“示例队甲换了主教练以后，谁的进攻角色变化最大？”如果一个系统在这句话之后立刻吐出一个球员名字和一段流畅的解释，最应该怀疑的不是它的速度，而是它的答案来自哪里。这个问题里没有一个词是可以直接“搜到”的：“换帅以后”是一个要从任职记录里推出来的时间点，“进攻角色”是一个没有标准定义的概念，“变化最大”则需要一个前后对比的度量。半岛体育官网不给这类问题一个即时的漂亮答案，并不是因为做不到快，而是因为可靠的答案有一部分工作必须先做完：先查三层数据，再回来说话。文中球队、教练、球员和数字均为模拟设定。
先看一个“秒答”是怎么错的
设想一个把体育问答当成普通网页搜索来做的系统。它拿到问题，去检索含有“示例队甲”“新帅”“进攻”的文章，找到几篇赛后评论，其中一篇写着“换帅后边锋林某明显更活跃”，于是回答：变化最大的是林某。这个答案看上去有依据，有出处，语气自信。但它至少可能在四个地方出错：
- 评论文章写的是主观印象，没有说明“活跃”是指触球次数、射门次数还是跑动距离。
- 文章发表时新帅只带队打了两场，样本太小，后面的比赛里趋势可能反转。
- 换帅前后队友的伤停情况不同，林某的角色变化可能是队友缺阵造成的，与教练无关。
- 真正变化最大的可能是一名中场，他在评论里根本没被提到。
问题不在于检索到的文章是错的，而在于文章只能回答“别人怎么说”，无法回答“数据上发生了什么”。前者是文本检索的强项，后者需要结构化数据和计算。关于这两种检索的分工，可以对照阅读RAG与GraphRAG在体育分析中的区别。在半岛体育AI的设计里，这个问题的第一步不是找文章，而是回答另一个问题：“换帅以后”到底是从哪一天开始的？
第一层：身份与时间——谁在什么时候管这支球队
第一层数据回答的是“时间轴上的锚点在哪里”。它不含任何技术统计，只包含几张变化缓慢的关系表：教练任职表、球员合同或注册表、赛程表。
| 表 | 关键字段 | 在本问题中的用途 |
|---|---|---|
| coach_tenures | team_id, coach_id, start_date, end_date, role | 确定“换帅”的日期，区分正式主教练与代理教练 |
| games | game_id, game_date, home_team_id, away_team_id, status | 把日期切成“换帅前”和“换帅后”两组比赛 |
| squad_registry | player_id, team_id, valid_from, valid_to | 只比较前后都在队内的球员，转会来去的球员单独标注 |
这一层有几个容易被忽略的难点。首先，“换帅”本身并不总是一个干净的日期：教练宣布离任、新帅宣布就任、新帅首场坐镇，可能相隔数天，且中间可能有代理教练。系统需要选定一个口径，例如“以新帅首场带队比赛的日期为分界”，并在回答里说明。其次，如果任职记录里出现空档，说明数据本身不完整，此时应当提示而不是自行补全。
第一层的输出很短，大致是这样的：
coach_change（示例）
team_id = T_0007（示例队甲）
old_coach = C_0031，任期截至 2025-10-05
new_coach = C_0052，首场带队 2025-10-19
gap_note = 中间有一场代理教练执教，默认不计入前后两组
games_before = 赛季初至 2025-10-05，共 8 场
games_after = 2025-10-19 至今，共 6 场请注意最后两行：换帅后只有6场。这个数字后面会反复用到，因为它决定了结论能有多大的把握。时间锚点如何影响查询含义，在体育查询中的时间一文中有更系统的说明。
第二层：出场与统计——每个人到底踢了多少
有了前后两组比赛，第二层数据才开始有意义。这一层是常规的技术统计：每名球员在每场比赛的出场时间、进球、射门、传球、关键传球等。它回答的是“量”的问题，用来计算每90分钟的产出，避免把出场时间长短的差别误当成角色变化。
下面是一段示意的聚合查询，按球员分别计算换帅前后的每90分钟射门次数：
