什么是语义层？

关于语义层的定义存在许多争论。在OraAI中，我们所说的语义层是指一组YAML文件，用于定义以下内容：

• 模型（Models）：需要分析的核心业务对象。例如订单、产品、客户等。
• 维度（Dimensions）：通常是非数字属性，用于数据分组、过滤或分段。例如日期、类别、状态、名称等。
• 度量（Measures）：可量化的属性。例如产品成本、会话时长、温度等。
• 指标（Metrics）：基于度量和维度的计算与业务逻辑。例如总收入、平均订单价值等。
• 过滤器（Filters）：命名的布尔条件，用于常见查询约束。例如is_active（是否活跃）、is_deleted（是否删除）、is_paid（是否支付）等。

这些定义使OraAI能够：

• 生成准确的SQL语句
• 统一理解业务指标
• 从数据中提供可靠的洞察

与其他语义层不同，OraAI的语义层并非抽象的计算层，而更接近数据目录（data catalog）。我们通过YAML配置帮助AI代理理解数据并构建可靠查询。

为什么使用语义层？

1. 集中管理业务逻辑

• 在版本化文件中定义业务逻辑和指标，确保所有分析中一致复用。

2. 明确数据关系

• 映射表间关联，使OraAI能高效导航数据模型。

3. 补充上下文与含义

• 通过描述和元数据，帮助AI理解数据的业务意义。

关键点梳理

术语	作用	示例
模型	核心业务对象	订单、客户、产品
维度	非数字属性，用于分组/过滤	日期、状态、类别
度量	可量化数值	成本、时长、温度
指标	基于度量+维度的计算逻辑	总收入、平均订单价值
过滤器	预定义的查询条件	is_active=true（活跃用户）
关系	连接不同模型的字段	客户ID → 订单表中的客户字段

优势总结：

• 一致性：避免重复定义指标，确保分析结果统一。
• 可读性：YAML文件结构化，便于团队协作维护。
• AI友好：为AI提供数据上下文，减少查询错误。