當你在 AI Teller 輸入「電影的售票趨勢是什麼？」，AI 是怎麼知道要去哪裡找資料、找到什麼、然後回答你的？
這背後不是魔法，而是一套有層次的系統設計。這一章會帶你理解這個系統的三個關鍵層次。
整個流程可以這樣理解：你的問題，經由 AI Agent，透過 MCP 協定，去查詢 Semantic Layer，Semantic Layer 再從 DataPlanet 裡找到對應的資料，最後把答案帶回來給你。
Aralia 平台上的每一個 DataPlanet，都是一個主題式的資料倉庫。影視娛樂、交通監控、能源、房市實價……每個 DataPlanet 裡的資料都已經過整理，採用統一的結構（Star Schema），方便 AI 進行查詢與聚合分析。
但光有整理好的資料還不夠——AI 需要「理解」這些資料的意義，才能回答你的問題。這就是 Semantic Layer 的工作。
Semantic Layer 是整套系統的核心。它的工作是替資料加上「語意標記」，讓 AI 不只知道一欄叫做 sale_amount，還知道它代表「銷售金額（台幣）」、屬於「影視娛樂資料集」、適合用來做「趨勢分析」。
Semantic Layer 由三個部分組成：
想像你在圖書館找書。傳統方式是用關鍵字搜尋書名——你輸入「電影」，只能找到書名含有「電影」的書。
Embedding 技術則不同。它把每一份資料集、每一個欄位，都轉換成一個「語意座標」，讓意思相近的東西在座標空間裡靠在一起。所以當你問「售票趨勢」，系統會找到語意最接近的資料欄位——即使欄位名稱裡沒有「售票」這兩個字。
這些語意座標統一存放在**向量資料庫（Vector Database）**中，讓系統能快速比對語意相似度。