全自动数据仓库搭建工具
描述业务目标。让数据自动成仓。
从业务需求开始，Omnia 将目标转化为实施计划，连续推进数据清洗、建模与质量校验，最终交付可使用的数据资产。
项目工作台
从业务目标出发，构建可使用的数据模型。
围绕业务目标组织执行，每一步都保留依据。
客户数据主题已就绪
从源数据到维度与主题模型，整理成可继续使用的数据资产。
| 字段示意 | 类型 | 说明 |
|---|---|---|
| company_id | UUID | 企业标识 |
| company_name | VARCHAR | 企业名称 |
| status | ENUM | 客户状态 |
数据资产
从原始来源到业务模型，在同一目录中管理。
客户画像主题
mart_company_profile
质量校验
让数据可用的标准，成为可检查的规则。
从任务到资产，在一个工作台完成。
切换工作台、查看数据结构、检查质量规则，直接探索 Omnia 的工作方式。
你定义业务，Omnia 完成数据工程。
把业务判断留在手中，把连续的数据工程交给 Omnia。
确定目标
描述业务需求，确认数据来源与预期成果。Omnia 将目标整理为可执行的实施计划。
自动执行
从数据清洗到维度、事实与指标建模，连续推进实施步骤，并执行质量校验与治理。
交付资产
汇集数据表、语义指标与治理成果，形成可查看、可交接的数据资产，为后续业务提供基础。
以 CRM 为主数据，汇总其他来源的扩展数据。
先确认一下，每一行数据代表什么？
明确业务主体，再组织数据与构建模型。
- 确认数据主体
以 CRM 为主表，确定公司的唯一标识。
- 整合多源信息
清洗、标准化，并匹配各来源的公司信息。
- 形成公司画像
将整合结果组织为一家公司一行的数据表。
技术底座
多智能体协同，把推理接入执行。
Omnia 基于壹典自研的多智能体推理框架 ID Axis 构建。框架连接模型推理、任务编排与工具调用，将需求理解、数据处理与结果检查组织为连续的执行过程。
ID Axis
自研多智能体推理框架
围绕同一目标，组织不同任务的推理与协作。
模型能力
HuanYu
业务理解与分析推理
已确认的业务目标、数据来源与质量要求
将任务计划落实到数据处理与检查
数据工程产品
ID Omnia
数据表、语义指标与治理成果
实现原理
从业务语义，落实到数据结构。
一张数据表如何形成，取决于它要回答什么业务问题。Omnia 先明确主体、来源与交付要求，再将这些条件落实到数据分层、字段结构与验收规则。
以公司画像构建为例
以 CRM 为主数据，汇总其他来源的扩展数据。
- 原始层
CRM 与扩展来源
- 标准层
清洗、去重与统一结构
- 业务层
公司维度与画像数据
| 示例字段 | 验收要求 |
|---|---|
company_id | 非空 · 唯一 |
company_name | 非空 |
fit_grade | 在约定的取值范围内 |
先确定粒度，再确定关联
“一行代表一家公司”决定了数据主体。以 CRM 为主数据，确认公司的唯一标识和扩展来源，明确不同表如何对应，避免把公司、项目等不同粒度直接混在一起。
分解任务，逐层构建
ID Axis 将实施计划组织为接入、清洗、标准化和建模等任务，衔接模型推理与工具调用。原始数据经过统一结构，再形成维度、事实与指标，为业务提供可用的数据组织方式。
让规则成为交付依据
将非空、唯一性与取值范围等要求转成质量检查，明确呈现校验结果；同时保留表与字段的来源关系，让交付的资产能够对应最初确认的业务要求。
治理，贯穿构建过程。
每一步有依据。每一份数据可追溯。
把质量与治理放进构建过程。通过质量规则、表级与字段级血缘，以及权限与审计，让交付的数据有来源，后续的使用有依据。
质量规则
围绕空值、重复与范围等问题检查数据，保留明确的校验结果。
数据血缘
查看数据表与字段之间的来源关系，理解资产如何形成。
权限与审计
将访问管理与操作记录纳入治理，为数据的使用与管理提供依据。
company_id公司标识company_name公司名称industry所属行业选择数据来源，查看字段如何进入最终资产。