Semantic Layer Generator: Ein agenter Pipeline, der Weittabellen entwirft.
Ein Generator für semantische Schichten: Ein fünfphasiger agenterbasiertes Pipeline-Prozess wandelt ein normalisiertes Schema sowie Geschäftsfragen in Snowflake-Weittabellenansichten mit MCP-Zugriff um.
Quellen: The Semantic Layer Generator: When Agentic AI Meets Data Architecture
Zwischen einem normalisierten Lager-Schema und den flachen Tabellen, die Analysten tatsächlich abfragen, besteht eine Lücke, die die meisten Daten-Teams manuell schließen. Ein Generator für semantische Schichten ist ein agierendes System, das versucht, diese Lücke eigenständig zu schließen. Es nimmt ein Roh-Schema zusammen mit einer Liste von Geschäftsfragen entgegen und liefert innerhalb von Sekunden optimierte Ansichten in Form von breiten Tabellen, die direkt für die Produktion bereit sind.
Die Lücke, für die niemand Budget einplant
Ingenieure entwickeln Lagerstrukturen und Analysten erstellen Dashboards. Die semantische Schicht dazwischen wird in der Regel manuell geschrieben, nur unzureichend dokumentiert und ist fast sofort veraltet.
Die richtige Erstellung erfordert echte Anstrengung. Ein Data Engineer muss das normalisierte Schema gründlich verstehen: jede Fremdschlüssel, jede Beziehungskette, jeden Sonderfall, in dem eine linke Verknüpfung stillschweigend in eine innere Verknüpfung umschlägt. Anschließend müssen sie Stakeholder befragen, um herauszufinden, welche analytischen Fragen wichtig sind. Erst danach können sie breite Tabellen entwerfen, die denormalisiert sind, sowie ververknüpfte Ansichten, die ein relationales Modell in etwas umwandeln, das von einem BI-Tool ohne sechsfache Tabellenverknüpfung abgefragt werden kann. Bei einem Schema mittlerer Komplexität dauert die Arbeit Tage oder Wochen, und das Ergebnis ist ein statisches Artefakt, das bereits bei Änderungen am Schema oder dem Auftreten neuer Fragen anfängt zu verfallen.
Die Wurzel des Problems liegt in einem Spannungsverhältnis: Normalisierte Schemata schützen die Datenintegrität, während analytische Abfragen Geschwindigkeit und Einfachheit fordern. Die semantische Schicht übersetzt zwischen diesen beiden Ansprüchen – und das war seit Jahrzehnten manuelle Arbeit.
Fehlende oder ungenaue Schichten haben sichtbare Kosten. Analysten schreiben ad-hoc-Anfragen, die voller überflüssiger Verknüpfungen sind. Dashboards arbeiten extrem langsam. Text2SQL-Tools liefern falsche Ergebnisse, weil sie sich in komplexen Schemata nicht zurechtfinden können. Jede neue Geschäftsfrage verwandelt sich in ein weiteres technisches Problem.
Warum das für das Unternehmen wichtig ist
Es handelt sich dabei genauso sehr um ein strategisches Engpassproblem wie um einen technischen Ärger. Eine Organisation, die Rohdaten nicht in strukturierte, für Analysten nutzbare Tabellen umwandeln kann, kann nicht schneller vorankommen, als ihr eigener Aufgabenstau es zulässt. Eine gute semantische Schicht erledigt gleich drei Dinge: Analysten werden selbstständig, Anfragen werden deutlich schneller, da vorausverknüpfte Ansichten die Laufzeitkosten für Verknüpfungen eliminieren, und Text2SQL wird zuverlässiger, denn eine flache Tabelle mit klar benannten Spalten ist genau die Art von Eingabe, die ein Sprachmodell benötigt, um korrekten SQL-Code zu erzeugen.
Niemand zweifelte daran, dass eine semantische Schicht benötigt wurde. Die offene Frage war, ob deren Erstellung automatisiert werden konnte, ohne an Qualität einzubüßen.
Drei Dinge mussten zuerst reif werden
Modelle, die Schemata zur Bedeutungserfassung nutzen. Die heutigen LLMs tun mehr als nur JSON analysieren. Wenn eine Fremdschlüssel-Werte wie DEPARTMENT_ID angezeigt werden, kann man erkennen, was sie bedeuten und wie sie mit EMPLOYEES verbunden sind. Wenn nach der Gehaltsverteilung nach Rollenbereichen gefragt wird, wissen sie, dass die Verknüpfung über SALARIES, EMPLOYEES und schließlich ROLES erfolgen muss. Der gesamte Ablauf hängt von dieser Logik ab.
