• 所有工具只需对接 Ossie 这一个中心格式；无需再维护 A→B、A→C、B→C 等点对点连接。
• 统一语义后指标漂移被消除，手工翻译工作量大幅下降；AI 能够获得一致且可靠的业务上下文，从而降低幻觉概率；新工具接入仅需实现一次 Hub 接口，大幅削减集成债务。

📐 规范的主要构成

Ossie 的主要是一个 YAML 文件。包含以下关键构件：

• Semantic Model: 顶层容器，描述整个业务数据模型。
• Datasets: 代表业务实体。例如“订单表”“使用者表”，包含字段、主键等信息。
• Fields: 行级属性，用于分组、过滤和指标计算；支持多种 SQL，
• Relationships: 数据集之间的外键关联，可定义复合键。
• Metrics: 量化度量。如“总销售额”“平均订单价值”，可以跨多个数据集定义。
• A I Context : 可选注解。为每个字段/指标附上业务含义、同义词和示例查询，以帮助 LLM 正确理解数据。
• Custom Extensions : 厂商可用 JSON 携带私有元数据，不破坏主要兼容性。

支持的 SQL 包括：ANSI_SQL,SNOWFLAKE。DATABRICKS,MDX,TABLEAU.

🚀 如何使用 Ossie？

从第一步先来看，了解仓库结构

apache/ossie/
├── core-spec/ # 主要规范文档和 JSON Schema
├── converters/ # 各网站转换器
├── examples/ # 示例语义模型
├── validation/ # 验证工具
├── python/ # Python 实现库
└── docs/ # 项目文档

从接下来来看。写一个语义模型文件

examples/tpcdssemanticmodel.yaml,按照规范定义你的数据集、字段和指标。主要结构示例的观点是，

semantic_model:
从name来看，"sales_model"
datasets:
- name: orders
再看fields，- name: order_id
type的观点是，string
- name: revenue
至于type。number
metrics:
- name: total_revenue
expression: "SUM"
ai_context:
description: "所有已完成订单的总收入"
synonyms:

：使用验证工具检查模型

python validation/validate.py your_model.yaml

从第四步来看，使用转换器对接现有工具

/converters/​

说到第五步，参与社区