数据平台的 AI 就绪模式 — 全书拆解
30 秒导读: 企业急着把会写会答的 AI 用在自己的数据上,但数据平台过去二十年 是为「人看报表」建的。这本书的判断是:RAG(行话叫检索增强生成:先去你的 资料里把相关内容找出来、再让 AI 照着作答的一种用法)能不能靠谱, 瓶颈不在 AI 这台机器,在数据准备的那一段路上。
书给出的不是理念,是一套模式:实体内核、源头契约、语义(每个词在业务里 是什么意思)分层、管道契约、管道即代码——全部在生产环境验证过。
本组文档是我们重写的完整拆解,八章。读完不 必看原书。 原书是 Early Release(试读版),只出了 3 个正文章;我们的 8 章是把这 3 章 按一条因果链(一步逼出下一步)重新切开的,不是原书一章对我们一章。
1. 先交代清楚:这是谁在什么时候写的
| 作者 | Ravi Vedula(微软副总裁,管着超千人的数据组织)、Gerardo Bodegas Martinez(合作设计总监)、Maruti Chittajallu(IDEAS 产品总监)、Jack Pullikottil(合作架构师,IDEAS 栈的设计负责人)——四人都来自微软 IDEAS,公司内部最大的数据平台 |
| 写作时间 | 2026 年(O'Reilly 出版;书内契约示例的生效日期标到 2025 年 10 月) |
| 成书状态 | Early Release:作者写一章放一章,目前只有第 1-3 章,附「目录未定稿」 |
| 利益相关 | 案例全部来自作者自己运营的平台;书里出现的工具名(Geneva、Cosmos、UDM、ContractDoctor)多为微软内部专名。论证成立与否,和买不买微软产品是两件事,读时分开 |
两件事影响怎么读这本书。第一,作者不是观察者而是当事人——「数百 PB、数万个数据源」 是他们的日常规模,处方带大型平台前提。第二,它是一部没写完的书:第 1 章许诺的模式 清单里,「质量作为检索信号」「策划好的接地样例与活术语表」「SBAC 专章」「企业级 RAG 栈」 都还没有出场(细节见第 4 节)。
2. 全书一条主线(读完这一节,你就懂了这本书)
这本书是一条被一步步逼出来的因果链——每一步都是上一步逼出的一步。下面把链走完——只读这一节, 你也能把这本书的主张复述出来。 机制细节全部留给八章,这里只讲 「发生了什么、为什么只能这样」。
① 消费者换了
企业数据平台一直服务一个消费者:人。人要的是聚合好的数字、口径一致的图表。 现在来了一种新消费者——大语言模型(读过上亿篇文章、能续写和回答问题的 AI 系统)。
模型(就是这台读文字答题的机器)不要图表:它要的是按问题现取原始材料, 而不是查任何一张现成的报表。
你要它回答「亚太区营收风险有多大」,它需要的是销售记录、支持工单、合同、外部 指标——这些材料散在各处的系统里。
旧平台在这个问题面前断粮。书把这个断裂命名为企业上下文(公司自己的客户、 合同、工单——模型从没读过的内部实情)缺口。(第 01 章)
② 缺口不是口号,是五个可点名的缺陷
为什么平台上亿投入还缺这些?书拆出五条:知识散落在各个系统里(碎片化); 同一个词在各系统里意思不一样(浅语义);审批走人的节奏,检索(到资料里把相关内容找出来)要毫秒级的答复; 数据的说明书只是给人看的文档,机器执行不了;数据好坏只体现在报表上, 检索的时候没有任何「新鲜不新鲜、可不可信」的信号可查。 这五条叠加的结果,书起了个刻薄的名字:演示天堂——demo 永远惊艳,上线永远失信。 (第 01 章)
③ 缺口能量出来:三根支柱
光有批评不够,书给了诊断框架:数据资产(能不能统一取)、基础设施(能不能混着查)、 信任层(能不能说清每个事实的来路并在检索时执行规矩)。每根支柱配一张成熟度阶梯 ——书观察到多数组织停在前两级,而第三级才是第一个真正的拐点。 三桩真实事故给框架作证:三个系统对「用户」的三种定义在模型里打架; 报表上标着的新鲜度救不了代码里的陈旧查询;「反正是内部数据」的宽权限, 几周就漏出个人信息。(第 02 章)