SELECT s.player_id,
CASE WHEN g.game_date < DATE '2025-10-19' THEN 'before' ELSE 'after' END AS period,
SUM(s.shots) * 90.0 / NULLIF(SUM(s.minutes), 0) AS shots_per90,
SUM(s.minutes) AS total_minutes,
COUNT(*) AS games_played
FROM player_game_stats s
JOIN games g ON g.game_id = s.game_id
WHERE s.team_id = 'T_0007'
AND g.status = 'finished'
AND s.minutes > 0
GROUP BY s.player_id, period;这里的关键是 SUM(shots) 除以 SUM(minutes)，而不是把每场的每90分钟数据取平均。后者会让只踢了10分钟的一场和踢满90分钟的一场权重相同，是体育统计里最常见的算术陷阱之一。此外还必须保留 total_minutes 和 games_played：如果某名球员换帅后只累计出场60分钟，他的每90分钟数据波动极大，不能与主力球员并列比较。
第二层能回答“进攻产出变了多少”，但仍无法回答“角色变了没有”。一个球员的射门次数没变，可能是他仍然踢原来的位置，也可能是他从边路换到了中路、只是碰巧射门次数相当。要区分这两种情形，就必须进入第三层。
第三层：位置与战术事件——角色是踢出来的，不是登记出来的
“进攻角色”真正落在数据里的形态是位置和事件。位置层面，同一个球员在一场比赛里可能先后打过右边锋、影锋和中锋；事件层面，触球发生在球场的哪个区域、传球从哪里发出、射门在什么位置，这些才是描述角色的原材料。
| 表 | 关键字段 | 它能说明什么 |
|---|---|---|
| position_segments | game_id, player_id, position, start_minute, end_minute | 球员在每段时间里实际站位，而不是赛前名单上的登记位置 |
| match_events | event_id, game_id, player_id, event_type, minute, x, y | 触球、传球、射门发生的区域，可算出进攻三区参与占比 |
| formation_segments | game_id, team_id, formation, start_minute, end_minute | 球队整体阵型，用来排除“阵型变了所以位置变了”的干扰 |
基于这些字段，可以定义几个描述“进攻角色”的候选度量，例如：进攻三区触球占球员全部触球的比例，禁区内触球次数，传球的平均起点位置，实际站位在前场的时间占比。它们各自捕捉角色的不同侧面。半岛体育AI在这里的做法是，不悄悄选定其中一个，而是把候选度量列出来，让用户确认或采用默认组合，并在回答里注明使用了哪几项。“角色”这个词是用户的，度量的选择必须公开。
如果要问的是关系而不是数量，比如“换帅后与林某形成固定配合的搭档有谁变了”，则需要在知识图谱里查多跳关系。下面是一种简化的图查询思路，仅为示意：
MATCH (p:Player)-[:PLAYED_FOR]->(t:Team)
MATCH (p)-[a:ASSISTED_BY]-(q:Player)
WHERE t.id = 'T_0007'
AND a.game_date >= '2025-10-19'
RETURN p.id, q.id, count(a) AS link_count
ORDER BY link_count DESC换帅前也要做同样的查询，再比较两组配对的差异。这类问题用SQL可以写，但路径一长就会变得笨重，这是图查询的用武之地。
三层合在一起：一次完整的查询长什么样
