TIO AUTOPLAT · 数据层 · DataHub 2.7
DataHub面向AI数据治理平台
把资产、标准、质量、安全与服务开放放进同一运行链路，治理结果可持续运营。治理成果再以知识化与 MCP / Skill 契约供智能体安全消费——AI 读取的是已治理的语义，而不是去猜字段；AI 也直接参与探源、治理、建模与数据开发。
1
条运行链路：资产、标准、质量、安全与开放
三员
分立，脱敏、审计与导出管控贯穿运行
4
类 AI 智能体参与探源、治理、建模与开发
MCP
/ Skill 契约，AI 读取已治理语义
- 接得进
- 多源统一接入：数据库、文件、CDC、消息流与多模态数据可视化建任务入湖。
- 存得住
- Iceberg 湖仓一体 + 加速层，一份数据同时支撑明细存储与高性能分析。
- 治得好
- 标准、模型、指标口径、质量巡检与分级分类安全，治理结果沉淀为资产。
- 用得出
- 数据服务、开放清单、订阅推送与事件路由，按需安全供给给业务系统。
- 可被 AI 消费
- 知识化、训练数据集与 MCP/Skill 接口，让智能体按契约读取已治理数据。
* 湖仓与开发效率指标为典型场景测算，以项目测评与部署配置为准。
数据治理，正在转向面向 AI
从“能存”到“能用”，从“给人看”到“给系统和智能体消费”——治理不再是一次性工程，而是 AI 的供给前提。
工具拼装，链路割裂
采集、存储、治理、开发各一套系统，数据在工具之间反复搬运。
模型、主数据、知识库各自为政
同一个“客户”在不同系统里口径不同，治理成果无法复用。
AI 只能“猜”字段
没有统一语义与契约，智能体看到的是一堆表名，而不是业务。
一条链路，五个命题
接得进 → 存得住 → 治得好 → 用得出 → 可被 AI 消费。
- 接得进
- 多源统一接入：数据库、文件、CDC、消息流与多模态数据可视化建任务入湖。
- 存得住
- Iceberg 湖仓一体 + 加速层，一份数据同时支撑明细存储与高性能分析。
- 治得好
- 标准、模型、指标口径、质量巡检与分级分类安全，治理结果沉淀为资产。
- 用得出
- 数据服务、开放清单、订阅推送与事件路由，按需安全供给给业务系统。
- 可被 AI 消费
- 知识化、训练数据集与 MCP/Skill 接口，让智能体按契约读取已治理数据。
接得进多源统一接入：数据库、文件、CDC、消息流与多模态数据可视化建任务入湖。
AI 参与治理，也消费治理成果
不仅让数据被 AI 使用，更让 AI 参与数据工作本身。
AI 探源
自动识别数据源结构与业务含义
AI 治理
推荐标准、发现敏感字段、生成质量规则
AI 建模
从业务描述生成主题模型与指标口径
AI 数据开发
用自然语言生成与调试加工流水线
Cursor
Claude
Trae
Qoder
Kimi Code
通义灵码
WorkBuddy
DataHub
MCP · Skill
MCP · Skill
主流 AI 编程助手与智能体经 MCP / Skill 接入，按权限读取已治理的数据契约。
- $ mcp call datahub.search_assets --q "应收账款"
- → 命中 3 个已治理资产 · 口径：财务域 v2
- $ mcp call datahub.describe fin_receivable
- → 字段 18 · 标准 12 · 质量评分 96 · 敏感级 L2
- $ mcp call datahub.query --metric 逾期金额 --by 客户
- → 已注入行级权限 · 返回 25 行
datahub · mcp
传统建设 vs DataHub
| 环节 | 传统建设 | DataHub |
|---|---|---|
| 治理 | 标准、模型、指标各自维护 | 数模一体：建模即资产，资产即知识 |
| 供给 | 点对点接口，权限各自为政 | 数据服务、订阅推送与统一审批 |
| AI | 智能体靠猜字段 | 知识化 + MCP 契约，AI 读取已治理语义 |
| 存储 | 数据湖与数仓两份拷贝，同步成本高 | Iceberg 湖仓一体，一份数据多种负载 |
| 开发 | 脚本分散在多套工具，难以复用 | 可视化 DAG + AI 数据开发，流批一体 |
| 主数据 | 另建接口、各自对账 | 与 Maindata 联动，共用质量、血缘与开放服务 |
五大优势
01
湖仓一体
一份数据、一套存储，既能低成本长期保存，也能高性能分析；典型场景运行效率约 2–20 倍、分析反馈提速 10 倍以上、计算资源节约 30%+。
02
数模一体
建模即资产，资产即知识：标准、模型与指标在同一处定义，直接成为可消费的资产。
03
主数联动
与 Maindata 联动：核心业务实体进入统一的质量、血缘与开放链路，一处维护、多处一致使用。
04
全面面向 AI
AI 探源、AI 治理、AI 建模、AI 数据开发四类智能体协同，开发效率提升约一个数量级。
05
可视化操作
流批一体 DAG 编排，从采集到服务的全链路都可在画布上设计、发布与运行。
八大能力域
多源入湖与湖仓运营
可视化建任务、CDC、文件与多模态入湖，Iceberg 湖仓与加速层统一运营。
资产目录与血缘
元数据、资产盘点、表级与列级血缘，影响分析一目了然。
标准、模型与指标口径
字段标准、主题模型、指标语义统一登记，发布即物化。
可视化加工编排
流批一体 DAG：采集、SQL、质量检查、脚本与写入节点自由组合。
质量巡检
质量规则、趋势分析与资产健康评分，问题回流到加工链路。
安全受控
敏感识别与分级、脱敏、加密、三员分立与访问审计。
数据服务与开放
数据服务、开放清单、订阅推送与事件路由，审批后安全供给。
知识化与训练数据集
同步知识库、知识处理策略、召回调试，并为 AIBase 提供训练数据集。
控制台实拍
从驾驶舱到加工、安全与训练数据集，全链路一个工作台。
- 数据加工工作台
- 按“接入 → 设计加工 → 运行调试 → 治理检查 → 发布服务”的顺序组织数据链路。
- 数据中台驾驶舱
- 资产、湖仓健康、采集任务与加速层一屏总览。
- 数据安全概览
- 敏感识别、分级与访问审计统一管理。
- 训练数据集
- 为 AIBase 提供多模态、时序与文档训练数据集。
按“接入 → 设计加工 → 运行调试 → 治理检查 → 发布服务”的顺序组织数据链路。
分层架构
角色门户
数据开发、数据治理、数据安全、业务消费等角色各有工作台
能力层
接入 · 湖仓 · 加工 · 目录血缘 · 标准指标 · 质量 · 安全 · 服务开放 · 知识化 · 主数据联动
统一底座
Iceberg 湖仓 · 加速层 · 计算资源 · 统一权限与审计
支持单机、小规模到集群阶梯扩容；适配麒麟、统信、欧拉等国产操作系统与达梦、金仓、DWS 等国产数据库。
在 AUTOPLAT 中
DataHub 供给已治理的数据与语义：AIDA 在其上问数，AIHub 读取目录契约，AIBase 使用训练数据集，Maindata 联动主数据。
让治理成果被 AI 安全使用
预约演示，看一份数据如何从接入、治理到被智能体安全使用。