南大通用GBase 8a数据库（gbase database）是自主研发的面向海量数据分析的MPP数据仓库产品，在国内金融、电信、政务等领域拥有大规模部署。面对AI浪潮，GBase 8a并未另起炉灶，而是在原有数据仓库基础上进行了四个层面的AI能力注入。本文基于GBase 8a的实际产品能力，梳理其在AI领域的技术布局
01、DataAgent：让业务人员用白话问数据
GBase 8a DataAgent是一个面向数据分析的自然语言智能体。传统数据分析流程中，业务人员提出需求，数据团队编写SQL取数，再将结果整理成报表，周期长且沟通成本高。DataAgent的思路是让业务人员直接用自然语言提问，系统自动完成数据查询、分析和结果呈现。
举例来说，在信用卡零售业务中，业务人员可以直接问：“上个月全行信用卡交易额是多少？哪个分行最高？逾期率有没有上升？”DataAgent会依次完成：理解问题涉及的表和字段、生成对应的SQL、执行查询、返回结果，并支持用户沿着分析链条继续追问。
DataAgent不会产生随意回答，它并非直接调用大语言模型生成答案，而是基于底层数据仓库的真实数据执行查询。系统中的语义层和知识图谱负责将“交易额”“逾期率”这些业务术语，精准映射到数据仓库中的具体表和字段，从而保证结果的准确性。
02、本体论语义层：AI准确性的制度保障
AI问数最大的风险是“幻觉”——系统可能生成语法正确但逻辑错误的SQL，或者误解业务指标的口径。GBase 8a通过本体论语义层来解决这一问题。
语义层构建了三级映射模型：业务本体定义业务概念和指标口径，比如“逾期率”在信用卡业务中具体指什么；数据本体定义数据表、字段的业务含义；技术本体定义物理存储、字段类型等技术元数据。用户的问题从业务层进入，经过三层映射，最终转化为精确的SQL查询。
这套机制确保了不同部门对同一个指标的理解一致。一家银行可能有几十个报表，每个报表里“存款余额”的计算口径如果不同，AI生成的答案就会自相矛盾。语义层的本质就是把这些口径差异在系统层面统一掉，让AI在一个明确、一致的框架内工作。