把三层拼起来，原始问题被拆成下面这份计划。它同时也是用户可以看到的“正在做什么”：
- 从 coach_tenures 取分界日期，确认前后比赛组，报告前后各多少场。
- 从 squad_registry 取前后都在队内的球员，排除新加盟或离队者，单独列出。
- 从 player_game_stats 计算每人前后的出场分钟数，出场时间过少者标为“样本不足”。
- 从 position_segments 与 match_events 计算所选的角色度量，前后各一组。
- 对每名球员计算前后差值，并同时输出差值的方向与样本量。
- 把“变化最大”的排序结果与样本不足的提示一同交给回答生成。
示例结果可能是这样的：
| 球员（虚构） | 进攻三区触球占比：前→后 | 换帅后出场分钟 | 备注 |
|---|---|---|---|
| 球员A（中场） | 31%→46% | 512 | 站位由中路后腰移至前腰，样本较充分 |
| 球员B（边锋） | 58%→61% | 498 | 变化很小 |
| 球员C（前锋） | 64%→39% | 131 | 样本不足，仅供参考 |
这份结果说明了为什么要慢一点：如果只看数值，球员C的变化幅度看起来不小，但他换帅后只出场131分钟；若不做样本量检查，他就可能被当成“角色变化最大”的答案。正确的回答应当把球员A放在首位，同时注明球员C的变化由于样本不足无法确认。
“不秒答”不等于“让用户干等”
有必要澄清一个误解：强调先查三层数据，不是说系统要故意拖延。计算需要多久取决于数据规模和查询复杂度，半岛体育官网不会在这里承诺任何固定的响应时间。可以确定的是，这类问题的处理方式应当是分阶段呈现，而不是沉默之后一次性给出结论：
- 先告诉用户系统理解到的条件：换帅日期取哪一天，前后各几场。
- 如果口径存在歧义，立即提问，而不是先算完再让用户发现口径不对。这类追问的设计思路见App为什么会要求补充条件。
- 结果出来之后，展示的不仅是结论，还有样本量提示和使用的度量。
相反，简单问题不该被拖慢：“示例队甲上一场比赛的比分是多少”只需要一次单表查询，走的是最短路径。系统对不同复杂度的问题采用不同深度的处理，而不是一刀切。判断问题属于哪一类，本身就是查询规划的任务。
哪些问题即使查完三层也不能下结论
三层数据全部查完，仍然会留下一些无法回答的部分。第一，换帅后6场对比换帅前8场，样本本来就有限，任何“显著变化”的说法都应当带着限定语。第二，观测到的变化不等于教练造成的变化：对手强弱、赛程密度、主力伤停、比分状态都会同时改变，这些混杂因素在数据发现与因果解释一文中有专门讨论。系统能做的，是把“数据发现”和“原因猜测”分开标注：前者由计算得出，后者只能作为需要进一步核实的线索。
还有一类容易被忽视的情形：换帅前后球队的整体打法可能同时改变。若新帅让全队推得更靠前，所有球员的进攻三区触球占比都会上升，单个球员的“变化”其实只是整体水位的抬升。因此比较时应当同时计算球队整体的变化量，把个人变化减去整体变化之后再排序，才能看出谁的角色相对队友发生了偏移。这一步在SQL里并不复杂，难的是提醒自己需要做。
第三，第三层的事件数据并不是所有比赛都有。如果换帅前的几场比赛只有基础技术统计，没有事件坐标，那么“进攻三区触球占比”就无法对两组比赛同口径计算。此时诚实的回答是缩小比较范围，或者明确告知“该指标仅在部分比赛中可用”，而不是用不同来源的数据拼在一起。
可靠的慢，胜过不可核对的快
回头看开头那个假想的“秒答”系统，它的问题从来不在快，而在于快得没有留下任何可以检查的东西：没有分界日期，没有样本量，没有度量定义。相比之下，先查三层数据的做法虽然多了几个步骤，但每一步都产生了一份用户可以核对的中间结果。当结论与直觉不符的时候，这些中间结果就是双方讨论的共同基础。
复杂的体育问题本来就不是一次网页搜索能解决的。它们需要时间锚点、出场记录和战术事件三层数据相互印证，需要在计算之前先约定口径，需要在结论之后留下限定。这是半岛体育AI对“可靠”的理解：把该做的工作做完，把做了什么说清楚，然后才是回答。
