语义模型
一次性集中定义业务指标和实体的数据抽象层，包含每个指标背后的精确表、join和过滤条件，使AI Agent能按名称查询指标而非直接编写SQL，从而保证业务定义的一致性与准确率
时间轴 (近 90 天)
语义模型适用于反复出现的业务指标，不适合关于单个文档的一次性问题，也不适合跨实体连接事实的场景。
目前为AI Agent结构化数据在生产环境中真实使用的方案有五种：语义模型、本体与知识图谱、检索增强生成（RAG）、纯Markdown文件配合grep搜索，以及开放知识格式。
在dbt Labs的2026年基准测试中，查询语义模型的Agent在一组业务问题上达到98.2%–100%的准确率，而同样的模型对完整schema编写原始text-to-SQL的准确率为84.1%–90.0%。
0sql 的语义模型定义四类要素：度量、维度、连接关系以及行级安全过滤器。
0sql 的语义模型是以 YAML 或 JSON 描述的业务语义契约，通常受版本控制存储在 Git 仓库中。
语义模型回答聚合类问题（如排名、数量），本体回答关系类问题（如多跳关系查询）
语义模型主要面向人类分析师设计，假设使用者已具备理解字段命名和层级关系的背景知识
语义模型更像关系映射表（字段A对应指标B），而本体论更像知识图谱，显式编码概念间的继承关系、互斥约束和时态有效性
全部知识事实 (8)
语义模型适用于反复出现的业务指标，不适合关于单个文档的一次性问题，也不适合跨实体连接事实的场景。
50%待验证目前为AI Agent结构化数据在生产环境中真实使用的方案有五种：语义模型、本体与知识图谱、检索增强生成（RAG）、纯Markdown文件配合grep搜索，以及开放知识格式。
50%待验证在dbt Labs的2026年基准测试中，查询语义模型的Agent在一组业务问题上达到98.2%–100%的准确率，而同样的模型对完整schema编写原始text-to-SQL的准确率为84.1%–90.0%。
50%待验证0sql 的语义模型定义四类要素：度量、维度、连接关系以及行级安全过滤器。
50%待验证0sql 的语义模型是以 YAML 或 JSON 描述的业务语义契约，通常受版本控制存储在 Git 仓库中。
50%待验证语义模型回答聚合类问题（如排名、数量），本体回答关系类问题（如多跳关系查询）
50%待验证语义模型主要面向人类分析师设计，假设使用者已具备理解字段命名和层级关系的背景知识
50%待验证语义模型更像关系映射表（字段A对应指标B），而本体论更像知识图谱，显式编码概念间的继承关系、互斥约束和时态有效性
50%