④ 资产侧第一块地基:给核心概念发身份证
模型缺的和新人分析师缺的是同两样:业务词汇、资产目录(书管这叫「聪明实习生测试」)。 补法从最要紧的少数概念下手:挑出定义你业务的几个核心词——客户、租户、订阅(签下的服务合约)、合同、 工单——给每个概念一份核心档案,永久编号一给到底,其余信息全部作为扩展表 挂在同一个编号上。这副骨架叫实体内核。第 ② 步「三个用户打架」的事故, 解药就是它。(第 03 章)
⑤ 含义必须在数据进门那天写下来
核心档案要求每个属性有书面含义。含义从哪来?书的答案:从数据进门的那份 契约上来——而且要写含义,不能只写格式。同一份格式,「用户主动点了按钮才算」 和「鼠标划过也算」,数出来的数天差地别。书的工件叫事件源协议: 目的、新鲜度、规范事件、版本规则、测试样本、责任人,一次签清。 为什么这么急?因为应用的代码天天在改,含义会跟着悄悄漂移—— 只有进门那天写下的定义,才追得上变化。(第 04 章)
⑥ 组织护栏:让「唯一正确的那份」活下来
团队一跑快,同一个指标就会在两条互不相干的管道里各自长出逻辑,算出两个值; 层叠得没了章法,还会养出「A 依赖 B、B 又依赖 A」的死结——连解释都解释不清。 书的处方是结构性的:分层,并用硬规则约束层与层之间的依赖(尤其一条: 报表上的指标只准从「指标基座」这一层取数);下游定义一律写成机器可执行的 声明式格式——说清「要什么」,而不是「怎么一步步做」,换工具重放结果不变。 最后把这整套说明开放成一组查询入口,模型随到随问。(第 05 章)
⑦ 但光「建」不够——没人执法,一切照旧漂移
上面四步建起的语义模型是地图;地图保证不了每个赶工期的工程师走在路上。 书把「以为标准化了的语义」与「实际产出的数据」之间的距离叫做执法缺口, 并用全书最锋利的一个走查展示它的杀伤:两个团队实现同一个「活跃用户」定义, 一个照定义,一个图快只数登录。旧时代,这个错被报表评审会拦下; RAG 时代,虚高的数被检索取走、被模型包装成「采用在加速,建议加大投入」的 自信叙事,直接进战略会议。书的关键定性:模型没有幻觉(自己编造内容),是数据在说谎—— 它对喂进来的东西百分之百信任。(第 06 章)
⑧ 处方:把说明翻转成规格,在写入前拦截
关掉缺口的唯一位置是「数据被写入之前」。做法是把上面所有的说明 从「事后文档」翻转成「事前规格」:先写一份机器可读的管道契约, 再写代码;契约里装着五份保证——结构、意义、行为(何时更新、数值多健康、 何时过期)、安全(哪些场景能用)、来源(用了哪些输入)。 有人想抄「只数登录」的捷径?契约的执法在第一行数据写入之前就把管道拦下。 (第 07 章)
⑨ 终点:契约长腿,变成平台的一部分
契约写成代码,错误就在写作的那一刻被编辑器和编译器(翻译代码、翻译前先查错的程序) 拦住;写完交给托管平台,验证、发布、调度、监控全自动。于是平台每天都在产出 活元数据——血缘、质量、承诺兑现状态,全是一查便知的实时信号。
回报有两笔:检索在回答之前先问四个问题(可信吗、新鲜吗、解释对吗、能给人看吗), 把「数据存在就该是对的」这个危险假设废掉;上游修错之后,平台顺着依赖图 算出重算计划、经人签字、把下游连同索引(为快速查找而预先整理好的检索结构)一起换血——书管这叫自愈上下文。 (第 08 章)
⑩ 一句话收尾
RAG 的可靠性不生产于模型端,生产于数据进检索之前的那段路上。 把语义、执法、信任做进平台本身,AI 的承诺才从发布会口号变成一种能力。
这是书名的全部意思:RAG-ready 的主语是数据平台,不是模型。
3. 八章地图
这张表不记术语,只记「读完你能回答什么问题」。
| 章 | 读完你就能回答 |
|---|---|