Agentenbasierte Orchestrierung. Ein einziger Aufruf einer großen Sprachmodelle reicht nicht aus. Es sind mehrere Phasen erforderlich, wobei jede Stufe die nächste mit Informationen versorgt – von der Analyse über die Optimierung, das Design, die Erstellung bis hin zum Berichtswesen. Dabei werden deterministische Optimierungs Schritte auf der Grundlage reiner Mengenlogik mit modellgestütztem Reasoning kombiniert. Das ist KI in ihrer nützlichsten Form: kein Chatbot, sondern ein autonomes System, das einen ingenieurtechnischen Workflow von Anfang bis Ende abwickelt.
MCP als Verbindungsstück. Durch das Model Context Protocol wird der Generierer zu einem Tool, das von jedem KI-Assistenten aufgerufen werden kann – sei es Claude, ein internes Agent oder der Copilot einer Datenplattform. Mitten im Gespräch kann ein Ingenieur ein Schema übergeben und erhält anschließend fertige SQL-Abfragen sowie einen Designbericht, ohne dass der Kontext geändert wird. Gute agentenbasierte Werkzeuge sollten als unsichtbare Infrastruktur fungieren und kein weiteres Dashboard darstellen.
Was „vor Ort implementiert“ hier bedeutet
Der Begriff beschreibt eine ingenieurwissenschaftliche Philosophie. Anstatt eine allgemeine Plattform bereitzustellen und zu hoffen, dass sich die Nutzer daran anpassen, werden die ingenieurtechnischen Möglichkeiten direkt an den Ort des Bedarfs gebracht. Das bedeutet nicht, etwas speziell für einen einzelnen Kunden anzupassen. Das Tool löst das Problem dort, wo es auftritt – in Ihrem Schema, das durch Ihre Fragen geprägt ist, und wird in Ihrem Lager implementiert. Daraus ergeben sich drei Eigenschaften.
- Es ist schema-basiert. Es gibt kein DSL zu lernen, kein YAML-Manifest zu konfigurieren und keine neue Plattform zu übernehmen. Sie liefern einfach Ihr bereits vorhandenes Schema mit Tabellen, Spalten, Typen und Beziehungen in Form von reinem JSON.
- Es wird durch Fragen gesteuert. Der gesamte Optimierungsprozess ist an die analytischen Fragen gebunden, die Sie ihm geben, sodass jede umfangreiche Tabelle auf eine bestimmte Geschäftsfrage zurückgeführt werden kann. Tabellen, die nicht zur Beantwortung von Fragen beitragen, werden entfernt.
CREATE OR REPLACE VIEW, ein typisiertes Ausgabeschema, das von nachgeschalteten Text2SQL-Tools verwendet werden kann, sowie einen eigenständigen HTML-Bericht, der jede Spalte dokumentiert. Der SQL-Code kann am selben Tag implementiert werden.Fünf Phasen – ohne menschliches Eingreifen
Was das Tool zu einem agierenden System macht, ist nicht das Vorhandensein eines LLM. Vielmehr laufen mehrere Schritte der Logikverarbeitung und Optimierung autonom ab, ohne dass ein Mensch zwischen den Phasen eingreift. Analyse, Optimierung, Design, Erstellung und Berichterstattung folgen aufeinander, wobei das Design absichtlich zwischen probabilistischen und deterministischen Vorgehensweisen wechselt. Die Phasen 1, 3, 4 und 5 nutzen die Logikfähigkeiten von LLMs. Phase 2 basiert auf einfacher Python-Set-Logik. Dadurch erhält der Prozess die Kreativität und die semantische Sprachverständnisfähigkeit von Sprachmodellen, wo dies hilfreich ist, und bleibt bei der Optimierung streng und überprüfbar, wo Präzision erforderlich ist.
Wer profitiert
Dateningenieure erhalten einen Entwurf, der sonst Tage an Arbeit kosten würde. Sie prüfen die dabei erzeugten umfangreichen Tabellen, ändern die Verknüpfungstypen, fügen berechnete Spalten hinzu und führen die Implementierung durch – wobei sie ihre Fähigkeiten in die Verbesserung statt in den Aufbau einsetzen. Der HTML-Bericht wird so zu einer lebendigen Dokumentation, die zuvor überhaupt nicht existierte.
