Apache Ossie核心概念速览语义模型、数据集、字段、关系与指标五大要素【免费下载链接】ossieApache Ossie, industry wide specification effort to standardize how we exchange semantic metadata across analytics, AI and BI platforms, providing a vendor neutral, single source of truth for semantic data项目地址: https://gitcode.com/GitHub_Trending/osi1/ossieApache Ossie 是 Apache 基金会孵化中的开源标准旨在跨分析、AI 和 BI 平台统一交换语义元数据为语义层提供厂商中立的单一事实来源。本文将带你快速认识 Ossie 语义模型的五大核心要素——语义模型、数据集、关系、字段与指标几分钟即可建立完整认知。为什么需要一套语义标准在真实的数据团队中同一个营收指标在 BI 工具、数仓、AI 应用里往往各有一套定义导致数字打架、人工反复对齐。Ossie 用一套 YAML 格式的语义模型规范解决这个问题所有工具读写同一份模型指标与维度只定义一次处处一致。上图来自 core-spec/expression_language.md语义模型逻辑层位于物理数据库之上向下对应原生 SQL向上支撑更高层的本体定义。五大要素一页总览 要素角色定位一句话理解语义模型Semantic Model顶层容器一个完整的业务语义说明书数据集Datasets业务实体对应事实表/维表如订单、客户关系Relationships外键连接声明数据集之间如何关联字段Fields行级属性可用于分组、过滤和指标计算的属性指标Metrics量化度量跨数据集的聚合计算如总营收完整定义见核心规范 core-spec/spec.md机器可读的 JSON Schema 见 core-spec/osi-schema.json。要素一语义模型——顶层容器语义模型是 Ossie 的顶层结构一次声明一个业务域例如sales_analytics销售分析。它包含四个关键部分name / description模型名称与说明是全局唯一标识datasets模型下的逻辑数据集必填relationships数据集之间的连接可选metrics定义在模型级的指标可选此外还支持ai_context字段向 AI 工具注入自然语言指令、同义词和示例问题让大模型更准确地理解业务含义——这是 Ossie 面向 AI 时代的关键设计。要素二数据集——业务实体的逻辑抽象数据集对应业务实体即数仓中的事实表和维表。核心属性包括属性说明name数据集唯一标识如orderssource物理表引用如sales.public.ordersprimary_key主键支持单列或复合主键unique_keys唯一键集合fields行级字段列表例如订单数据集的source指向物理表primary_key为order_id还可以配上同义词purchases、sales方便 AI 和用户在叫法不同时也能对上号。要素三关系——数据集之间的外键连接关系声明两个数据集如何连接方向固定为多端from指向一端to如orders_to_customersorders.customer_id→customers.id要点有三from_columns与to_columns的顺序必须一一对应、数量相同支持复合键如订单行明细用[product_id, variant_id]关联商品关系也是多对一模型与维度建模习惯一致关系定义清楚后指标才能跨数据集做聚合——这是后面客单价这类复合指标能成立的前提。要素四字段——分组、过滤与计算的行级属性 字段是数据集内的最小构件用于分组、过滤以及参与指标表达式。两个设计亮点值得新手注意1. 多方言表达式同一个字段可以携带多种 SQL 方言的实现比如ANSI_SQL写LOWER(email)SNOWFLAKE写LOWER(email)::VARCHAR各平台取用匹配的方言缺失时回退到标准 SQL。规范支持ANSI_SQL、SNOWFLAKE、DATABRICKS、BIGQUERY、MDX、TABLEAU等方言。2. 类型与角色分离datatype描述是什么类型如Date、Integer而dimension.is_time描述是否扮演时间维度角色。例如审计列created_at虽是时间类型也可显式设is_time: false排除出时间轴反之整数年份列可设is_time: true参与时间序列分析。表达式语言的完整提案见 core-spec/expression_language.md。