企业语义层如何从 0 到 1 再到 100

为 Agent 建立企业语义层,正确的方向在哪里中讨论了企业的语义层建设最终需要留下什么:指标口径、业务对象和关系,以及 Agent 执行业务时所需的状态、规则、权限和动作。

再往前一步,AI时代下的语义层建设方式又该如何?

过去的数据模型或业务模型,会先进行一轮正式建模。所有内容都需逐项梳理。大模型时代下,我们多了一种新的可能。企业多年数字化已经留下大量 Schema、SQL、报表、主数据和系统配置,AI 可以先从这些资产里识别候选语义。

企业语义层的建设,大致分成两个阶段。第一次从0到1的建设,主要整理企业过去已经形成的业务知识;进入稳定使用以后,工作重点转向语义的持续维护。


阶段一、语义层初始化

成熟企业的业务定义必然分散在不同地方。过去谁也不能也不需要把这些内容整理成统一模型。但Agent需要一个统一的语义模型让其理解企业的运作方式,并从中跑起来。

一个采购指标藏在几十张报表和 SQL 里,一张采购订单在 ERP、采购平台和合同系统中分别使用不同编号,审批规则同时存在于制度文件和流程配置中。

如果 PurchaseOrder 长期与 Supplier表、Contract表 一起查询,某个交付日期又反复出现在延期计算中,结合 Schema、数据血缘、历史 SQL 和报表,就有条件识别一批候选业务对象、关系和指标。

企业的数据基础越成熟,可利用的材料越多。已有的数据中台、指标平台、BI平台、知识平台、历史查询等等,都是语义初始化的来源。这类自动识别能够明显降低首次建设的工作量,同时也有清楚的边界。历史资产中既有业务知识,也有过去系统设计和工作习惯留下的问题。

自动发现解决的是前期大规模梳理费时费力的痛点。然而企业仍然需要确认哪些指标口径可以正式采用,哪个系统是对象的权威来源,哪些历史做法属于正式规则。

所以第一次建设更接近一次企业级语义的初始化。AI从企业已有资产中找出大量候选内容,由员工把需要长期使用的…

— 以上为试看内容(约 40%),开通会员后阅读全文 —