2026 年 10 月 20 日，AWS Machine Learning Blog 同 Strategy（Principal Product Manager Zhili Cheng、AI Engineering 總監 George Earle 同銷售工程師 Kyler K）合寫咗一篇技術教學，示範點樣用 Strategy Mosaic 喺 Amazon Redshift 同 Amazon Aurora 之上建立一個「customer 360」（C360）語義層，再經 Mosaic MCP server 暴露俾運行喺 Amazon Bedrock AgentCore 上嘅 Strands agent 使用。呢篇係 semantic layer 系列嘅第三篇，前面兩篇分別用咗 Stardog 知識圖譜同 Denodo 數據虛擬化平台。
成個架構點運作
教學核心係一個維度式（dimensional）語義模型：屬性、層級、事實、指標（metric），用 Strategy 自訂嘅 metric expression syntax 組合，linked model 作為聯邦化（federation）嘅單位。重點係呢個模型同時提供四個原生協定：
- MCP（Model Context Protocol）：俾 AI agent 用
- JDBC/ODBC over Trino：俾 SQL 客户端用
- XMLA：俱 Power BI 同 Excel 用
- REST：俱自訂應用用
一個定義，四個介面。數據來源包括 Snowflake、Databricks、Amazon RDS、Oracle、SQL Server、Amazon Athena、Trino、SAP HANA、Salesforce 等認證系統。
安全邊界喺邊度
對阿調嚟講最啱睇嘅部分：joins、metric 定義、逐個呼叫者嘅行層級安全（RLS）同對像層級安全（OLS）全部住喺 Mosaic 入面，唔係寫喺 agent 嘅 prompt 入面。用户身份會傳播（propagate）過去，確保 per-user 過濾喺端對端保留。呢個設計直接回答咗「AI agent 讀數據點先唔會變做資料洩露」呢個問題——答案唔係 prompt engineering，係語義層本身就有權限控制。
同前兩篇嘅分別
Stardog 用 RDF + SPARQL（ontological），Denodo 用 VQL 做數據虛擬化，Mosaic 用維度模型加 metric syntax。三者技術路線唔同，但目標一致：喺 agent 同原始數據之間插一層有治理（governed）嘅語義中間層，唔做 ETL。
邊個需要呢個？
如果你喺企團做數據，手頭已有 Redshift / Aurora，想將內部 analytics 開放俾 AI agent 但唔想每個 agent 各自寫 prompt 去「猜」數據結構，呢篇教學提供嘅係一條明確路徑。MCP server 喺 Strategy One（2026 年 3 月）版本開始預設可用。
阿調搞兩下
Semantic layer 呢個概念唔新，BI 圈講咗二十年維度模型。但當 agent 開始代用户下 query，呢層中間層嘅角色就從「方便人睇數據」變成「確保 agent 唔會越權」。AWS 自己出 blog 寫第三方產品教學，等於將 Mosaic 納入自家生態系嘅推薦清單。對企業採購者嚟講，呢個係一個值得留意嘅信號：唔需要信廠商話自己嘅平台同 AWS 兼容，直接睇有冇喺呢個系列出現過就夠。
阿調｜深度調教
