05 — 匿名交付
某内地企业 · 数据与知识运营
面向分析智能体的受治理知识入口
先让智能体记住指标口径，再让它开口。
分析瓶颈不是再开一个聊天窗口。看板、指标定义、权限与源端元数据必须先对齐，自然语言答案才值得信任；否则 Agent 很容易生成语句流畅、但业务含义错误的 SQL。
我们在该客户的分析栈内交付这个入口：语义指标、源端元数据、带权限的查询上下文、SQL 静态校验与模型审计。Agent 必须先 grounding、校验与执行，才能解释或出图。
工作里
受治理的词汇
指标定义、维度与计算口径成为 grounding 上下文，而不是分析师口耳相传的规则。
先证据，后语言
元数据与 SQL 校验位于回答之前，Agent 必须先抵达真实数据源。
可复用的权限面
同一套看板、空间与查询控制服务人和 Agent，不另造一套真相系统。
问题与背景
自助分析平台承载 3,000+ 看板与 20,000+ 图表，但指标口径缺失令 NL2SQL 首次生成不稳定。需要在生成前，把业务含义与数据证据交给 Agent。
量化结果
BI 平台承载 3,000+ 看板与 20,000+ 图表；语义缓存命中率由 50% 提升至 90%+。临时取数由数天缩短至当天，SQL 治理在发布前拦截 80%+ 错误 SQL。DataClaw NL2SQL 一次成功率约 50%，语义层正针对已定位的指标口径瓶颈持续提升。
合作范围
- MetricFlow 语义指标、维度与计算口径
- Hive 元数据 API、看板／空间权限与查询上下文
- SQL Linter → LLM 审计 → 修复，以及 execute-before-chart 约束
交付内容
- → 由看板、分析师与 DataClaw 共用的受治理 grounding 层
- → DataClaw Skills 与元数据工具，支撑多轮分析
- → 从指标定义到 SQL 执行与图表输出的可追踪链路
匿名说明
委托方名称、产品名与商业数据不公开；指标与口径来自该项目记录。