Semantic Layer：企业 AI 的数据治理基础

语义层是基础

AI 的采用受到信任的限制。当用户因为一个自信而错误的答案而被伤害，他们会加倍核查下一个答案，最终把重要工作完全转移到系统之外。一旦这种情况发生，AI 就停留在边缘工具，而不是核心基础设施……它有用，但永远无法信任那些能够创造复合价值的工作流。在公司能从更强大的 agent 中受益之前，这些 agent 需要一个可靠的方式来了解公司认为什么是真的。

语义层告诉 agent 哪些表是真实的源头，以及它们如何相互关联。那是底线。它是必要的，但还不够。

语义层不是管道工程。它是 AI 原生公司的第一个治理行为：业务的共享定义、规范指标、真实的源头，以及 agent 被允许依赖的关系。没有它，agent 没有数据问题。它有语言问题：多个表都可能看起来合理，模型没有扎根的方式来知道哪一个意味着"收入"、"活跃用户"或"客户"。

把这个底线做对，会改变上面所有东西的形状。语义层不是产品；它是让公司能够安全地添加一个专门能力系统而不是一个通用聊天机器人的共享契约。一旦 agent 能够在正确的实体、指标和关系中扎根，它就能可靠地运行多步工作流、调用专注的工具、在多次运行中保留已审查的知识、重用验证和分析代码，并通过已经进行工作的持久服务运营。

访问权限不是难点。管理真实性才是。

目标很直接：让公司中的任何人都能提出业务问题并得到可靠的答案，而不会让数据团队沦为永久的查询队列。如果系统能够处理找到正确数据、应用正确定义和验证结果的机械工作，团队就能专注于改进系统本身。

困难在于，一个模型可以针对它从根本上不理解的模式写出无懈可击的 SQL。一列叫做"收入"的列不会解释退款或被禁用户是否包括在内。一个标记为"规范"的表不会揭示它已被悄悄弃用。而一个看似合理的数字不会告诉模型正确的答案需要三个表而不是一个。

问题不是访问数据；而是管理公司认为什么是真的。

我们从 2025 年末开始通过构建一个数据含义和更正的记录系统来解决这个问题。我们没有将每个错误视为孤立的失败，而是捕获出了什么问题、如何更正以及为什么，这样下一个 agent 就继承了这个教训。这使得 Michele Catasta 在《Continual Learning for Agents》中的观点变得具体：在生产中，agent 的大部分学习不在其权重中，而在其知识和记忆中。

这个区别很重要，因为大多数公司无法重新开始。他们继承了多年来的重命名事件、影子仪表板、部分迁移、矛盾的定义和被困在人们脑子里的制度知识。传统文档很难跟上，因为它位于工作之外。这里，调查和更正持续更新同一个系统在下次运行时使用的已审查语料库。

行业正在汇聚这条路线

所有认真对待这个问题的人都在汇聚同一个发现。

首先，共同的结论：持久的价值不仅在于模型，还在于围绕它的积累的、已验证的知识层。其次，Anthropic、OpenAI 和 Meta 各自帮助建立了这个模式。第三，我们具体的押注更狭窄：把运营真实性作为共享的公司基础设施。这意味着一个版本控制的、人工审查的、模型独立的定义和更正语料库，在使用前验证，并在每个接触数据的 agent 之间共享。

Anthropic 的《Building effective agents》为该领域提供了 agent 架构的实用词汇：工具、检索、记忆、评估和人工检查点。我们建立在这项工作之上；我们的数据 agent 不是竞争框架。

2026 年 1 月，OpenAI 描述了他们自己的内部数据 agent，它与我们的方法是一致的。它解决了同样的问题：数千个近乎重复的表加上无声的 join 和 filter 陷阱。它也得出了类似的答案：分层上下文，包括代码衍生的表含义和人工管理的注释。

Meta 的《Analytics Agent》指向同样的方向。它将持续刷新的分析师查询历史的上下文与语义模型、可重用的分析方案、自定义验证、文档和记忆结合起来。架构不同，但信号是一致的。

我们认为这种汇聚是故事，而不是新颖性的声称。我们具体的押注是可审计性和治理：运营真实性应该是一个版本控制的、人工审查的、模型独立的语料库，在使用前验证，并在每个接触数据的 agent 之间共享。

基础解锁了一个可靠的真实性层

语义很重要，因为它们不仅改进单一答案。语义层使系统清晰；运营真实性层使其可依赖。它们一起让每个 agent 从同样的关于业务的已审查理解开始。那么每个更正都改进每个未来的工作流。这就是使得能够安全地复合知识、工具、技能、工作流和自动化而不是跨越它们复合错误成为可能的原因：

