【无标题】 - 技术栈

在企业数据仓库建设中，业务复杂、数据源多，使建模周期长且容易出错。需求常分散、模糊，团队需花大量时间梳理指标口径、字段定义和业务规则，同时还面临命名不统一、口径多版本、规则难落地的问题，模型复用性低，治理成本高。

DDM Dora 9.0 的建模智能体可整合现有标准和业务知识，辅助团队快速理解业务逻辑、规范字段与指标，实现高质量模型标准化。通过减少手动查找和重复工作，它缩短建模周期、提高模型复用率，并增强治理可控性，使复杂业务场景下的数据仓库建设更高效可靠

在数据仓库建设中，需求分析往往最耗时，也最容易出错。业务提出指标或分析需求时，开发人员需要反复确认来源系统、历史口径、计算逻辑和数据可靠性，传统模式下高度依赖经验、文档和口头传递。

智能探源：让数据"自己讲清楚来龙去脉"

在 Dora 9.0 中，建模智能体将智能探源作为需求分析起点。通过整合数据仓库模型、元数据与血缘、指标定义，以及历史设计文档、评审材料和制度文件等非结构化资料，构建可被智能体理解的知识库。建模人员只需用自然语言描述分析目标，智能体即可：

-自动定位相关主题域与核心事实表

-识别并复用已有指标口径

-追溯指标源系统与加工路径

-提示潜在的数据质量或口径差异风险

数据仓库需求分析因此从"人工翻资料、找人确认"，转变为基于模型与知识的智能探源流程，大幅提高效率与准确性。

在模型设计过程中，建模人员无需频繁切换系统、查找文档或手工对照标准，只需基于具体使用场景，以自然语言描述建模意图，并可明确指定：

当前模型

当前实体

当前字段或指标

建模智能体将结合当前模型上下文，通过大模型的规划能力与工具执行能力，自动完成一系列复杂但高度规范化的工作：

知识库与文件的语义检索

智能体从企业知识库中检索相关规则、口径与历史实践，理解业务语义后，辅助生成符合业务要求的实体与属性。

标准优先引用机制

在创建字段时，智能体将优先匹配并引用企业已有的数据标准与代码。一旦确认引用，字段的命名、数据类型、精度与约束将自动继承标准定义，并直接写入模型。

中英文命名自动转换

对已存在标准词汇，严格按照标准进行中英文映射；对于暂无标准覆盖的字段，大模型将基于语义进行合理翻译与命名建议。

整个过程无需人工反复查表、翻文档，建模人员只需聚焦于业务意图本身。

在完成需求澄清与智能探源后，生成式 SQL 才真正落地。

在 Dora 9.0 中，SQL 生成严格基于已确认的数据仓库模型、选定的事实表与维度关系，以及引用的指标口径。建模人员只需描述加工或分析意图，智能体即可：

-根据事实与维度关系生成标准化 SQL

-自动继承指标口径中的计算逻辑与过滤条件

-遵循企业 SQL 规范与命名规则

-结合自动测试闭环验证 SQL 可执行性与口径一致性

生成的 SQL 不仅"能跑"，更语义清晰、口径可解释、可长期维护，为数据仓库的高质量交付提供保障。

在模型与 SQL 定义完成后，平台可基于模型血缘与依赖关系，自动参与到数据加工流程的编排与调度中：

明确数据对象之间的依赖关系

支持标准化的数据加工与指标计算流程

为后续的数据质量校验与运行监控提供基础

调度不再只是"跑任务"，而是对数据逻辑的持续执行与验证。

建模智能体在数据仓库全流程中发挥作用：

**建模环节：**通过知识驱动和智能探源，快速梳理业务逻辑、标准化字段与指标，降低对经验丰富建模人员的依赖，让新手也能高效产出高质量模型。

**开发环节：**生成式 SQL 自动继承指标口径、遵循企业规范，并结合自动测试闭环验证可执行性与口径一致性，大幅减少手动编码和重复工作。

**治理环节：**统一口径、可追溯的模型和 SQL 使标准自然落地，增强模型复用性和数据资产可控性，提升整体数据治理水平。

通过覆盖建模、开发、治理全流程，建模智能体不仅降低团队门槛，还显著提高效率和可靠性，使数据仓库建设更可控、可持续。