很多企业已经有数据字典，也有指标口径文档。为什么到了 AI 问数阶段，还要讨论“业务语义层”？
原因在于：数据字典和指标体系解决的是数据治理的一部分问题，但 AI 要稳定参与业务分析，需要更完整的上下文。
数据字典主要解释字段
数据字典通常回答这些问题：
- •这张表叫什么？
- •这张表来自哪个系统？
- •字段名是什么？
- •字段类型是什么？
- •字段大概代表什么含义？
它的对象主要是表和字段。对数据开发、报表开发、系统集成很有帮助，但它通常不足以支撑 AI 独立理解业务问题。
因为业务人员提问时不会说“查询 pay_amount 字段按 province_code 分组”，而是会问“各区域本月销售额同比怎么样”。这中间缺少的是业务概念、指标规则、维度关系和分析习惯。
指标体系主要统一看什么数、怎么算
指标体系解决的是另一类问题：
- •企业要统一管理哪些核心指标？
- •指标从哪些业务目标拆出来？
- •指标的定义、公式、过滤条件是什么？
- •指标按哪些维度观察？
- •指标由谁负责维护？
指标体系是 AI 问数的重要前提。没有统一指标口径，AI 即使生成了 SQL，也可能让不同部门看到不同版本的“销售额”“转化率”“复购率”。
但指标体系仍然不是完整语义层。它重点管理指标，不一定覆盖字段值、状态码、业务黑话、业务文档、用户偏好和权限上下文。
业务语义层是 AI 可用的上下文
企业业务语义层不是简单的数据字典升级，而是把指标口径、字段含义、业务规则、权限范围和专家经验，组织成 AI 可以稳定理解和复用的上下文。
它覆盖六类信息：
- •数据结构语义：表、字段、字段类型、字段业务含义。
- •指标口径语义：指标定义、计算规则、过滤条件、时间口径。
- •业务实体语义：客户、门店、商品、渠道、组织、区域之间的关系。
- •字段值语义：枚举值、状态码、别名、简称、内部黑话。
- •业务经验语义：业务文档、分析偏好、专家判断规则。
- •权限上下文：谁能看什么数据、按什么组织范围看、哪些字段要脱敏。
一句话：数据字典是给人和系统看字段，指标体系是给企业统一业务数字，业务语义层是给 AI 看懂企业业务上下文。
三者应该怎样协同
比较合理的建设顺序是：
- •先建设指标体系，明确企业要统一看什么数、怎么算。
- •再补齐业务语义层，把指标、字段、业务规则和专家经验组织成 AI 上下文。
- •再叠加权限治理，让 AI 在不同用户身份下返回正确范围的答案。
- •最后把稳定分析流程沉淀成 AI 数字员工，自动跑日报、复盘、预警和触达。
这也是“企业 AI 数据分析基础设施系列”的核心逻辑。
AskTable 如何承接
AskTable 的语义配置不只是维护字段说明，而是把 AI 问数需要的上下文集中组织起来：表字段备注、指标口径、字段值索引、业务文档、分析偏好、用户身份和权限范围。
这使 AI 不只是“会写 SQL”，而是更接近企业内部懂业务规则的数据分析助手。