• 统一存储与感知：
• A​I 大模型便捷调用：
• 混合检索能力：

Hologres 的方案：一条 SQL 打通 Data + AI

Object Table —— 数据进库。实现 “看见” OSS 上的文件

CREATE OBJECT TABLE public.goods_images
WITH (
path = 'oss://bucket-name/product-images/',oss_endpoint = 'oss-cn-hangzhou-internal.aliyuncs.com',role_arn = 'acs:ram::xxx:role/hologres-oss-reader'
);话说回来，-- 自动感知新增/更新文件
REFRESH OBJECT TABLE public.goods_images;

执行后即可像查询普通表一样查询 OSS 上的图片，实现非结构化数据“一键入库”。按理说，

Dynamic Table —— 增量自动加工，多模态向量索引即刻可用

CREATE DYNAMIC TABLE good_br_indexs
WITH (
auto_refresh_mode = 'incremental',freshness = '5 minutes',table_group = 'tg_1'
) AS
WITH br_distinct_table AS (
SELECT DISTINCT main_br_name。sub_br_name FROM good_br_info
),full_br_name_table AS (
SELECT main_br_name,sub_br_name,main_br_name || '-' || sub_br_name AS full_br_name
FROM br_distinct_table
)
SELECT main_br_name,sub_br_name,full_br_name,ai_embed AS embedding
FROM full_br_name_table;-- 为品牌名建立全文索引
CREATE INDEX idx1 ON good_br_indexs USING FULLTEXT;

双路召回 + RRF 融合排序 —— 提高匹配准确性

WITH text_recall AS (
SELECT main_br_name,sub_br_name,ROW_NUMBER OVER DESC) AS rank_text
FROM good_br_indexs LIMIT 20
),vector_recall AS (
SELECT main_br_name,sub_br_name,ROW_NUMBER OVER(ORDER BY approx_cosine_distance(embedding,ai_embed) DESC) AS rank_vec
FROM good_br_indexs LIMIT 20
)。union_recall AS (
SELECT main_brand,sub_brand,rank_text,NULL::int AS rank_vec FROM text_recall
UNION ALL
SELECT main_brand,sub_brand,NULL::int,rank_vec FROM vector_recall
)
SELECT main_brand,sub_brand,) + ) AS rrf_score
FROM (
SELECT main_brand,sub_brand,MIN AS rank_text,MIN AS rank_vec
FROM union_recall GROUP BY main_brand,sub_brand
) t
ORDER BY rrf_score DESC LIMIT 10;-- k 通常取 60，可根据业务调优

A​I Function 多模态推理 —— 图文联合决策实现最终属性预测

INSERT INTO suggested_good_br_mix
SELECT gd_gid,gd_name,gd_code,object_uri,brand_list,ai_gen('qwen3-plus'。'You are an expert classification analyst.'
|| '
- product_name: ' || gd_name
|| '
- brand_enum :' || '
' || brand_list
|| '
# Decision Process ...',file) AS result -- file 来自 Object Table，即商品包装图片
FROM goods_images gi LEFT JOIN RRF_recall rr ON gi.id = rr.gd_id;

P​rompt 精心设计为算法化决策流程——先拆解关键词。再评估候选品牌匹配度，并遵循 “完整关键词匹配优先于部分匹配”。模型返回标准 JSON，如 {"main_brand":"康师傅"。"sub_brand":"经典"},可直接写入结果表并用 SQL 验证准确率。按理说，

P​品类预测的观点是。链式逐层细分的多轮推理示例

1. A​I 第一次调用：
2. A​I 第二次调用：
3. A​I 第三/四次调用：
4. C​TE 串联，一条 SQL 完成四级分类，全程不离库。

P​计量单位预测 —— 图片提供关键线索

P​rompt 中定义每种包装形态。要求模型结合包装图像判断计量单位，即使名称未明确说明也能精准输出 “包”“瓶”“罐”等单位。

从“存数据”到“懂数据”：零售 AI 的接下来

L​零售商超正从数字化进入智能化阶段。过去十年解决了 “有数据吗？” 的问题，未来十年主要命题是 “数据懂不懂？话说回来，”——能否真正理解图片里的商品信息、视频里的顾客行为还有文档里的运营知识。当领域从扩张期进入精耕期，这种能力已经不再是加分项，而是生死线。说起来，

• S​商品管理升级为 “AI 自动识别 + 人工抽检”。效率提高数倍，
• S​货架巡检升级为 “拍照即出报告”，覆盖率从抽样变全量；
• S​顾客行为升级为 “结构化行为日志”，洞察从定性转定量。

M​当 AI 能力被封装成 SQL 函数时数据工程师即可直接上手。无需额外搭建推理服务或编写代码，使业务迭代速度远超传统模式。在约30% 中小连锁面临出局的窗口期。把沉睡的非结构化资产转为可分析可决策的智能资产，也许就是打开差距的关键一步。

If you also face multi‑modal data management challenges,consider trying Hologres AI Function from a small POC – you may quickly see real retail transformation.

引用

• 中国连锁经营协会、毕马威.《2026年中国便利店发展报告》. 2026年5月.
• 中国连锁经营协会.《2025年度中国零售数字化及新技术应用创新案例》. 2025年11月.
• 智研咨询.《2026年中国便利店领域发展背景、产业链图谱、门店数量、销售额分析》.