要素五指标——模型级的量化度量 指标是 Ossie 最有价值的部分定义在语义模型层级而不是某个数据集内因此可以跨多个数据集计算表达式支持聚合函数如SUM(orders.amount)表示总营收复合指标示例SUM(orders.amount) / COUNT(DISTINCT customers.id)表达人均消费通过ai_context.synonyms配置同义词如revenue、total salesAI 问数时命中率更高这意味着 KPI 的计算逻辑全组织只维护一份从源头消除指标漂移。加分项自定义扩展与 AI 上下文Ossie 通过custom_extensions让 Snowflake、Databricks、dbt 等厂商在核心规范之外携带私有元数据转换时无损保留、其他工具自动忽略——扩展核心而不破坏兼容。ai_context则可在模型、数据集、字段、关系、指标每一级出现让语义模型天然读懂 AI。动手实践从示例到校验 ✅想快速上手建议按这个路径阅读读规范core-spec/spec.md —— 五大要素的权威定义看示例完整的 TPC-DS 语义模型 展示了大型模型的全貌flights.yaml 则是更贴近本体层的航班示例跑校验用官方校验脚本 validation/validate.py 对照 JSON Schema 检查你的模型验证多方言表达式与引用完整性学转换查看 converters/README.md了解 Ossie 与 dbt、Snowflake、Databricks 等格式之间的双向转换器小结Apache Ossie 用五个简洁的概念——语义模型、数据集、关系、字段、指标——搭起了厂商中立的语义层模型定边界数据集抽象实体关系建立连接字段承载属性指标沉淀度量。理解这五要素你就掌握了在 AI 与 BI 生态中交换业务语义的通用语言 。更多背景可阅读项目文档 docs/index.md 中的常见问题与采用指南。【免费下载链接】ossieApache Ossie, industry wide specification effort to standardize how we exchange semantic metadata across analytics, AI and BI platforms, providing a vendor neutral, single source of truth for semantic data项目地址: https://gitcode.com/GitHub_Trending/osi1/ossie创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/8/31 20:08:16 · 阅读 1.2k Apache Ossie核心概念速览：语义模型、数据集、字段、关系与指标五大要素
Apache Ossie核心概念速览语义模型、数据集、字段、关系与指标五大要素【免费下载链接】ossieApache Ossie, industry wide specification effort to standardize how we exchange semantic metadata across analytics, AI and BI platforms, providing a vendor neutral, single source of truth for semantic data项目地址: https://gitcode.com/GitHub_Trending/osi1/ossieApache Ossie 是 Apache 基金会孵化中的开源标准旨在跨分析、AI 和 BI 平台统一交换语义元数据为语义层提供厂商中立的单一事实来源。本文将带你快速认识 Ossie 语义模型的五大核心要素——语义模型、数据集、关系、字段与指标几分钟即可建立完整认知。为什么需要一套语义标准在真实的数据团队中同一个营收指标在 BI 工具、数仓、AI 应用里往往各有一套定义导致数字打架、人工反复对齐。Ossie 用一套 YAML 格式的语义模型规范解决这个问题所有工具读写同一份模型指标与维度只定义一次处处一致。上图来自 core-spec/expression_language.md语义模型逻辑层位于物理数据库之上向下对应原生 SQL向上支撑更高层的本体定义。五大要素一页总览 要素角色定位一句话理解语义模型Semantic Model顶层容器一个完整的业务语义说明书数据集Datasets业务实体对应事实表/维表如订单、客户关系Relationships外键连接声明数据集之间如何关联字段Fields行级属性可用于分组、过滤和指标计算的属性指标Metrics量化度量跨数据集的聚合计算如总营收完整定义见核心规范 core-spec/spec.md机器可读的 JSON Schema 见 core-spec/osi-schema.json。要素一语义模型——顶层容器语义模型是 Ossie 的顶层结构一次声明一个业务域例如sales_analytics销售分析。