企业语义层：从指标口径到业务世界
数仓和指标平台已经建好了，为什么 Data Agent 还是会答错？这个系列从数据架构和语义建模讲起，再用一条真实规则说明，业务含义怎样落到可执行的查询里。
共 5 篇
数据架构建设目标方案对比企业语义规则落地
1阅读
AI-Ready 数据数据架构
数仓为 BI 而建，却喂不动 Data Agent：AI 时代的数据架构怎么改
传统数仓围绕 BI 报表和 ADS 展示层建设，难以直接服务 Data Agent。本文说明如何回到可计算数据、外置指标口径，并用语义层隔离 AI 与物理表。
2阅读
企业语义层Data Agent
语义层不能只剩指标和维度：Data Agent 时代，企业到底该建什么？
Data Agent 需要的不只是指标和维度，而是对象、事件、规则与动作构成的业务世界模型。本文讲清企业语义层应该建设什么。
3阅读
本体化语义层指标语义层
NL2SQL 中的本体化语义层和指标语义层，到底差在哪？
指标语义层统一指标口径，本体化语义层进一步描述对象、关系、状态和规则。本文从能力边界、适用问题和建设成本比较两条路线。
4阅读
企业语义层指标平台
亿问 Data Agent 的语义层，和指标平台到底有什么不同？
企业语义层不只是指标平台。本文拆解指标、属性、关系、状态、时间等九类语义，说明 Data Agent 如何理解完整业务世界。
5阅读
month_day语义规则
亿问 Data Agent 语义层：month_day 如何准确处理会员生日查询？
完整出生日期为什么仍会漏掉生日查询？本文用 month_day 规则展示业务语义如何从自然语言识别、SQL 执行到企业统一口径。