公司一大，报表里的“收入”常会冒出好几个版本；再让 AI 查数据，答案可能更乱。Sigma 的做法，是把语义层——集中规定指标算法、表关系和访问权限的一套规则——像软件代码一样管理，让报表和 AI 都按同一份定义取数。据 dbt-blog 报道，这套语义层覆盖 2883 个数据模型；这里的“模型”不是机器学习模型，而是订单、客户、收入等可复用的数据结构。
具体说，Sigma 用 SQL 和 Jinja 编写这些规则，纳入版本控制，并明确到列级别，决定哪些数据可以交给业务用户。系统再由 Dagster——按依赖关系调度数据任务的工具——编排：63 个任务持续在 6 个数据区域构建和部署 2883 个 dbt 模型，并通过 Sigma API 同步结果。它还把个人信息限制、SQL 格式要求、同义词和已验证查询写进模型说明，给 AI 划定边界。
这份案例值得看，不是因为又多了一层工具，而是它展示了大规模指标治理如何落到日常工程：规则能评审、测试和回滚，人和 AI 也更容易拿到同一个答案。上述架构与规模来自 Sigma 工程师在 dbt Summit 2026 的分享，材料未披露其成本、故障率或治理成效。