如果把一套 Power BI 语义模型交给智能体，让它判断模型是否健康，它应该做什么？
只检查表关系，显然不够。
只扫描几条建模规则，也很难说明问题会影响什么。
如果看到复杂 DAX 就判断性能差，或者没有报表引用证据便建议删除度量值，这样的“智能检查”甚至会带来新的风险。
我们为智能小 V 配置了一个专业能力——Power BI 语义模型评估与治理 Skill，并用一套公司内部构造的演示模型进行实测。
这次实测想验证的并不是智能体能找出多少问题，而是它能否完成一套真正可用于治理的工作：
•看清模型里有什么
•判断哪些地方值得关注
•为重要结论找到证据
•明确哪些事情目前还不能判断
•最终给出可以执行的改进顺序
这次交给智能小 V 的，是一套家具产品营运分析模型。
Power BI 语义模型评估与治理 Skill 首先通过数据接口获取模型元数据，建立本次评估的证据基础。报告开头没有急着罗列问题，而是先交代检查范围：
7 张表 ｜ 39 个字段 ｜ 21 个度量值 ｜ 5 条关系
随后，模型中的对象被重新组织为可理解的业务结构：哪些是销售、费用事实表，哪些是日期、产品和门店维度表，度量值集中在哪些主题下，核心指标之间存在什么联系。
这一步看似基础，却决定了后续结论是否可靠。
如果连本次检查覆盖了什么都说不清，一份报告列出再多问题，也无法判断是否存在遗漏。Skill 因此会同时说明评估范围与证据边界，不臆造模型中不存在的字段、度量值或关系。
体检生成的模型关系图显示，这套模型采用较规整的星型架构。
五条关系全部启用，全部为单向、多对一；没有多对多关系，也没有双向筛选。关系结构这一项，结论是良好。
这一点很重要。
普通规则扫描容易把报告写成一张“问题合集”，读完只知道模型到处需要整改。Power BI 语义模型评估与治理 Skill 会把已确认的良好实践和风险同时呈现，让团队知道哪些基础可以保留，哪些地方才值得投入治理资源。
但关系清楚不代表整套模型已经健康。
综合结构治理、语义清晰度、AI 问数准备度和性能证据完整度后，这套模型的最终健康度为 C（2.3/5.0）。
接下来的检查，开始越过关系图，进入字段、指标和业务数据。
本次报告中的发现，并没有被简单地放进一个风险列表。
按照证据充分程度和处理紧迫性，它们被区分为三类：已确认的问题、需要治理的风险信号，以及暂时无法评价的事项。
这三类结论，看起来只差几个标签，实际决定了团队下一步能不能安全行动。
Skill 从模型结构和 DAX 中识别出风险信号后，对其中三项进一步执行了数据核验。
第一项是利润。
[利润] = [销售额] - [费用支出]
公式本身没有错误，但核验发现销售数据覆盖 2,000 家门店，费用数据只覆盖 500 家。销售与费用的业务范围没有对齐，利润结果因此不能未经说明便作为全量口径使用。
第二项是未来日期记录。销售表中存在晚于体检日的数据，并一直延伸到当年 12 月。它们可能是预测、测试或数据管道异常；具体来源需要业务确认，但“未来记录正在进入当前分析”已经得到数据证据支持。
第三项是订单量：
[订单量] = COUNT('F_销售数据表'[订单编号]) * 13
数据核验确认结果确实被放大 13 倍，而客单价又继续引用订单量。由于模型中没有说明这个固定乘数的业务来源，该逻辑及其下游影响需要立即核实。
这三项问题的共同点是：模型仍可运行，报表不会主动报错。只有将元数据、DAX 与业务数据证据结合起来，才能确认风险真正落在了哪里。
Skill 对每一项都按同一方式呈现：
涉及对象 → 判断证据 → 可能影响 → 优先级 → 改进建议
问题不再只是“被发现”，还具备了复核和处理的条件。
有些问题不需要业务数据核验，模型元数据本身已经能够说明风险。例如：
•门店人数、开业年份和年份三个字段以 Text 存储；
•产品价格、门店面积和销售单价暴露了不合理的默认汇总；
•21 个度量值全部缺少 Description；
•两套名称相近的权限逻辑并存，用途没有说明；
•一张权限辅助表没有建立模型关系，依赖 DAX 字符串匹配。
这些问题未必已经造成某张报表出错，却会影响模型的可维护性、查询安全性和 AI 对业务语义的理解。
Power BI 语义模型评估与治理 Skill 不只引用规则名称，还会落到具体对象，并解释为什么需要处理。比如“价格”是数值字段，却不代表它适合默认求和；度量值名称看起来清楚，也不代表 AI 能理解它的统计范围和特殊逻辑。
对团队而言，这比一份笼统的“建议完善元数据”更容易执行。
这次报告中有一个容易被误解的结果：性能风险证据完整度为 0.0/5.0。
它不代表模型性能差。
它表示当前没有取得存储模式、模型大小、列基数、刷新历史和查询耗时等运行时证据，因此无法可靠评价性能。
报告只保留可能的设计风险信号，没有把推测包装成“性能问题”。
深度治理体检也遵循同样原则。
