技术词典

BI 是通过收集、整合、分析和可视化企业数据，把原始数据转化为可支持决策的洞察的一套技术与流程。

ChatBI 是用自然语言对话的方式向 BI 系统提问、探索数据并获得结果的交互形态。

Data Agent 是基于大模型构建的企业级数据分析智能体，能理解自然语言提出的业务问题，自主完成查询、追问、归因、报告等多步分析任务，并给出可用于决策的结论。

AI 员工是亿问 Data Agent 中承担特定职责的可插拔智能体单元。

三种数据问答模式是亿问 Data Agent 提供的、从快速验证到企业级落地的三条路径。

数据民主化指让业务人员无需依赖工程师写 SQL 或 ETL，就能自助获取数据和洞察的理念。

NL2SQL 是把自然语言问题自动转换成 SQL 查询的技术，让非技术用户用对话方式查数，是推动"数据民主化"的关键路径之一。

NL2SQL 兼容，是指亿问 Data Agent 在以 NL2LF2SQL 和企业语义层支撑可信问数的同时，也兼容将自然语言直接转换为 SQL 的 NL2SQL 功能。

端到端 NL2SQL/NL2DSL 指让大模型在一次生成中直接写出最终 SQL 或 DSL 的范式。

NL2LF2SQL 是"自然语言 → LogicForm → SQL"的三段式技术路线。

LogicForm 是一种介于自然语言和数据库 SQL 之间的结构化中间语义表达，用来描述"用户想查什么"。

MQL 是指标平台常用的指标查询语言，用于声明式地表达"取哪个指标、按哪些维度聚合、加什么过滤"。

Nora 是亿问 Data Agent 的核心 AI 员工之一，负责为系统提供泛化能力：把用户比较模糊、口语化的提问，改写成措辞更精准的自然语言，再交给 Alisa 转换成 LogicForm。

Alisa 是亿问 Data Agent 自研的核心 AI 员工，负责把精准化后的自然语言问题转换成 LogicForm。

可信问数是让自然语言数据查询的定义、执行过程和结果都能够被治理、追溯与复核的工程能力。

AI 幻觉指大模型生成看似合理但实际错误的内容。

确定性生成指在相同输入、相同业务语义、相同上下文条件下，系统稳定地产生相同的正确语义结构与结果，把模型本身的不确定性隔离在可治理范围之外。

这里的"无限上下文"不是指模型 token 窗口字面意义上的无限，而是指在同一个业务空间内，表、字段、指标、维度、实体、别名、口径可以持续增长，而系统仍能在每次提问时只取与当前问题最相关的少量上下文，并完成稳定推理。

语义层是位于物理数据存储与业务应用之间的抽象层，用统一的业务术语、计算规则和关系定义，把底层技术数据翻译成业务可理解、AI 可稳定使用的输入。

指标语义层是以指标、维度、口径为核心建模单位的语义层，解决"这个数到底怎么算"——统一指标定义、维度口径、时间规则和权限边界，让自然语言问数更稳定一致。

本体化语义层是以对象、事件、关系、规则、权限和动作为建模单位的语义层，目标是把企业业务世界表达成 AI 可理解、可推理、可追溯、可行动的模型。

企业世界语义层是亿问 Data Agent 提出的语义层框架，描述的不是"数字怎么算"，而是"企业如何运转"。

五层语义能力是面向 Data Agent 的语义层能力分层框架：指标语义（数怎么算）、对象语义（业务主语是谁）、事件语义（变化怎么发生）、规则语义（如何稳定与治理）、动作语义（从分析走向行动）。

SemanticDB 是语义数据库，在 Data Agent 中承担语义层的角色。

指标平台是以统一指标定义和口径管理为核心的数据平台，负责把"销售额、利润、GMV、活跃用户"等指标的计算公式、维度、时间规则和权限沉淀为可复用的指标资产，让各部门在同一套口径下问数。

本体是对一个领域内的概念、对象、属性及其相互关系进行形式化、结构化描述的知识表达方式。

业务知识图谱是用图结构（节点+边）表达企业业务对象、属性及其相互关系的知识库——客户、订单、商品、组织等是节点，"客户下了订单""订单包含商品""门店属于区域"等是边。

