面向 AI 的上下文层
AI 工具靠猜来理解你的字段含义,得出的数字就会出错。Context 告诉 Claude、ChatGPT 和 Cursor 你的数据意味着什么,让它们像你的团队一样作答。
€29/用户/月 · Pro 套餐,含 Guard
intent: "revenue by active customer"
instructions: "Amounts are in cents. Use orders_v2, not orders."
definitions: [{ name: "active customer", sql: "last_order_at > now() - …" }]
tables: [{ name: "orders_v2",
columns: [{ name: "total", description: "Order total in cents, before VAT", synonyms: ["revenue"] }] }]
所有 AI 工具,同一套答案。
你的团队会问 Claude、ChatGPT、Cursor、Claude Code、Windsurf 或任何其他 MCP 客户端。没有上下文,每一个都在猜你的数据意味着什么,两个人问同一个问题会得到两个数字。有了 Context,它们每一个读到的都是同一批上下文文件、定义和描述。
- 任意 MCP 客户端
AI 需要从你的数据库里知道什么
schema 只说明有什么,不说明金额单位是什么、两张表里哪张是当前使用的,也不说明你的团队说的 active customer 指什么。
| AI 看到的 | 它还需要知道 | 放在哪里 |
|---|---|---|
| orders.total bigint | 单位是分,不含增值税 | 字段描述 |
| orders, orders_v2 | 用 orders_v2。orders 是旧系统 | 上下文文件 |
| customers.last_order_at | active customer 指最近 90 天内下过单的客户 | 定义,连同其 SQL |
| acct_mgr_id | 人们会说 account manager 或 owner | 同义词 |
| COMMENT ON TABLE customers | 已经写在数据库里了 | 原样读取 |
工作原理
- 1写下只有你的团队才知道的事哪张表是当前使用的,金额单位是什么,什么算 active customer。每条一句话,在应用里写,或直接在跟 AI 的对话里写。
写下只有你的团队才知道的事
哪张表是当前使用的,金额单位是什么,什么算 active customer。每条一句话,在应用里写,或直接在跟 AI 的对话里写。
- 2你的团队用的每个 AI 工具都会读到Claude、ChatGPT、Cursor 和 Claude Code 会拿到与每个问题相匹配的上下文,没人需要再解释一遍数据。
你的团队用的每个 AI 工具都会读到
Claude、ChatGPT、Cursor 和 Claude Code 会拿到与每个问题相匹配的上下文,没人需要再解释一遍数据。
- 3数据库里的注释也算数PostgreSQL、Redshift、MySQL、SQL Server、Oracle、BigQuery 和 ClickHouse 中的表和字段注释会一并带上。你们团队自己写的地方以团队写的为准,数据库本身保持不动。
数据库里的注释也算数
PostgreSQL、Redshift、MySQL、SQL Server、Oracle、BigQuery 和 ClickHouse 中的表和字段注释会一并带上。你们团队自己写的地方以团队写的为准,数据库本身保持不动。
- Schema有什么orders_v2.total bigint
- 数据库注释从数据库读取Order total
- SaturnSQL由你的团队写入Order total in cents, before VAT
- Claude 读到的total bigint: "Order total in cents, before VAT"
纠正 AI 一次
当你告诉 AI 它某个字段搞错了,它可以把这次纠正保存下来给所有人用。下一个人、下一个 AI 工具不用被告知就能答对。每处改动都有名字可查。
上下文层 vs 语义层
Context 不是语义层,也不打算成为语义层。语义层编译受治理的指标;Context 告诉 AI 你的数据意味着什么,让它自己写 SQL。
| SaturnSQL Context | 语义层 | |
|---|---|---|
| 首先构建什么 | 什么都不用。随着问题出现,编写上下文文件 | 在 YAML、LookML 或视图中定义模型、指标和连接 |
| AI 如何使用它 | 读取含义,然后编写 SQL | 通过 API 查询受治理的指标 |
| 由谁维护 | 任何了解数据的人,用通俗语言维护 | 通常是分析工程师,用代码维护 |
| 每次数字都相同 | 由定义引导,但不保证 | 是,指标会编译为相同的 SQL |
| 首次得到答案所需时间 | 几分钟 | 一旦首批模型编写并部署完成 |
如果财务需要收入在每个工具中都精确到分地一致,就在语义层中建模。对于其他所有情况,上下文让 AI 从第一天起就能给出正确答案。更多内容见什么是上下文层。查看最佳语义层工具和 Atlan 替代方案,了解更重量级的选项。
无锁定
从你已有的 Apache Ossie 模型开始,并且在任何套餐中,都能把团队编写的一切以 Ossie 或 dbt YAML 形式带走。如果以后采用语义层,从这里开始。
Apache Ossie 导入和导出如何工作
version: 0.3.0.dev0
name: prod_postgres
ai_context:
instructions: Amounts are in cents. Use orders_v2, not orders.
datasets:
- name: orders_v2
description: One row per paid order
fields:
- name: total
datatype: Integer
description: Order total in cents, before VAT
ai_context:
synonyms: [revenue, amount]
理解你的数据且只看到应看内容的 AI
在 Pro 套餐中,Context 和 Guard 一起提供,Guard 的规则也适用于上下文。
- 隐藏的表保持隐藏,在 schema 和上下文中都是如此。
- 被掩码的列在 AI 读取的所有内容中保持掩码状态。
- 对某个数据库关闭 AI,其上下文也会随之不可见。
更多关于 SaturnSQL Guard 以及面向 MCP 和 AI 的数据库治理的内容。
关于 Context 的问题
要连接 AI 工具?从 SaturnSQL MCP server 开始。
让你的 AI 工具获得含义,而不只是 schema
只需解释一次你的数据,团队使用的每个 AI 工具都能据此工作。
€29/user/month
Pro 套餐:包含 Starter 中的所有内容,外加
- Context:上下文文件、定义,以及每个 AI 工具随 schema 一起读取的表和列描述
- 每个连接的 AI 工具访问权限:关闭、仅共享查询、只读或与用户相同
- 审批:有风险的 AI 工具请求会等待人工处理,并通过 Slack 或电子邮件发出提醒
- 对每个数据库或组的 AI 工具查询限制:每次查询的行数、每人每分钟查询数、超时、BigQuery 字节数
- 每个组的访问规则:隐藏表、隐藏或掩码列、过滤行
- 来自人员和 AI 的每次查询的审计日志
- 查询版本历史