ARTICLE · 人工智能
理解归 AI，正确归引擎：从一句话到一条实时数据链路（0 代码搭建实时任务）
一语总结本文介绍一种 AI 辅助的指标驱动实时数据开发系统，通过自然语言生成 DSL 再由引擎生成 Flink SQL，实现零代码搭建实时任务。
文章以直播业务中的实时数据需求为切入点，指出离线数据开发仅需表达业务逻辑，而实时数据开发还需处理窗口、状态、乱序等流式特性，导致开发门槛高。作者团队提出一种以“维度+指标”为核心的指标驱动范式，让用户仅用自然语言描述需求，系统自动完成指标检索、窗口识别并生成 DSL；随后通过引擎依据指标依赖回溯构建 DAG 拓扑，实现从技术需求到技术实现方案的自动转化；增量调整采用 Hook 协议，由 LLM 输出结构化修改指令，经前后双重围栏校验确保链路自洽；整个流程实现人负责决策、AI 负责理解、确定性引擎负责正确性，使任务开发周期从天级缩至分钟级。文章还阐述了 DSL 作为多系统协同的“万能合约”、指标资产沉淀路径以及未来规划，提供了可迁移的工程方法论。
- 指标驱动作为核心范式：业务逻辑抽象为‘维度+指标’，由指标依赖自动生成计算拓扑。
用户只需声明要什么指标，系统自动回溯所有过程指标并构建 DAG，将流式数据的窗口、状态等复杂度封装在引擎内部，聚焦业务语义。
- ‘理解’与‘正确性’分离架构：LLM 负责自然语言理解，确定性代码负责正确性，前端人工确认弥合认知差距。
这种分离把 LLM 的幻觉限制在理解层，任何误解都会在引擎校验或人工确认环节被拦截或修正，保证最终产出合法可靠。
- DSL 作为多系统协同的‘万能合约’：统一存储格式、传输协议和校验对象，前端、AI、后端均通过同一份 DSL 对齐语义。
DSL 结构规整且枚举收敛，便于 AI 生成、人可读、机器可执行，实现低耦合协同；Hook 机制则是 DSL 的增量补丁协议。
- Hook 协议与双围栏校验确保增量调整安全：LLM 输出结构化修改指令，前校验指令合法，后校验更新后拓扑仍自洽。
通过 hookType、layerType+nodeId、mergeStrategy 三要素正交组合，覆盖大多数调整场景；双校验消除剩余不确定性，使终版 SQL 完全可信。
理解归 AI，正确归引擎：从一句话到一条实时数据链路（0 代码搭建实时任务）
文章以直播业务中的实时数据需求为切入点，指出离线数据开发仅需表达业务逻辑，而实时数据开发还需处理窗口、状态、乱序等流式特性，导致开发门槛高。作者团队提出一种以“维度+指标”为核心的指标驱动范式，让用户仅用自然语言描述需求，系统自动完成指标检索、窗口识别并生成 DSL；随后通过引擎依据指标依赖回溯构建 DAG 拓扑，实现从技术需求到技术实现方案的自动转化；增量调整采用 Hook 协议，由 LLM 输出结构化修改指令，经前后双重围栏校验确保链路自洽；整个流程实现人负责决策、AI 负责理解、确定性引擎负责正确性，使任务开发周期从天级缩至分钟级。文章还阐述了 DSL 作为多系统协同的“万能合约”、指标资产沉淀路径以及未来规划，提供了可迁移的工程方法论。
文章金句
"我们的切入点是：对于数据链路，业务逻辑的核心可以抽象为'在哪个维度上计算出什么指标'，即维度 + 指标。
"核心洞察：整个系统最本质的架构决策，是让 LLM 负责'理解'，让确定性代码负责'正确性'。