企业 OLAP 引擎、BI 工具和指标体系已经存在多年。然而一旦组织迈向自然语言数据问答、跨引擎分析，以及由 AI agent 自动消费数据的场景，隐藏的问题便会迅速浮现：同一个指标在不同系统里可能定义各异，表和列往往缺乏一致的业务含义，治理规则也常常无法随分析流程流转。结果是分析成果难以复用，AI 生成的答案难以令人信任，许多有前景的 AI 用例迟迟无法走向生产。

本次演讲分享来自真实企业交流与方案设计中的实践观察，聚焦于 OLAP 系统向 AI 驱动分析演进时最常见的缺口：碎片化的元数据、缺失的语义层、无法一致复用的指标定义、止步于系统边界的治理，以及面向 AI 应用的不稳定或不可控的数据访问上下文。

我将讨论一种面向开放数据栈的一体化方法。其思路是：用统一的元数据层跨多个引擎和 catalog 组织数据对象，用语义层定义可复用的指标与分析含义，再把这些能力一致地暴露给 BI 工具、自然语言数据问答以及基于 agent 的应用。

本次演讲将围绕三个问题展开。第一，引入 AI 之后，OLAP 系统为何会面临新的一致性与治理挑战？第二，元数据、语义层、查询引擎和 AI agent 应当如何分工协作，在发现、定义、访问控制和执行中各司其职？第三，架构师该如何在生态开放性、实现复杂度与用户体验之间取得平衡，使分析不仅能跑起来，还能被复用、可解释、受治理？

本议题不局限于单一查询引擎，而是从 Apache 数据生态的视角来看待这个问题，探讨 OLAP 系统如何补齐其缺失的语义与治理层，从而支撑更可信的分析、更自然的数据交互，以及更可控的 AI 驱动数据消费。

讲师:

Binhui Liu：Datastrato 解决方案工程师，专注于元数据、数据治理以及面向 AI 的数据基础设施

Levent Liu 是 Datastrato 的解决方案工程师，专注于元数据、数据治理以及面向 AI 的数据基础设施。他与企业用户合作推进开放数据架构的落地，尤其围绕元数据管理、湖仓互操作性，以及 AI 对受治理数据的访问。他近期的工作聚焦于元数据、语义和治理如何支撑更可靠的 AI 用例，例如自然语言 BI、RAG 和基于 agent 的工作流。