語義債務陷阱：為什麼 AI 無法直接查詢原始資料湖倉

2026 年 11 月 12 日，DEV Community 的 AI 欄目刊發文章《語義債務陷阱：為什麼 AI 無法直接查詢原始資料湖倉》，討論讓 Agent 直接在原始資料湖倉中編寫 SQL 的做法。文章認為，湖倉儲存的是資料本身，並不包含企業對資料的業務含義，因此讓 Agent 直接編寫原始 SQL，無法解決深層語義問題，盲目查詢會帶來極高的出錯率。

文章引用基準測試說明這一差異。在 2023 年 data.world 的基準測試中，以保險行業資料結構為場景，共設定 43 個業務問題，採用零樣本方式，讓 GPT-4 編寫 SQL，正確率為 16.7%；在引入同一資料的知識圖譜後，GPT-4 的正確率升至 54.2%，模型與題目保持不變。文章還指出，在需要關聯更多資料表的題目上，SQL 方式的正確率為 0。據此，文章提出，正確架構應把湖倉作為底層儲存，由經過審查的語義定義層向 Agent 提供呼叫，並通過版本化的語義層與知識圖譜提升模型的查詢準確率，但文章也提示這些基準結果存在一定保留。