Amazon Quick 推出 Agentic Catalog Experience，让数据目录查询与语义继承自动化
Amazon Quick 近日宣布推出 Agentic Catalog Experience，这是一款面向数据管理者的 AI 驱动工作流，旨在解决企业数据目录与 AI 分析工具之间的“最后一公里”衔接问题。该功能目前处于预览阶段，支持 AWS Glue Data Catalog 和 Databricks Unity Catalog。
背景：从孤立元数据到目录感知的 AI
随着企业拥抱 AI 驱动的分析，自然语言查询（Text2SQL）的答案质量高度依赖于背后的业务上下文。过去，数据团队在 AWS Glue、Databricks Unity Catalog、Snowflake Horizon、Collibra 和 dbt 等平台投入大量精力定义表描述、列语义、主外键关系、术语表和指标定义。然而，这些丰富的语义信息往往无法顺畅传递到终端用户使用的 AI 工具中，导致数据孤岛和重复劳动。
三大核心挑战
数据管理者在 Amazon Quick 中为业务用户（如销售经理、市场总监和财务主管）准备数据时，常面临三大挑战：
- 可发现性有限：企业目录中包含数千张表，找到经过整理并批准用于报告的上游资产如同大海捞针，无法通过自然语言描述来定位。
- 语义碎片化与手动重建：上游已有的丰富元数据（如表和列的业务描述、主外键关系）无法自动流转，管理者必须从头重建资产，重新定义描述，并手动协调定义——例如“收入”指毛收入还是净收入？“活跃客户”是 30 天内购买还是 90 天内购买？这些定义虽已存在于上游，却需要手动重新录入。
- 洞察时间过长：手动发现和重建导致从数据到可操作洞察的时间从几小时延长到几周。
Agentic Catalog Experience 的解决方案
Agentic Catalog Experience 通过 AI 代理（Agent）自动化上述流程，让数据管理者能够用自然语言发现上游目录资产，并自动创建带有继承语义的 Dataset 和 Topic。这意味着：
- 管理者可以直接描述需求，系统自动匹配并推荐合适的表和相关资产。
- 表描述、列含义、关系等语义信息自动从上游目录继承，无需手动重建。
- 生成的分析资产（Dataset 和 Topic）直接包含正确的业务定义，确保分析结果的一致性和可信度。
行业意义与展望
这一功能标志着数据分析工具正从“孤立元数据”向“连接目录的 AI”转变，使企业能够更高效地利用已有的数据治理投资。通过减少手动工作，数据团队可以更快地响应业务需求，同时确保数据语义的准确性和一致性。目前该功能处于预览阶段，未来有望扩展支持更多目录平台，如 Snowflake Horizon 和 Collibra。
对于正在构建企业级 AI 分析能力的企业而言，Agentic Catalog Experience 提供了一个重要的范例：如何将数据目录作为 AI 的语义基础，实现真正的智能化分析。
