把数据说成业务
将字段、枚举和计算规则表达为实体、维度、指标和业务描述。
Foggy 先用 TM 将物理结构转换为领域语义，再用 QM 组合多个 TM，形成集中、可治理的业务分析模型，最后通过 MCP 和 Query DSL 交付给 LLM。
真正需要交付给 LLM 的，不是字段名、外键和一张完整的 schema，而是经过组织的业务概念、指标口径、分析关系和可见边界。Foggy 把这次转换变成可维护的建模工作流。
将字段、枚举和计算规则表达为实体、维度、指标和业务描述。
通过 QM 组合多个 TM，让 AI 面向一个完整领域提问，而不是拼接原始 JOIN。
模型可被发现、描述、校验和调用，成为 LLM 稳定的查询边界。
TM 建立领域语义单元，QM 将这些单元组合成面向业务问题的统一模型。AI 的主要认知对象是 QM，而不是数据库中的原始表。
Foggy 不要求 LLM 记住订单、订单明细、客户和产品的连接方式。它只需要理解销售分析 QM 暴露的业务概念。
t_order.customer_idt_order_item.amountt_order.created_att_product.category数据源提供事实，但不直接成为 LLM 的认知界面。
将底层结构翻译成实体、维度、指标和业务定义。
跨 TM 组合出完整领域，隐藏物理 Join，收敛可分析范围。
LLM 发现模型、读取描述、生成结构化查询并获得证据。
处理权限、方言、查询执行和结果追溯。
v1.0 和 v2.0 公开契约保持稳定；v3.0 仍处于 Draft / Not Frozen 状态。实施手册和版本材料继续按确认后的公开范围发布。