Analyseteams erhalten flache, bereits verknüpfte Tabellen mit klaren Spaltenbeschreibungen, sodass Abfragen einfacher sind, Ergebnisse schneller vorliegen und niemand ein 15-Tabellen-ER-Diagramm entschlüsseln muss. Eine Abfragen-Abdeckungsmatrix ordnet jede Frage der jeweiligen Tabelle zu, die sie beantwortet.
Text2SQL-Systeme können den größten Vorteil erlangen – und es ist der Nutzen, den die Menschen am wenigsten bemerken. Modelle wie GPT, Claude oder Open-Source-Modelle schneiden bei flachen Schemata weitaus besser ab als bei normalisierten Schemata. Weniger Tabellen, weniger Join-Operationen, beschreibende Namen sowie Spaltendefinitionen verringern Halluzinationen und steigern die Genauigkeit der SQL-Abfragen. Das ausgegebene JSON-Schema ist so formatiert, dass es direkt in nachgeschaltete Text2SQL-Tools eingefügt werden kann, wodurch ein reibungsloser Weg von der Rohdatenbank bis zur Abfrage in natürlicher Sprache entsteht.
Die Organisation gewinnt Zeit zurück. Jede Stunde, die ein Entwickler nicht damit verbringt, umfangreiche Tabellen zu entwerfen, kann stattdessen für Datenprodukte, Pipelines oder wirklich neue Probleme genutzt werden – und eine wiederkehrende Kostenstelle verwandelt sich in eine einzige Aufrufoperation.
Ein konkretes Beispiel
Stellen Sie sich eine HR-Datenbank mit fünf normalisierten Tabellen (EMPLOYEES, DEPARTMENTS, ROLES, SALARIES, LEAVE_REQUESTS) vor, die im üblichen Sternschema-Stil über Fremdschlüssel miteinander verbunden sind. Dem Tool werden fünf Fragen gestellt: Gehälter nach Abteilung und Gehaltsband, wer den meisten Urlaub genommen hat, Einstellungen pro Quartal nach Standort, wie sich die Gehälter auf die verschiedenen Bänder verteilen und wie sich die Mitarbeiterzahl in jeder Abteilung entwickelt.
Die Ausführung zeigt 5 Quelltabellen an und erzeugt 4 ausgedehnte Tabellen. Es werden keine Views entfernt, da das Schema bereits nahezu optimal war, und keine Fragen bleiben unbeantwortet, was eine vollständige Abdeckung bedeutet. Die vier Tabellen sind:
FACT_EMPLOYEES_FULLfür Einstellungs Trends und MitarbeiterzahlenFACT_SALARIESfür eine VergütungsanalyseFACT_LEAVE_REQUESTSfür Muster bei UrlaubsanträgenDIM_DEPARTMENTSals Abteilungsdimension
Das ergibt insgesamt vier Ansichten – keine offenen Fragen, jede Spalte lässt sich auf ihre Quelltabelle zurückverfolgen, und jede Ansicht kann in ihrem aktuellen Zustand in Snowflake bereitgestellt werden. Der gesamte Prozess dauerte weniger als dreißig Sekunden.
Mehr als nur dieses eine Tool
Der Generator ist ein Beispiel für ein breiteres Muster: agierende Systeme, die durch die Kombination von LLM-Logik mit deterministischer Optimierung einen klar definierten ingenieurtechnischen Arbeitsablauf automatisieren. Die gleiche Kette aus Analyse, Optimierung, Design, Erstellung und Berichterstattung findet Anwendung bei der Gestaltung von ETL-Pipelines, der Erstellung von API-Schemata, beim Aufbau von Tests sowie bei vielen anderen Problemen in der Software-Übersetzungsebene.
Sprachmodelle, Orchestrierungsframeworks sowie offene Protokolle wie MCP haben sich alle weit genug entwickelt, sodass diese Pipelines in der Produktion als Infrastruktur und nicht nur als Demonstrationen vertrauenswürdig eingesetzt werden können. Die semantische Schicht war schon immer eine gute Idee – sie benötigte lediglich einen Ersteller, der niemals eine Fremdschlüssel vergisst und die gesamte Schicht sofort neu gestalten kann, sobald eine neue Frage auftaucht.
Verwandte Artikel
- RAG mit Ontologie und Wissensgraph in Halbleiterdokumenten verbessern – Wie eine auf DITA basierende EDA-Dokumentationsreihe eine RDF/OWL-Ontologie, eine Neo4j-Graphstruktur sowie ontologiegesteuerte Suchfunktionen erhielt und dadurch die Anzahl der Nachfragen um 30 % verringerte.