高精度密封风管对暖通系统能效的赋能价值探析
2026/7/8 4:11:17
Ware-Smith
AI-Native Data Modeling Skeleton — 让 AI 像老师傅一样做数仓开发
不是又一个 Text-to-SQL 工具，而是一套让 AI Agent 遵守工程纪律、积累领域经验、安全可控地完成数仓全生命周期开发的知识骨架。
一句话定位
Ware-Smith是一套基于 AI IDE Skill 体系的开源数据建模骨架（Skeleton），把数仓需求开发的六个阶段（PRD → 探查 → 建模 → SQL → 校验 → 上线）封装为可插拔、可独立使用、共享同一套规范的 AI Skill 流水线。
它不生产 AI 模型，不绑定特定 LLM——它解决的是：当你把数据开发交给 AI 时，如何保证它不乱来。
为什么需要它
| 行业现状 | Ware-Smith 的回答 |
|---|---|
| Text-to-SQL 只管"写出来"，不管"写得对" | 全链路闸门（G0→G3），否决项不可跳过 |
| AI 生成的表名/字段名随心所欲 | 词根词典 + 命名规范强制约束，未匹配的标记"待审批" |
| 一个 Prompt 塞所有规范，超长且脆弱 | 知识分层 |
| 需求到上线的中间环节全靠人盯 | 状态管理 + 断点恢复 |
| AI 不理解你的业务（什么是"良率"？什么是"工单"？） | 团队能力包(领域知识) |
| 改一个字段，下游炸了谁负责？ | 破坏性变更强制安全评估，配 ROLLBACK + 影响通知 |
设计哲学
1. 知识即约束（Knowledge as Guardrails）
AI 不需要"更聪明"，它需要"更有纪律"。
Ware-Smith 的核心信念：把规范编码为可执行的知识文件，而非依赖 Prompt Engineering 的口头约定。词根词典、闸门规则、安全红线——这些不是"建议"，是硬约束。
2. 分层治理（Layered Governance）
3. 意图路由（Intent-Driven Routing）
AI 不是被动等指令，而是主动识别用户意图，自动匹配最合适的执行路径：
用户输入 │ ▼ 意图分类（skill-router） ├─ 明确动作（"设计这张表"） → 精确匹配 → 单能力 Skill ├─ 业务概念（"OEE 怎么算"） → 模糊匹配 → 判断指标是否已有 → 路由 ├─ 完整需求（"从头开始做"） → 全流程 Pipeline └─ 歧义不明 → 主动追问，禁止降级猜测核心原则：涉及新建表、新建指标、变更口径的任务，不允许走直接对话——必须激活 Skill。歧义时问而不是降级。
4. 语义本地化，技术走 API（Semantics Local, Tech via API）
本地知识 = AI 的"大脑"（理解口径、消歧、经验） 平台 API = AI 的"眼睛"（表结构、血缘、数据量）不把整个元数据库搬进 Context——只存 API 给不了的语义知识（指标口径、聚合规则、编码对齐坑）。
5. 安全前置（Shift-Left Safety）
破坏性变更（改口径 / 改粒度 / 删有引用字段）在设计阶段就被拦截，而非上线时才发现。change-safety-guard自动触发，产出影响范围 + ROLLBACK 策略 + Owner 通知清单。
核心架构
与业界方案的对比
| 维度 | Text-to-SQL 工具 | AI Copilot 插件 | DataOps 平台 AI 模块 | Ware-Smith |
|---|---|---|---|---|
| 覆盖范围 | 写 SQL | 代码补全/解释 | 端到端但锁定在平台内（离开平台即失效） | 全生命周期（PRD→上线，IDE 原生不锁平台） |
| 规范保障 | 无/弱 Prompt | 无 | 规则由平台定义，团队只能配不能改底层逻辑 | 知识文件 + 闸门双保险（团队完全自主） |
| 领域知识 | 依赖上下文窗口 | 依赖上下文窗口 | 平台提供通用模板，深度定制要等厂商排期 | 可插拔能力包（团队自维护，即时生效） |
| 安全机制 | 无 | 无 | 依赖审批流，设计错误到提交时才暴露 | 设计阶段拦截+ 强制评估（Shift-Left） |
| 可扩展性 | 改 Prompt | 改 Prompt | 平台闭源，扩展受限于厂商 API 开放节奏 | 开放骨架：加文件即生效 |
| 状态管理 | 无 | 无 | 平台内闭环，换工具链状态不可迁移 | JSON 状态机+ 断点恢复（纯文件可 Git） |
| 与 LLM 耦合 | 高 | 高 | 绑定平台内置模型，换模型成本高 | 零耦合（纯知识文件，模型随换随用） |
目录结构
快速开始
30 秒体验
- 克隆本仓库到 AI IDE 工作区
- 打开对话，说：“帮我给’实付金额’起个符合规范的字段名”
- AI 自动加载基线规范（steering），查词根词典，返回
actual_pay_amt+ DECIMAL 类型 + COMMENT
→ 你刚体验了"直接对话"模式，零配置，规范已生效。
团队扩展（只需提供素材）
不需要手动填 YAML，不需要理解骨架内部结构。激活knowledge-curatorSkill，把素材丢给它：
``
激活 knowledge-curator，说：
“帮我把这段会议纪要里的经验整理到能力包”
“这个项目上线后踩了个坑，记一下”
“我们组新定了一个指标口径，录入进去”
“把这份源系统对接文档提取成知识”
理论基础
本骨架的设计汲取了以下工程思想：
- Data Mesh：团队能力包 = Domain Ownership + Self-Serve Data Platform 的实践
- Knowledge Engineering：语义层（metrics + vocabulary + dimensions）= 将隐性知识显性化
- Infrastructure as Code：规范即代码（Knowledge as Code），版本化、可回滚、可审计
Roadmap
- 核心骨架 + Skill + 共享资源层
- 制造域示范能力包
- 知识地图可视化
- 更多领域能力包（供应链/财务）
- MCP 服务端集成（Hive / 数据地图）
- CI/CD 集成（Git Hook + 闸门自动化）
- 多语言 README（English）
- 能力包市场（团队间共享）
Ware-Smith：不是替代数据开发者，而是让 AI 成为一个守规矩的数据开发搭子。