从 Semantic Layer 到 AI Context Layer

Semantic Layer（语义层）解决的是一个老问题：同一个指标，在不同报表里算出不同的数字。它把指标口径与维度定义从分散的报表脚本中收敛为统一模型，让 BI 工具和数据团队对齐同一套业务语言。

语义层为 BI 而生

经典语义层面向的是 BI 场景：预先定义好指标与维度，使用者在固定的分析路径里组合取数。它隐含了一个假设——消费这些定义的是人。数据分析师理解字段背后的含义，知道如何自己补齐业务上下文。

AI Agent 需要完整的上下文

当消费者变成 AI Agent，这个假设不再成立。Agent 面对的是开放的自然语言问题，它需要的不仅是指标定义，而是围绕问题的完整业务上下文：

• 业务定义

  指标口径、维度含义与业务术语的统一解释。

• 数据关系

  表与表之间的连接路径，以及可用的分析粒度。

• 上下文记忆

  历史分析中的口径决策与业务偏好，避免每次从零开始。

• 可执行能力

  在受治理的边界内生成、校验并执行查询。

从 Semantic Layer 到 AI Context Layer

AI Context Layer 不是推翻语义层，而是它在 AI 时代的演进：从「让人统一地看数」，到「让 AI 可信地用数」。语义模型仍然是核心，但上下文、记忆、技能与治理共同构成 Agent 可依赖的工作层。

对企业而言，落地路径也因此清晰：先收敛指标与业务定义，再逐步沉淀记忆与执行能力。上下文层会随使用持续变厚——这正是它的复利所在。