| 01 消费者换了 | 平台喂不饱模型的,具体是哪五样东西?为什么 demo 惊艳、上线失信? |
| 02 三根支柱 | 怎么给自己家平台做一次就绪体检?三桩事故分别演示什么失守? |
| 03 实体内核 | 模型和新人缺的是哪两样?「一个编号串起五张表」怎么走? |
| 04 源头语义 | 同一份格式,为什么含义必须另写一份?一份事件契约该签哪七块? |
| 05 分层与可移植定义 | 同名指标为什么会算出两个值?「指标只准依赖指标基座」防的是什么? |
| 06 执法缺口 | 数据是怎么说谎的?为什么目录和告警救不了? |
| 07 管道契约 | 「只数登录」的捷径死在哪一步?五份保证各拦什么? |
| 08 管道即代码 | 错误怎么死在写作时?检索回答前该先问哪四问?修错之后谁去修下游? |
推荐顺序: 01 → 08 顺读,这就是原书的论证顺序。01-02 是「为什么+怎么量」, 03-05 是资产侧的建法,06-08 是执行侧的建法。 只想拿判断的话:读本页第 2 节加第 06 章就够——那是最锋利的一章。
4. 这本书覆盖什么、不覆盖什么
覆盖(而且讲得比多数材料落地)——读完你能回答:
- 为什么为大模型改造数据平台,瓶颈在平台不在模型(五成因 + 三支柱,可自检);
- 实体内核怎么建:核心档案、永久编号、扩展表、围绕它的八组治理清单;
- 语义(「这一列是什么意思」)为什么必须在数据进门时写进契约、和埋点负责人签;
- 七层结构与依赖规则怎么保住「同一指标只有一个值」;
- 管道契约五份保证怎么在写入前拦截错误实现,以及为什么契约的归宿是代码;
- 活元数据怎么让检索先问四问、让上游修错后下游自愈。
不覆盖(别指望在这本里找):
| 缺什么 | 说明 |
|---|---|
| RAG 本身的机制 | 检索怎么切块、相似度怎么算、生成怎么防编造——书默认你已懂或另有专书;书架上的 RAG 实操书补这一侧 |
| 未出版的后续章节 | 原书目录预告共 11 章,第 4-11 章均未出:第 1 章许诺的「质量作为检索信号」「策划好的接地样例与活术语表」「SBAC 专章」「企业级 RAG 栈」之外,还有各模态的 RAG 就绪数据产品、用 MCP(把上下文递给模型的行业标准)串起检索与多步任务的一章、就绪评分卡、实践与陷阱各章;书内两次前指(词汇=第 5 章、场景授权=第 6 章)扑空 |
| 业务词汇怎么教给模型 | 原书第 2 章明说词汇问题留给最终版第 5 章——现版本完全没有 |
| 小团队的迁移路径 | 五份保证、八组清单都是大型平台的重量;几十人的团队怎么裁剪,书没讲 |
| 成本与量级 | 各成熟度级别要投入多少人多久、执法缺口的实际事故率,全书没有一个测量数字 |
| 非微软生态的落地 | 内部工具专名无法复现,需要换成自家或公开的对应物 |
5. 我们的判断
判断(我们的,不是书里的): 这本书在书架上的正确位置,是 RAG 书堆的 上游。市面 RAG 书教「米怎么做熟」:切块、检索、重排(把候选结果重新排次序)、评测;这本书只管一件事 ——米进锅之前必须是干净的、标好产地的、过了安检的。拿它当 RAG 教程读会失望, 拿它当「数据平台为 AI 改造」的工程规范读,密度很高。 如果错,会错在: 如果检索与生成端的质量问题(切块切错、检索不准)在实践中 才是主要矛盾,那这 本书就是把力气花在了次要环节——但第 02 章「三个用户」的案例 表明作者吃过相反方向的亏。
判断(我们的,不是书里的): 全书真正不可替代的一段是第 06 章的「数据说谎」 论证:它给出了 RAG 时代错数的传播学——错数不再被会议拦下,而是被模型 包装成叙事直达决策。这个观察让「数据治理」从合规话题变成了产品安全问题, 值得单独讲给任何要上 RAG 的团队听。 如果错,会错在: 如果组织内有人工评审环节确实能拦住大部分错答 (比如所有 AI 回答先过领域专家),传播链就断在半路——书断言「人拦不住」时 默认了没有这道闸。
