最后编辑于2026年10月27日
在本次会议中，dbt Labs 的 dbt 语义层产品主管 Zach Mandell 阐述了他所称的语义层的第一波与第二波，并论证了为何由 AI 智能体驱动的第二波有望在第一波停滞不前之处取得成功。
第一波浪潮大约始于五年前，其核心在于将指标定义为代码：把指标逻辑集中存储在一个代码仓库中，并将其提供给所有下游的商业智能工具，从而避免出现收入计算方式不一致的情况。曼德尔认为，这一波浪潮之所以大多未能投入生产，主要有三个原因：其带来的价值仅停留在现状层面——即使用更加精心设计的同一套仪表板；将共享的语义层集成到现有商业智能工具中确实难度很大；而语义建模本身——即以实体、主键和关联路径为思维框架——对于那些所用工具早已将这些概念抽象化的分析工程师而言，仍是一项陌生的领域。
曼德尔表示，如今的不同之处在于摆在桌面上的价值：代理们能够将“一位不知疲倦的分析师置于企业中任何人的指尖”，而dbt MCP服务器的使用量正以每季度翻倍的速度增长，这在很大程度上得益于对话式分析的应用场景。然而，这种转变也带来了一个新问题：信任。曼德尔用一个概率示例加以说明：斯蒂芬·库里职业生涯的罚球命中率为92.3%，高于十分之九，但连续投中十次的概率却只有约45%，甚至还不如抛硬币的几率。
同样的数学原理也适用于代理通过一系列步骤回答业务问题的情形（如找到正确的表格、正确的列以及正确的聚合方式）；即便每一步的成功率都很高，在多步链式操作中也会迅速下降，而曼德尔认为，仅靠更优的模型并不能解决这一问题。
曼德尔列出了他认为第二波浪潮要取得成功必须具备的四点。首先，弥合集成鸿沟：dbt不再仅仅通过自定义连接器为商业智能工具提供服务，而是正在打造他所称的“语义SQL”，这是一种原生SQL接口，使商业智能工具能够像直接查询数据库一样查询dbt语义层，同时在必要时仍允许对未经治理的临时表进行任意SQL联接。其次，将语义进一步前移到转换层本身，既用于预聚合（他所接触的一些公司为满足延迟目标，将仓库成本的30%至40%用于物化操作，而他认为dbt有助于降低这一成本），也用于在客户360度模型中将指标用作维度。
第三，将语义层视为更广泛的“上下文层”的确定性主干，该上下文层还包含工单、文档和通话等非结构化数据；并指出，当核心实体与关系已预先定义，而非从原始表格中推导得出时，智能体的推理会更加可靠。第四，可配置性和访问控制：智能体仅应看到特定工作流所需的那部分上下文，并且能够观察到该智能体实际接触了哪些数据；正是这种范围限定的访问权限与透明可见性的结合，才使得更高信任度成为可能。
在问答环节中，曼德尔就标准化与开放性问题作出了回应：dbt 仍是开放语义互操作性（OSI）倡议的活跃成员，并可将 MetricFlow 定义导出为 OSI 文档以供其他场景使用；不过他坦言，目前该生态系统尚未解决在不同语义层规范之间转换时，数据保真度能够维持到何种程度。当被问及是否可能用语义层的原生 SQL 接口取代 dbt 现有的已保存查询功能时，曼德尔表示否，因为已保存查询更侧重于聚合结果的物化，属于另一类问题。他还提及了 Anthropic 的一篇公开文章，其中主张语义层或知识图谱应当由人类进行人工治理，而非依赖 AI 自我构建；他称这一观点对于未来组织如何开展语义协作具有重要意义。
曼德尔最后邀请与会者参加当天举行的圆桌会议，与dbt产品团队就两个开放性问题展开讨论：语义层应如何构建、如何提供服务；以及目前有哪些因素阻碍了各团队采用dbt语义层或其他无头语义层，包括那些几年前曾尝试但最终放弃的团队。
随时观看 dbt Summit 2026 的每一场主题演讲和分论坛。立即观看 dbt Summit 2026 →
在 dbt 中开始使用
加入那些正在构建真正可扩展的数据基础设施的分析工程师团队。
安装 dbt Wizard CLI
立即开始使用专为分析工程打造的智能代理。它懂得调用哪个工具、提取哪些上下文，并在向您呈现结果前自行核查工作质量。
最新帖子
dbt Labs 和 Fivetran 如何将 dbt 工作负载逐个模型地迁移至数据湖
2026年10月27日
dbt v2 内部揭秘：重构后的 SQL 引擎如何将代码检查速度提升高达 250 倍
2026年10月27日
使用 dbt Mesh 时的开放数据基础设施是什么样子
2026年10月27日
加入塑造数据的最大社区
dbt 社区是您通往最佳实践、创新以及与全球数千名数据领袖和 AI 从业者直接协作的门户。提出问题、分享洞见，与专家一道打造更优方案。