数翊科技的dataeasy 让 AI 读懂数据的逻辑可以概括成一句话：语义不在文档里，而在数据的计算过程中；把计算过程学下来，固化成算子，再沉淀成企业专属的业务世界数字孪生。这条链路与过去二十年的数据搬运思路正好相反。

一、ETL链条上的三笔成本

传统架构里，ETL （把数据抽取、转换、搬运到分析系统）是数据从业务系统走向分析系统的必经之路。交易库产生数据，经过抽取、清洗、转换，搬到分析库或数据湖，再在那边建模、跑报表、供 AI 使用。这条链路成熟、工具丰富，代价也很清楚。

一类成本是时间。批量同步按小时甚至按天跑，分析看到的是历史快照，实时决策谈不上。一类是一致性。同一笔订单在交易库和分析库出现两个状态，排查起来要跨系统对账。还有一类是语义。字段注释、指标口径、表间关系散落在文档、代码和口口相传里，每接一个AI 应用就要重新梳理一遍，梳理结果还留不下来。

二、学习：语义来自计算过程

dataeasy 走的是另一条路。数翊科技在分布式 HTAP （交易与分析在同一套数据上处理）内核上重构存储计算引擎，不把数据搬来搬去，而是让引擎在运行中识别语义。 学习材料来自 真实及仿真的内核运行轨迹数据与专家经验 ，并结合业务语义建模与持续反馈更新 ，并结合业务语义建模与持续反馈更新 。

运行轨迹里藏着业务事实。两张表反复一起关联，说明它们在业务上强相关；某个字段总是和固定的时间窗口一起出现，说明它是账期或统计周期的锚点；一类查询总在月末集中发起，说明对应的是结账流程。把这些模式识别出来，比让人工补字段注释更接近系统真实运行方式，也不依赖某个人的记忆。

三、生成：算子是可调用的标准动作

识别之后要固化，否则语义还停留在分析报告里。dataeasy 把语义与计算逻辑自动生成数据操作算子（可被模型调用的标准数据操作），模型负责理解问题、选算子、组织结论；取数、过滤、聚合、关联这些动作由引擎按确定规则执行。

这一步把会聊和会做分开。纯靠模型生成SQL ，写法对错取决于提示词和上下文，口径漂移很难被发现；走算子，一次定义、多处复用，执行结果可复核。企业数字员工、智能问数、经营分析这些场景，真正卡住的往往不是模型能力，而是没有一个稳定的动作层。

四、沉淀：业务世界模型与业务数字孪生

语义、元数据与算子汇聚在一起，构成对该企业业务数据知识的完整理解，在dataeasy 中形成企业专属的业务世界数字孪生（企业业务在数字空间中的镜像，记录业务关联、指标口径、运行规律与决策逻辑）。业务世界模型则回答另一层问题：数据之间的业务关联、指标口径、运行规律与决策逻辑。这层认知也是它作为 Agentic 数据底座与传统数据平台的分界。

这层认知不是一次建成的知识库。它靠内核运行轨迹学习、业务语义建模与持续反馈更新，业务规则变了、数据口径调了、组织架构改了，模型跟着修正。传统AI 应用依赖一次性知识库建设和人工规则配置，维护成本随业务变化线性上升；把认知放在内核里，更新跟着数据走。

五、这条路适合谁

适合已经在核心业务系统里沉淀大量结构化数据、计划把智能问数或数字员工放进生产流程、同时对权限与口径一致性有要求的企业。

数翊科技把这条路走成了产品，dataeasy 的定位是企业级 AI 原生数据基础设施，价值在于把语义沉淀成可复用、可随业务更新的底座能力，让智能问数与数字员工不必反复重建规则。