它包含四个关键部分name / description模型名称与说明是全局唯一标识datasets模型下的逻辑数据集必填relationships数据集之间的连接可选metrics定义在模型级的指标可选此外还支持ai_context字段向 AI 工具注入自然语言指令、同义词和示例问题让大模型更准确地理解业务含义——这是 Ossie 面向 AI 时代的关键设计。要素二数据集——业务实体的逻辑抽象数据集对应业务实体即数仓中的事实表和维表。核心属性包括属性说明name数据集唯一标识如orderssource物理表引用如sales.public.ordersprimary_key主键支持单列或复合主键unique_keys唯一键集合fields行级字段列表例如订单数据集的source指向物理表primary_key为order_id还可以配上同义词purchases、sales方便 AI 和用户在叫法不同时也能对上号。要素三关系——数据集之间的外键连接关系声明两个数据集如何连接方向固定为多端from指向一端to如orders_to_customersorders.customer_id→customers.id要点有三from_columns与to_columns的顺序必须一一对应、数量相同支持复合键如订单行明细用[product_id, variant_id]关联商品关系也是多对一模型与维度建模习惯一致关系定义清楚后指标才能跨数据集做聚合——这是后面客单价这类复合指标能成立的前提。要素四字段——分组、过滤与计算的行级属性 字段是数据集内的最小构件用于分组、过滤以及参与指标表达式。两个设计亮点值得新手注意1. 多方言表达式同一个字段可以携带多种 SQL 方言的实现比如ANSI_SQL写LOWER(email)SNOWFLAKE写LOWER(email)::VARCHAR各平台取用匹配的方言缺失时回退到标准 SQL。规范支持ANSI_SQL、SNOWFLAKE、DATABRICKS、BIGQUERY、MDX、TABLEAU等方言。2. 类型与角色分离datatype描述是什么类型如Date、Integer而dimension.is_time描述是否扮演时间维度角色。例如审计列created_at虽是时间类型也可显式设is_time: false排除出时间轴反之整数年份列可设is_time: true参与时间序列分析。表达式语言的完整提案见 core-spec/expression_language.md。要素五指标——模型级的量化度量 指标是 Ossie 最有价值的部分定义在语义模型层级而不是某个数据集内因此可以跨多个数据集计算表达式支持聚合函数如SUM(orders.amount)表示总营收复合指标示例SUM(orders.amount) / COUNT(DISTINCT customers.id)表达人均消费通过ai_context.synonyms配置同义词如revenue、total salesAI 问数时命中率更高这意味着 KPI 的计算逻辑全组织只维护一份从源头消除指标漂移。加分项自定义扩展与 AI 上下文Ossie 通过custom_extensions让 Snowflake、Databricks、dbt 等厂商在核心规范之外携带私有元数据转换时无损保留、其他工具自动忽略——扩展核心而不破坏兼容。ai_context则可在模型、数据集、字段、关系、指标每一级出现让语义模型天然读懂 AI。动手实践从示例到校验 ✅想快速上手建议按这个路径阅读读规范core-spec/spec.md —— 五大要素的权威定义看示例完整的 TPC-DS 语义模型 展示了大型模型的全貌flights.yaml 则是更贴近本体层的航班示例跑校验用官方校验脚本 validation/validate.py 对照 JSON Schema 检查你的模型验证多方言表达式与引用完整性学转换查看 converters/README.md了解 Ossie 与 dbt、Snowflake、Databricks 等格式之间的双向转换器小结Apache Ossie 用五个简洁的概念——语义模型、数据集、关系、字段、指标——搭起了厂商中立的语义层模型定边界数据集抽象实体关系建立连接字段承载属性指标沉淀度量。理解这五要素你就掌握了在 AI 与 BI 生态中交换业务语义的通用语言 。更多背景可阅读项目文档 docs/index.md 中的常见问题与采用指南。【免费下载链接】ossieApache Ossie, industry wide specification effort to standardize how we exchange semantic metadata across analytics, AI and BI platforms, providing a vendor neutral, single source of truth for semantic data项目地址: https://gitcode.com/GitHub_Trending/osi1/ossie创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考