当前已取得度量值 DAX，却缺少 PBIP、PBIR 或其他报表引用证据，无法确认一个度量值是否仍被图表、筛选器或其他报表对象使用。因此，Skill 不会在这个阶段贸然生成“可安全删除的度量值清单”，而是将报表引用证据列为下一步需要补充的内容。
能判断的给结论，不能判断的说明还缺什么。
这是 Power BI 语义模型评估与治理 Skill 与普通扫描工具之间一个很重要的差别。
这套 Skill 专门增加了 AI 问数准备度评估。
因为一套适合开发者维护的模型，不一定适合 AI 自主理解和查询。
评估会覆盖五个方面：
| 评估维度 | 重点判断 |
|---|---|
| 指标语义 | 名称、说明和计算逻辑是否足以理解指标含义 |
| 维度清晰度 | 时间、地区、产品等分析维度是否清楚 |
| 关系确定性 | AI 是否有明确、低歧义的筛选路径 |
| 查询安全性 | 默认汇总、异常指标和权限逻辑是否可能导致误用 |
| 治理元数据 | Description、层级、隐藏状态等信息是否完善 |
本次模型的关系确定性表现良好，但查询安全性和治理元数据成为短板。
这意味着，AI 可能知道表与表之间怎样连接，却仍可能在“该选哪个指标”“字段应该怎样汇总”“这个指标有什么特殊口径”等问题上缺少依据。
AI 问数不是在现有报表上增加一个聊天框。它要求模型不仅能算，还要能够被机器准确理解。
找到问题之后，Skill 最后完成的是排序。
报告没有让团队面对一长串检查项自行判断，而是按照影响程度安排治理顺序。
优先处理已经影响数据正确性的问题，包括费用覆盖范围、未来记录和订单量固定乘数。
纠正字段类型和默认汇总，完善 21 个度量值的业务说明，统一权限实现，补充标准日期层级和治理元数据。
先处理会影响数据正确性的高风险问题，再治理影响模型维护和 AI 理解的基础问题。这样，体检报告交付的就不只是“发现了什么”，还包括“应该先做什么”。
如果只是检查字段类型、表关系或 DAX 写法，许多工具都能给出一份规则命中结果。
Power BI 语义模型评估与治理 Skill 的不同之处，在于它不是从某一条规则出发，而是从“这套模型能否支撑可信分析与 AI 问数”出发，把原本分散的检查动作组织成一次完整评估。
它先建立模型全景：模型中有哪些资产，事实表与维度表如何分工，关系是否明确，关键指标表达了什么业务。团队拿到的不再是脱离上下文的告警，而是一张能够看懂的模型治理底图。
在此基础上，Skill 再把技术问题翻译成治理问题。字段类型不规范，会影响什么排序或筛选；默认汇总不合理，为什么可能让 AI 用错口径；度量值缺少说明，会给后续维护和智能问数带来什么风险。每一项发现都落到具体对象，并带有证据、影响和处理建议。
对影响数据正确性的风险，Skill 还会继续向下核验。利润问题不是看到公式便作判断，而是比较销售与费用的实际覆盖范围；订单量问题不是因为公式中出现固定乘数便直接判错，而是核对计算结果及其下游引用。它把“规则上可疑”推进为“证据上可以确认”。
同样重要的是，它会主动守住判断边界。没有运行时数据，就不把复杂 DAX 等同于性能问题；没有报表引用证据，就不轻易判断某个度量值可以删除。对企业治理而言，少给一个没有依据的结论，往往比多报一个风险更重要。
这套 Skill 还把 AI 问数作为独立评估目标。传统模型检查关注“能不能运行”，它进一步检查指标是否容易被机器理解、维度是否清晰、筛选路径是否确定、字段是否可能被错误汇总、权限和治理元数据是否足以支撑安全查询。
所以，它最终交付的不是一份孤立的模型问题清单，而是三项彼此连贯的结果：
•一份让管理者和模型负责人都能快速理解的健康度判断；
•一组能够定位到对象、复核到证据的治理结论；
•一条区分轻重缓急、可以直接进入整改的优化路径。
更重要的是，这不是只服务一套模型的一次性报告。Power BI 建模规范、AI 问数准备度和治理方法被固化在 Skill 中，可以重复用于更多 Power BI、SSAS Tabular 和 Microsoft Fabric 语义模型。模型发生变化后也可以再次体检、复核整改结果，让专业治理从依赖个人经验，变成企业可以持续调用的能力。
过去，为一套语义模型做完整评估，需要资深人员在表关系、字段属性、DAX、业务数据和报表之间来回核对，再手工整理风险和建议。
智能小 V 通过 Power BI 语义模型评估与治理 Skill，把这套专业方法变成了一项可调用、可复核、可持续使用的能力。
它不替企业决定业务口径，也不会在证据不足时给出看似肯定的答案。
它负责把模型看全、把问题定位、把证据摆清，并告诉团队下一步从哪里开始。
如果您的企业正在推进以下工作：
•Power BI 接入智能问数或 Copilot；
•现有语义模型治理与优化；
•模型上线、迁移或扩展前的质量检查；
•多部门共用指标的口径与关系梳理；
•AI 问数结果不稳定时的根因排查；
可以先选择一套现有模型，体验一次完整的评估与治理体检。
想让这套模型体检用到自己的 Power BI 模型上？
申请试用，与顾问聊聊你的场景 →
在线咨询
