企业官网建设流程全解析

SuperSonic 语义层构建统一数据语义模型：从痛点到落地的实战指南

【免费下载链接】supersonicSuperSonic is the next-generation AI+BI platform that unifies Chat BI (powered by LLM) and Headless BI (powered by semantic layer) paradigms.项目地址: https://gitcode.com/GitHub_Trending/su/supersonic

如果你被问过一句“帮我拉一下上周的订单数据”，第一反应往往是：得先找一个会写 SQL 的人。SuperSonic 是统一了 Chat BI 与 Headless BI 的 AI+BI 平台，它的 SuperSonic 语义层改变的就是这个流程：先在语义模型里把指标、维度及其业务含义定义好，之后自然语言提问就能被系统直接解析执行。这篇文章带你一步步把它搭起来。

“要个数”是怎么变成瓶颈的

多数团队里，数据需求的路径是这样的：业务同学用业务语言描述需求，数据工程师翻译成 SQL，出数后发现口径对不上。“订单量”这三个字，销售算的是“已支付订单”，财务算的是“已结算订单”，两个数差 5%，还都“正确”。

问题出在哪：业务概念长在人的脑子里，表里存的只是技术字段。语义层补的正是这个缝隙。

架在表上方的一本“业务字典”

把语义层理解成一本放在物理数据和业务人员之间的字典：一边是表名、字段名、聚合逻辑，另一边是业务同学听得懂的指标和维度，中间的对应关系由它统一维护。

这一层建好后，四件事同时被解决：

• 统一业务语言：“转化率”只有一个定义，哪个部门来问，数都一样；
• 降低技术门槛：业务人员用大白话提问，不用背表结构；
• 保证口径一致：聚合方式、过滤条件写死在模型里，“同指标两个数”从此消失；
• 提升分析效率：从提问到 SQL 再到图表，省掉一轮人工翻译。

SuperSonic 里这层有两个入口：Chat BI 界面负责“问”，业务人员对着数据聊天；Headless BI 界面负责“定义”，数据工程师在没有前端的情况下维护语义模型。一个定义、一个消费，共用同一套模型——这就是两者的交汇点。

语义层三大件 🧩

模型管理入口是SemanticModel目录下的ModelManager.tsx；指标表单在 Metric 子目录的MetricInfoCreateForm.tsx，计算公式和聚合方式就是在那里填的。

语义模型构建三步走

第一步：指标和维度怎么配

指标和维度是模型的两种积木。新建指标时要回答三个问题：

1. 计算公式：比如sum(order_amount)；
2. 聚合方式：求和、计数、平均、去重，选哪种取决于定义；
3. 可绑定维度：这个指标能从哪些角度切——时间、区域、渠道等。

维度还能带层级：“大区”是“省份”的父级，“省份”是“城市”的父级。配好后，下钻提问才成立。

第二步：模型之间怎么关联

一个查询要跨表（运单表接车辆表）时，需要声明两个模型的语义关系：谁是源模型、谁是目标模型，连接条件是什么（如waybill.vehicle_id = vehicle.vehicle_id），关系类型是一对多还是一对一。入口在SemanticGraph/components/目录的ModelRelationFormDrawer.tsx，解析引擎靠它生成正确的关联 SQL。

第三步：把物理字段映射成业务语义

物理字段天生是技术味的，要做三类转换：

• 字段名映射：amt映射成“订单金额”，系统才知道“挣了多少钱”对应它；
• 取值映射：状态码1/2/3映射成“在途/已签收/已退回”，问“已签收的运单”才能被解析；
• 类型映射：存成字符串但表达时间的字段，标记为日期类型，时间问句才对得上。

扩展机制与权限分级 🛡️

SuperSonic 是可插拔框架：解析与翻译链路通过 Java SPI 提供扩展点，你可以写自己的语义解析器注册进去，不用动主流程。有私有行业词表、自研词典的团队，这里是接入点。

权限分三级，管的是不同的东西：

落地案例：给物流公司建一套语义模型

一家中小物流公司，有三张表：运单表、车辆表、仓库表。按顺序搭：

• 指标：时效（delivery_duration求平均）、准时率（准时数/总数）、运费成本（freight_cost求和）；
• 维度：线路区域、仓库、时间（到日）；
• 关系：运单与车辆按vehicle_id多对一，运单与仓库按始发/到达多对一；
• 映射：状态码转业务词，departure_time标记为日期类型。

建完，业务同学在聊天框直接问：“本月华东线路的平均时效是多少，按仓库拆开？”解析引擎先把问句翻成 S2SQL：

SELECT warehouse, avg(delivery_duration) FROM s_waybill WHERE route_region = '华东' AND stat_date = '本月' GROUP BY warehouse

再针对物理表生成可执行 SQL 并出图。“本月”“华东”的定义全部来自语义层，而不是提问人的记忆。

三个避坑建议

1. 渐进式构建：先搭最常用的 5~10 个指标，用起来再扩——小而准的模型好过大而错的；
2. 让业务确认口径：指标入库前，找提需求的人确认公式与聚合方式，把口径锁进模型而不是脑子里；
3. 盯语义解析失败率：某问句总是解析错，多半是字段缺业务别名或取值映射，先补映射，别改数据。

下一步从哪开始

今天就能做三件事：① 挑一个真正在用的核心指标，在语义模型模块里把配置完整走一遍；② 用领域管理把已有模型按业务域归置；③ 拿几个高频自然语言问题在 Chat BI 里跑，对照人工口径逐条核对。对不上就先查语义层——大多数错在定义层。

【免费下载链接】supersonicSuperSonic is the next-generation AI+BI platform that unifies Chat BI (powered by LLM) and Headless BI (powered by semantic layer) paradigms.项目地址: https://gitcode.com/GitHub_Trending/su/supersonic