AI 数据仓库和传统数仓有什么区别？
核心差异在于"建模与 ETL 由谁完成"。
传统数仓依赖数据工程师人工设计星型模型、手工编写 ETL 脚本，周期长且口径容易因人而异。AI 数据仓库（智能数仓）由系统基于 Kimball 维度建模理论自动推导星型模型、自动生成 DDL 与 ETL，并支持语义匹配与多源自动发现，大幅降低开发成本与口径歧义，让工程师把精力放在业务理解而非重复劳动上。
AI 数据仓库的自动化建模能力
总线矩阵生成
从知识图谱自动生成 Kimball 总线矩阵，定义业务过程与一致性维度。
星型模型 DDL
基于总线矩阵自动推导事实表与维度表，一键生成建表语句。
ETL 自动生成
由图谱规则自动生成 ETL 脚本，沙箱验证后灰度发布。
语义匹配
向量 + 规则 + 图谱多层匹配，自动建立指标与字段的映射。
支持哪些数据源接入
关系型数据库
MySQL、PostgreSQL、Oracle 等多种业务数据库，自动适配方言差异。
文件数据
Excel / CSV 数据文件可直接作为数据源接入与解析。
多源自动发现
六步验证法 + 分层推理，自动发现多张 ODS 表与原子指标的关系。
统一底座
元数据 + 数仓 + 向量三位一体，支持向分析型数据库平滑升级。
AI 数据仓库与 AI 数据中台的关系
AI 数据仓库是 AI 数据中台的存储与计算核心层。在 WinsightAI 的四层架构中，存储层承载"元数据 + 数仓 + 向量"三位一体的底座，其上由引擎层完成智能加工、应用层面向业务提供智能问答与建模工作台。二者一体设计，避免了"数仓与中台两层皮"的常见问题。
关于 AI 数据仓库，你可能想问
我们整理了企业围绕「AI数据仓库」最关心的几个问题。
AI 数据仓库和传统数仓有什么区别？
传统数仓依赖人工设计表结构、手工编写 ETL；AI 数据仓库（智能数仓）基于维度建模理论自动推导星型模型、自动生成 DDL 与 ETL，并支持语义匹配与多源自动发现，大幅降低开发成本与口径歧义。
AI 数据仓库能自动生成 ETL 吗？
能。WinsightAI 由图谱规则自动生成 ETL 脚本，并在沙箱中验证、灰度发布、一键回滚，无需工程师手工逐行编写。
支持哪些数据源接入？
支持 MySQL、PostgreSQL、Oracle 等关系型数据库，以及 Excel / CSV 文件；系统自动适配方言差异并支持多源自动发现。
什么是维度建模和星型模型？
维度建模是 Kimball 提出的数据仓库设计方法，以"事实表 + 维度表"的星型结构组织数据，便于业务分析与聚合。WinsightAI 可基于总线矩阵自动推导星型模型并生成 DDL。
AI 数据仓库适合哪些场景？
适合财务管报、经营分析、预算执行等需要高频取数与稳定口径的场景，也适合数据中台项目的数仓重建，以及 ISV 将数仓能力嵌入自有产品。