实体-事件建模是一种以业务对象（实体）和业务事实（事件）为单位描述业务世界的建模方法。

观测值是亿问 Data Agent 语义建模中的一类字段配置，用于刻画"某个实体在某个时间点被观测到的状态量"，比如某日的库存余额、某月末的应收账款、某时点的在岗人数。

共现关系指在业务语义建模中，记录哪些指标、维度、对象经常被一起使用或一起出现的关联信息。

指标口径是一个业务指标的统一计算定义，明确计算公式、统计维度、时间周期、数据范围和业务限定条件。

对象/事件语义指对企业业务对象（实体）及其上发生的事件，以及对象之间关系的语义刻画。

状态语义指对"状态数据"与"事件数据"做区分并正确聚合的语义。

时间语义指企业自有的一整套时间认知体系，而不只是数据库里的 Date 字段。

全集语义指"没有发生，也是一种业务事实"的语义。

层级语义指对企业天然存在的树状层级结构的语义刻画——组织架构（集团→事业部→区域→门店）、区域层级、商品层级等。

动态语义指在用户提问之前并不存在、在分析过程中临时产生的业务语义，例如临时指定的年龄分层（10～20、20～40……）、临时定义的新指标 F = A × B − C、临时切分的分析对象。

数据仓库是面向主题、集成、相对稳定、反映历史变化的数据集合，通过 ETL 把多源数据清洗整合，支撑报表与分析。

ETL 是把数据从多个源系统抽取（Extract）、转换（Transform）、加载（Load）到目标存储的流程，为分析提供统一可用的数据基础。

DWD/DWS/ADS 是企业数仓常见的分层建模方式。

DWD 是数据仓库分层中的明细数据层，保存经过清洗、规范但仍保留最细业务粒度的事实数据，是 DWS 汇总层、ADS 应用层的上游基础。

维度建模是数据仓库领域以事实表和维度表组织数据的建模方法，常见的有星型模型和雪花模型，便于多维分析和聚合查询。

EAV（实体-属性-值）模型是一种把"实体、属性、值"拆成行存储的表结构，常用于属性高度可变、稀疏的业务场景——一行记录一个实体在某个属性上的取值，而不是用宽表为每个属性预留一列。

父子模型是一种用于表达"主表-子表"层级或一对多从属关系的表模型，例如订单与订单明细、合同与合同条款、组织与下级组织。

指标配置层指把指标口径从 ETL/SQL 代码里"拎"出来、显式声明为可读可配置的一层。

表驱动与问驱动是两种相反的数据组织范式。

AI-Ready 数据指结构、语义和口径都已整理到 AI 可以稳定理解和使用的数据状态。

MCP（模型上下文协议）是一套用于标准化 AI 应用与外部系统之间上下文交换的开放协议。

MCP Host 是承载用户交互、模型和 MCP 连接的 AI 应用，例如桌面助手、IDE 或企业智能体平台。

MCP Client 是由 Host 创建、用于与某一个 MCP Server 建立并维持协议连接的组件。

MCP Server 是通过 MCP 向 AI 应用提供特定上下文和能力的程序，可以运行在本地，也可以作为远程服务部署。

MCP Tools 是 MCP Server 暴露给 AI 应用的可执行函数，用于查询数据库、调用 API、修改文件或触发业务动作。

MCP Resources 是 MCP Server 提供的、供 AI 应用读取并加入上下文的数据源，例如文件内容、数据库 Schema、知识库文档或 API 响应。

MCP Prompts 是 MCP Server 向 Client 暴露的可复用提示模板，用于把特定任务组织成结构化消息和指令，并可通过参数适配具体场景。

Function Calling 是让模型根据开发者提供的函数说明和参数结构，判断是否需要调用某个函数并生成结构化调用参数的机制。

Agent Skills 是一种把专业知识、工作流程、约束和可复用资源封装成智能体能力的轻量开放格式。

SKILL.

渐进式披露是一种按任务需要逐层加载信息的上下文管理方式。

MCP 与 Agent Skills 是智能体能力扩展中职责不同、可以组合的两层机制。

Agentic Workflow 是由智能体围绕用户目标管理和执行的多步骤工作流。

提示注入是攻击者或不可信内容通过自然语言指令改变大模型原定行为的安全风险。