知识是更正、业务定义和存活任何单一对话的操作手册的长期记录（例如，什么被认为是用户或收入）。

工具通过可靠的接口暴露确定性代码：验证、可视化、解析和集成被重用，而不是为每个问题重新构建。

技能打包按需的程序和上下文：数据质量检查、指标定义和报告生成指导仅在相关时加载。

工作流协调可重复的多步过程：调查指标移动、分析实验、验证证据和生成报告。

自动化在团队已经工作的地方持续运行这些工作流：遥测记录发生了什么，定时检查观察问题，自动修复提议修复。

系统如何产生可信的答案

可信的构建块仅在作为一个受管的循环运营时有用。我们的数据 agent 记录更正作为持久知识，在它们变成规范之前需要人工审查，在做出声明之前验证证据，并将每个批准的更正分配给每个 agent。这四个机制一起把共享语义转变为可信的答案，并使下一个答案更好。

1. 知识层是一个 git 存储库。一个更正不是保存的记忆；它是一个已审查的 pull request。失败的情况、修复和理由一起被提交；结果是可比较的、可恢复的，几个月后是可归属的。语料库是资产；下面的模型是可交换的。格式也是机制的一部分。一个文档或表描述字段可以保存相同的事实，但 agent 只能从上到下读取它们。一个存储库让 agent 用标准工具（例如文件树、grep、diffs、blame、提交历史……）像导航代码库一样导航运营真实性，它已经很擅长。存储库中的真实性不仅仅是版本化的；它是可遍历的。

2. 每个更正都由人工合并。新的真实性进入共享语料库通过代码审查，而不是自动保存提示。它故意更慢：变成规范的东西是深思熟虑和可检查的，这是当数字影响决策时你最想要的属性。

3. 验证在声明之前进行。数据 agent 检查一个数字是否可以使用行计数、指标定义和曾经伤害过我们的失败模式来信任；它随答案返回证据。一个正确性门，而不是安全过滤器。

4. 一个已审查的语料库，被每个 agent 读取。来自财务调查的更正被下一个问题、编码 agent、支持 agent 和其他任何接触数据的东西继承；公司收敛到一个指标的一个数字。

当一个组织能信任其数据时会发生什么

信任传播得很快。当答案可以被依赖时，人们停止对他们的问题设限。我们的内部数据 agent 从推出到每周超过 1000 个仓库支持的问题。

这种增长不是来自强制。它通过口碑传播，因为答案经得起推敲，今天公司的每个团队都使用它。以前等待分析师数天的问题，或默默地不被提出，现在在几分钟内得到答案，并附带证据。整个组织获得了一个曾经属于少数人的能力。

那种采用改变了团队的角色。系统现在编码了机械工作：使用哪个表、指标意味着什么、如何验证它，以及昨晚的管道实际如何破裂。这使团队从查询队列和人类缓存中解放出来，所以相反团队运行答对问题的系统。一个破裂的管道在任何人醒来之前得到一个分类的草案修复；可能掩盖真实数据问题的失败被拒绝并路由到一个带有推理的人。每个更正使来自每个 agent 的每个未来答案有点更值得信任。杠杆复合，而不是被领出门外。

对比是经典的失败模式：数据团队最艰难获得的知识生活在人们的脑子和 Slack 频道中。有人离开；定义衰退；两个仪表板不同意；信任侵蚀；访问收缩到少数仍然知道一切如何工作的人。

迈向自动驾驶公司的构建块

一个自动驾驶公司在 agent 上运行，这些 agent 在没有人工重新检查每个数字的情况下进行操作。这仅在那些 agent 共享一个关于什么是真的受管理的理解时有效，这就是为什么我们认为运营真实性层是基础设施而不是工具：它是使一切建立在它上面的东西都能被信任的部分。

要清楚这是什么：不是一个新的 agent 框架，因为我们建立在现有的基础之上。不是"语义层"，那是底线。也不是一个完成的、自主的系统；我们不会假装它是。它是一个早期的构建，有一个正在转动的飞轮：每个调查和每个修复都让它比它发现的稍微聪明一点，而每个更正是记录什么是真的的一个更多的已审查行。

艰难的、不起眼的问题是保持 agent 对在其下面变化的数据的诚实。那是我们正在努力的问题。如果那也是你的问题，来和我们一起构建它。

Michele Catasta，《Continual Learning for Agents》

Amjad Masad，《The Self-Driving Company》

Anthropic，《Building effective agents》

OpenAI，《Inside OpenAI's in-house data agent》

Meta，《Inside Meta's Home Grown AI Analytics Agent》