← 返回全部情报
AWS × AtScale:用 SML/Git 语义层 + AgentCore 给 agent 自然语言分析加行级治理 的封面

·AWS Blog·工程博客收录 2026-11-02

AWS × AtScale:用 SML/Git 语义层 + AgentCore 给 agent 自然语言分析加行级治理

工程语义层AtScaleAgentCoreMCP度量即代码Bedrock

一句话结论

把度量写成 AtScale SML(YAML/Git),经 MCP 的 list/describe/validate/run_query 暴露给 AgentCore Gateway + Identity + Strands,让 JWT 身份穿透到语义层的行/字段安全,避免 agent 直写 SQL 漏口径与治理。

打开原文 AWS:Build a semantic layer for agentic AI on AWS with AtScale and Amazon Bedrock AgentCore

背景与理念

agent 直连数仓写 SQL,最容易漏统一口径与行级安全。要把自然语言分析做成受治理能力,度量定义必须先进入语义层,而不是散落在 prompt。

具体做法

  1. 用 AtScale SML 以 YAML/Git 管理模型与度量;MCP 暴露 list_models、describe_model、validate_query、run_query。
  2. AgentCore Gateway / Identity 注入 AtScale OAuth;Strands + Claude Sonnet 4.6 编排问答。
  3. 行级与字段级安全留在语义层强制执行;演示跨域自然语言问数。同系列还有 Denodo / Strategy Mosaic 对照文,本条只收 AtScale 这篇。

关键数据/例子

系列篇强调「同一定义、受治理查询」,文中未给出额外虚构成功率 KPI。重点是身份穿透与 MCP 工具面,而不是单次问答命中率。

创新点

第一,把度量推进 Git,让语义层变更可审可回滚。第二,用 MCP + 身份穿透把治理留在语义层,而不是靠 prompt 提醒。

可否复用

  1. 给分析 agent 上线前先定语义层与行/字段策略,再开放自然语言。
  2. MCP 工具至少覆盖描述模型、校验查询、执行查询三步。
  3. 对照非 AtScale 栈时,仍可复用「度量即代码 + OAuth 穿透」骨架。

笔记会在输入时自动保存。