力交易中的专业判断，但它正在改变数据被调用、经验被复用和报告被生产的方式。随着这些具体场景逐步落地，电力交易工作正在进入一个人机协同的新阶段。
info@tradingthink.cn
