# 语义层

很多数据团队一听语义层，就想到老 BI、指标平台和数据治理文档。但 Power BI、Databricks、MIT 和 Lyft 最近都在重新谈 semantic layer。对数据分析师和数据工程师来说，真正的问题是：怎么从 20 个高频业务问题开始，把指标、维度、权限、质量和拒答规则写成 AI 能调用的数据说明书？

很多公司做 AI 问数时，先关心模型会不会写 SQL，却忽略了一个更普通的问题：公司有没有一本能说明指标口径、数据来源、权限边界和适用场景的指标说明书？对数据分析师和 BI 同学来说，AI 最先暴露的往往不是模型能力，而是组织没有把业务语义写下来。

Power BI、Databricks 和 MIT 最近都在把语义模型、治理台和 GenAI 放到一起讲。对数据分析师和 BI 同学来说，问题不只是报表会不会被 AI 取代，而是你的指标、权限、口径和解释，能不能变成 AI 也能调用的业务接口？

本期数据周刊关注 6 月最后一周的 5 个信号：Power BI 把语义模型接到 AI 应用，Databricks 继续强化 Unity Catalog 治理，MIT 讨论 GenAI 语义层，Lyft 公开指标语义层实践，Shopify 训练 AI 拒答。数据分析师和数据工程师该准备什么？

AI 问数和 Text-to-SQL Demo 往往很顺：输入一句话，模型生成 SQL，图表立刻出现。但一到真实企业上线，就会遇到权限、口径、表名、脏数据和责任边界。本文从一次上线评审讲起，拆解 AI 问数翻车的 4 个原因，以及上线前必须补的 5 个基础动作。

本期数据周刊关注 Data Engineering Weekly #274 里的 5 个信号：Anthropic 的 Claude 自助分析、Airbnb 多产品数据架构、Uber 数据抽象层、LinkedIn Agent 语义检索，以及 Capital One 的 DataAgents。AI 数据产品真正缺的是什么？

一次 AI 问数 Demo 里，模型把 LEFT JOIN 改成 INNER JOIN，SQL 看起来更短、更顺，却让未转化用户被悄悄排除。AI 写 SQL 的风险不只是语法错误，而是错得很像对的。本文拆解生成错误、业务逻辑错误和可信问数系统的边界，并自然介绍 Forge。

很多团队想把自然语言问数和 AI Agent 接进数据库，但真正的难点不是让模型写 SQL，而是指标口径、权限控制、语义层、审计追踪和人工确认。本文给出企业问数 Agent 上线前必须补齐的 5 个底座。