谷歌：2026年打造值得信赖的AI：AI时代的语义层指南（英文版）

尽管大语言模型 (LLM) 和各种专用智能体具有变革性的潜 力，但它们都是基于通用数据集进行的训练。当使用业务术语 向 LLM 提问，但未提供任何其他背景信息时，LLM 的概率性 回答并不会针对提问的特定个人或组织进行优化。例如，如果 用户问“我们上个月的月活跃用户数 (MAU) 是多少？”，LLM 并不清楚用户组织对 MAU 的定义是指登录用户，还是执行 了特定应用内操作的用户。它也不知道“月度”是指日历月 还是滚动的 30 天时间段。此外，当回答需要 LLM 编写 SQL 时，LLM 必须正确编写 SQL，并针对特定的数据库费用和性 能结构进行优化，这两点对 LLM 来说都是进一步的挑战。 语义层是解决这些问题的关键。由于语义层中已包含业务命 名规则，因此能够为 LLM 提供必要的额外背景信息，使 LLM 能够正确理解用户的问题。此外，由于语义层也知道如何将用 户请求转换为 SQL，因此它还可以帮助 LLM 编写针对特定 数据库进行优化的正确 SQL。换句话说，如果部署得当，语义 层会将理解特定业务问题及编译 SQL 的负担，从 LLM 转移 到语义层本身。