判断(我们的,不是书里的): 书的全部处方共享一条元原则—— 凡是靠自觉的,终会漂移;要只留平台拦得住的那些。 语义在源头捕获、 契约先于代码、血缘声明即执法、检索前查健康信号,全是这条原则的实例。 评估任何「AI 就绪」方案时,可以直接问:这一条,是靠人记得,还是平台拦得住? 如果错,会错在: 如果一个组织小到「人记得」的成本低于「平台执法」的建设成本, 元原则就不成立——这正是第 4 节「不覆盖:小团队迁移路径」的另一面。
6. 许诺兑现表
这份拆解里每一处「第 N 章讲」「留到后面」,都在这里记一行、逐行核过。
| 许诺在哪 | 许诺了什么 | 应兑现在哪 | 核过了吗 |
|---|---|---|---|
| 本页 §2 ① | 缺口的定义与断裂 | 01 §1-§2 | ✓ |
| 本页 §2 ② | 五个可点名的成因与演示天堂 | 01 §3 | ✓ |
| 本页 §2 ③ | 三支柱与三桩事故 | 02 §1-§4 | ✓ |
| 本页 §2 ④ | 实习生测试与实体内核 | 03 §2-§5 | ✓ |
| 本页 §2 ⑤ | 契约写含义、含义会漂移 | 04 §2-§3 | ✓ |
| 本页 §2 ⑥ | 分层、依赖规则、声明式 | 05 §2-§4 | ✓ |
| 本页 §2 ⑦ | 执法缺口与「数据说谎」 | 06 §2-§3 | ✓ |
| 本页 §2 ⑧ | 翻转成规格、五份保证 | 07 §1-§6 | ✓ |
| 本页 §2 ⑨ | 代码化、平台、四问、自愈 | 08 §2-§6 | ✓ |
01 §3 判断块 | 03-05 还「浅语义/元数据文档」债、07-08 还「质量在报表」债、02 还「治理时距」债 | 03 §4/§6 · 04 §3 · 05 §3/§5 · 07 §3 · 08 §5 · 02 §4 | ✓ |
01 §4 | SBAC(目的胜过权限)02 章讲 | 02 §4(三种访问控制对照表) | ✓ |
01 §4 | 「第 3 章案例=自律失败记录」指的是原书第 3 章 | 06 §2 / 07 §7 | ✓ |
01 §6 第 6 条 | 后续缺口靠书架补位 | 本页 §4 不覆盖表 | ✓ |
02 §3 原则一 | 声明式契约 07 章展开 | 07 §1-§2(YAML 全文) | ✓ |
02 §3 案例走查末 | 新鲜度/及格线在 07 章契约里变成具体列名 | 07 §3(sla.freshness / quality_monitors) | ✓ |
02 §6 | 施工顺序等后面几章 | 03-08 全部 | ✓ |
03 §4 | 维度(按什么切)表 05 章展开 | 05 §3(维度层三理由) | ✓ |
06 §3 末 | 「写入前保证」的机制 | 07 全章(写入前拦截)+ 08 §3(单测拦捷径) | ✓ |
06 §4 | 处方(管道契约)留给 07 章 | 07 §1 | ✓ |
07 §2/§6 | 「执行证明的是平台,08 章讲」 | 08 §4(四项职责、从连接到注册的五步) | ✓ |
08 §3 | 兑现 06 章「写入前保证可信」 | 08 §3 第 4 步反事实 | ✓ |
08 §5 | 「两端都关,链路才闭环」(引 06 章「写入前保证可信」的伏笔) | 08 §5 末段 + §6 第 4 步(检索索引随重算) | ✓ |
拆解写于 2026-08-27,依据 2026 年 O'Reilly Early Release 版(仅含第 1-3 章)。
原始书籍文件不入库,本组文档是我们自己的重写;每条引用都可用
node scripts/book-verify.mjs rag-ready-patterns-for-data-platforms 回核。