語義層是 AI Agent 的數據契約

企業引入 AI Agent 處理數據任務時，常將 NL2SQL 模型視為萬能鑰匙——只要模型夠大、微調夠勤，便能開啟所有數據庫。但現實很快給出反例：同一自然語言提問，在不同部門 Agent 上返回矛盾結果；某次上線後，財務口徑的「當月收入」突然包含未確認訂單；更隱蔽的是，當審計要求追溯某次查詢依據時，發現整個鏈路缺乏可驗證的語義錨點。

問題不在模型能力不足，而在於我們尚未建立一套可協商、可驗證、可演進的數據契約機制。語義層正是這個機制的載體——它不是報表工具的附屬設定，也不是數據中台的裝飾性圖譜，而是 AI Agent 與組織數據資產之間正式訂立的協議文本。

語義層首先是約束介面，而非翻譯快取

大多數 NL2SQL 實踐將語義層簡化為欄位別名映射或維度表描述。這在單點查詢場景下有效，但一旦進入多跳推理、跨源關聯或權限敏感路徑，便暴露出根本缺陷：它無法表達「禁止將銷售訂單狀態映射到財務確認狀態」這類否定性規則。

真正起作用的語義約束，需具備三層表達力：

• 概念邊界定義：明確「客戶」指 CRM 中經實名認證且合約有效的法人主體，排除測試帳號與歷史註銷記錄；

• 關係有效性聲明：規定「訂單」與「交付週期」之間僅在訂單狀態為「已發貨」時才允許關聯計算；

• 否定性守則：禁止任何 Agent 將「預收款」欄位直接參與「淨利潤」公式推導。

這些並非模型訓練數據能隱式習得，必須由業務方與數據工程師共同簽署為結構化斷言。OntiCards 的實踐表明，當語義層承載此類顯式契約後，Agent 的 SQL 輸出穩定性不再依賴於 prompt engineering 的技巧，而取決於契約本身的完備性。

它是審計錨點，而非日誌快照

AI Agent 的可審計性常被簡化為「保存原始 query + 生成 SQL + 執行結果」三元組。但這只能回答「發生了什麼」，無法回答「為什麼允許發生」。

一個可審計的語義層，會在每次 SQL 生成前插入不可繞過的校驗環節：該 Agent 是否被授權訪問「區域銷售目標」概念？當前上下文是否滿足「僅限季末關閉後」這一時間約束？所涉指標是否處於最新審批版本？

關鍵不在於攔截，而在於留痕——所有校驗決策都綁定到語義概念上，形成可追溯的策略證據鏈。例如，當某次查詢被拒絕，審計報告不會顯示「權限不足」，而是呈現「因『銷售目標』概念當前綁定策略 v3.1 要求 operator=region_head，而調用者身分為 team_lead」。

這種設計使審計從事件復盤轉向契約履約檢查，大幅降低事後歸責的認知負荷。

它更是協作協議，而非技術文件

語義層常被當作數據團隊單方面輸出的技術規範，但真正的契約必須是雙向承諾：數據團隊承諾概念定義穩定、變更受控；業務方承諾不繞過語義層直連底層表做『臨時分析』；AI 工程師承諾所有 Agent 建構均基於語義層介面而非物理 schema。

我們觀察到，成功落地的團隊普遍建立了輕量級語義治理節奏：

• 每雙週舉行 45 分鐘「契約對齊會」，僅聚焦 1–2 個高頻爭議概念（如「活躍用戶」）；

• 所有新增概念必須附帶最小可行約束（至少一條正向定義 + 一條否定守則）；

• 語義層版本升級需同步觸發 Agent 測試套件重跑，失敗即阻斷發佈。

這種機制不追求一次性完美建模，而強調契約的漸進可執行性。它讓數據治理從「有沒有」轉向「誰簽了字、何時生效、如何違約」。

避免兩個典型反模式

實踐中，兩類做法會實質性削弱語義層的契約效力：

1. 將語義層降級為 prompt 模板庫：把「銷售額=SUM(sales_amount)」寫成模板字串供 LLM 插值。這規避了約束表達，也切斷了與權限、版本、生命週期的聯動可能；

1. 在執行時動態拼接語義邏輯：Agent 根據用戶角色即時組合不同欄位規則。這看似靈活，實則讓契約失去靜態可驗證性，審計時無法確定某次生成依據的是哪一版策略。

契約的本質是可預期的確定性。動態性應體現在契約版本演進中，而非單次執行路徑裡。

結語：契約需要簽署，也需要更新

語義層的價值，不在於它畫出了多漂亮的本體圖譜，而在於它能否成為組織內不同角色願意簽字認可的共同約定。當 AI Agent 成為企業數據操作的常規入口，語義層就是那個沉默卻不可繞行的公證人——它不加速查詢，但防止誤讀；不替代模型，但框定邊界；不承諾答案正確，但確保答案來自被共識定義的世界。

這種契約思維，也自然導向 OntiCards 對本體驅動建模的堅持：因為只有形式化、可推理、可版本化的本體，才能承載真正意義上的組織級數據契約。

參考來源

• Stonebraker, M., & Cetintemel, U. (2022). Data Management in the Age of AI. Communications of the ACM, 65(11), 76–84. https://doi.org/10.1145/3532797

• The Data Mesh Manifesto. (2021). https://datamesh.com/manifesto/

• Guo, Y., et al. (2023). Semantic Parsing with Constrained Decoding. ACL Anthology. https://aclanthology.org/2023.acl-long.412/

• 本文基於公開行業資料與作者實踐經驗整理。

（無外部引用）