指标平台的语义层，天然是 AI 问数（ChatBI / NL2SQL）的完美底座。这一章讲为什么，以及业界怎么做。
Aloudata 的洞察很关键（来源：Aloudata CAN 性能压测深度解析）：
大模型直接对原始表做 NL2SQL，容易产生"数据幻觉"——因为大模型不知道业务指标的口径、不知道哪张表可信。指标平台的语义层为 AI 提供了精准、安全的指标化访问接口，从源头根治数据幻觉。
这正是用户做"本体驱动指标查询系统"的同一个判断：让 AI 不直接写 SQL，而是在受控的语义/本体层上做翻译。
Aloudata 提出的架构是 NL2MQL2SQL（来源：Aloudata）：
自然语言（NL）→ 指标查询语言（MQL）→ SQL
| 层 | 作用 | 谁来做 |
|---|---|---|
| NL | 用户用自然语言问"近 7 天支付金额 >100 的去重用户数" | 用户 |
| MQL | 翻译成受控的指标查询表达（引用已定义的指标/维度/口径） | LLM + 语义层 |
| SQL | 翻译成底层引擎可执行的 SQL | 语义引擎（确定性，不靠 LLM） |
关键设计：LLM 只负责"自然语言 → 指标查询"这一步（在语义层约束下），"指标查询 → SQL"由语义引擎确定性生成。这样 SQL 的生成永远受语义层管控，不会产生不受控的 JOIN、错误的口径。
| 来源 | AI 方向 |
|---|---|
| Aloudata | NL2MQL2SQL、AI-Ready 数据底座、ChatBI |
| 美团 | 在自动语义、增强计算深化演进，"为数据分析智能化做好准备" |
| 腾讯欧拉 | 增强分析（数据发现环节的能力演进） |
如果你在做本体驱动的指标查询系统（OWL 本体 + 推理 + LLM 槽位提取），本章的架构可以对齐：
| 指标平台概念 | 本体驱动系统的对应 |
|---|---|
| 指标定义（原子/派生/复合） | 本体中的指标类、度量属性、维度 |
| 语义层 / 逻辑拓扑 | 本体的类层级 + 对象属性 + 等价/派生公理 |
| 指标口径（业务口径） | 本体公理约束（口径唯一性） |
| NL2MQL2SQL 的"语义引擎" | 本体推理引擎（Jena）做语义对齐、维度展开、指标推导 |
| LLM 的角色 | 只做槽位提取和归因，不写 SQL |
共同的原则：把"不可控的 LLM 生成"限制在"受控的语义/本体层"之内，让 SQL 的最终生成是确定性的、可校验的。这是指标平台和本体驱动系统共同的架构收敛方向。
本章要点回顾
上一章：07 数据治理与生产即治理 ｜ 下一章：09 选型落地与实操清单