有个数据分析师跟我说，他现在最怕听到三个字。
语义层。
不是因为他不懂，而是因为这个词一出现，会议室里的空气就会变硬。架构师开始讲模型，BI 厂商开始讲平台，治理团队开始讲标准，业务同学低头看手机。
大家都知道它重要。
也都隐约觉得，这事做起来会很重。
可是到了 AI 问数、AI 报告、Agent 调用数据的时候，语义层又绕不开了。模型可以写 SQL，可以生成图表，可以把一段指标解释说得很顺，但它不知道你们公司“新客”到底按注册、首购还是支付算。
这不是模型的问题。
公司自己没有留下说明书，机器当然只能猜。
所以我更愿意把语义层说得土一点：它不是新名词，它是 AI 时代的数据说明书。
语义层先别做大
很多语义层项目失败，不是因为概念错了，而是因为第一步太大。
一上来就想统一全公司的指标、维度、权限、血缘、数据质量、数据目录。方案写得很漂亮，评审也很热闹。真正落地时，没人知道先从哪里开始。
业务还在群里问数。
数据同学还在临时改 SQL。
指标平台里多了一些字段说明，但没人打开。
这时候再说“我们要建设企业级语义层”，听起来就像在厨房着火时讨论装修风格。
更实际的做法，是从 20 个高频业务问题开始。
不是 200 个指标，也不是全量表资产。
就 20 个问题。
比如：
- 上周 GMV 为什么下降；
- 新客转化为什么低于预期；
- 某个渠道的 ROI 还能不能投；
- 这个活动带来的复购是不是健康；
- 某个地区的退款率为什么变高。
这些问题有一个共同点：业务真的会问，领导真的会看，数据团队真的会反复解释。
如果语义层不能先解决这些问题，它再完整也只是文档工程。
一张说明卡，要写清五件事
做轻量语义层，不一定先买平台。
先给每个高频问题做一张说明卡。
这张卡不是给领导看的 PPT，也不是给模型看的 Prompt。它应该是人和系统都能理解的一组约定。
第一，指标定义。
比如“新客转化率”，分子是什么，分母是什么，注册、下单、支付、退款怎么处理，时间按自然日还是业务日。
第二，维度关系。
这个指标能按哪些维度拆：渠道、地区、商品、用户类型、活动批次。哪些维度不能随便组合，组合后会不会重复计数。
第三，权限边界。
谁能看汇总，谁能看明细，哪些字段不能暴露给普通用户，哪些问题必须回到授权流程。
第四，数据质量。
数据什么时候更新，哪些表可能迟到，哪些字段历史上经常有空值或口径变化，回答时要不要提示新鲜度。
第五，拒答规则。
哪些问题不能直接回答：时间范围不明确、样本太少、口径冲突、权限不足、数据异常、指标没有负责人。
这五件事放在一起，才像一张能工作的说明卡。
没有它，AI 问数很容易变成猜谜。
