基于 OntoDB 内核构建的语义原生数据湖仓——OntoLake，面世了
内容提要
OntoLake 是基于 OntoDB 内核的语义原生数据湖仓，将本体语义、多模存储与推理能力下沉至内核，数据落库即完成实体对齐、关系推理与语义标注，实现 AI-Ready。它统一存储结构化、图、向量、时序等数据，写入即推理，已打通 DuckDB 与 Trino 读取，支持本地探查与分布式联邦查询，语义口径由底层统一托管，适用于生物医药、工业城市及 GraphRAG 等 AI 应用。
延伸解读
语义内核对湖仓架构的改变
传统湖仓主要解决文件像表一样可靠存储的问题，而 OntoLake 将本体语义、多模存储和推理能力下沉到内核。这意味着数据落库时即完成实体对齐、关系推理与语义标注，不再依赖应用层硬编码。结构化、图、向量、时序等数据统一存储，避免了多库搬运，使数据从原始堆积直接变为 AI-Ready，为上层分析提供统一语义口径。
DuckDB 与 Trino 读取打通的实际价值
OntoLake 已打通 DuckDB 和 Trino 两条读取路径。DuckDB 适合进程内嵌入式分析，可在笔记本、边缘节点或 Python 工作流中做秒级探查；Trino 支持分布式联邦查询，适合多机集群、跨源 JOIN 和 BI 工具直连。分析师用 DuckDB 本地深挖，平台侧用 Trino 全局编排，底层语义、口径和血缘由 OntoLake 统一托管，查询结果直接体现字段含义而非仅字段本身。
面向业务场景的语义推理能力
文章列举了三个方向：生物医药中查询“EGFR 抑制剂”可自动展开全部子类，无需维护枚举列表；工业或城市场景中，端侧语义摘要进湖，跨域仲裁结果可溯源、可重放；AI 应用如 GraphRAG、Agent 记忆和语义检索可直接消费已治理好的知识，省去先洗数据再推理的步骤。这些场景依赖写入即推理和本体语义内核，而非传统湖仓的存储层能力。
Q&A
OntoLake 是什么？它和传统数据湖仓有什么不同？
OntoLake 是基于 OntoDB 内核构建的语义原生数据湖仓，它将本体语义、多模存储和推理能力下沉到内核中。与传统湖仓只解决“文件像表一样可靠”不同，OntoLake 让数据落库即完成实体对齐、关系推理与语义标注，从原始堆积直接变成 AI-Ready，并且统一存储结构化、图、向量、时序、文档、空间等多种数据，无需多库搬运。
OntoLake 如何实现“写入即推理”？
OntoLake 将推理能力下沉到内核，数据写入时自动展开 subClassOf、等价类、传递关系等本体语义，完成实体对齐和关系推理，查询时不再依赖应用层硬编码。
OntoLake 目前支持哪些查询引擎？各自适用什么场景？
OntoLake 已打通 DuckDB 和 Trino 读取。DuckDB 适合进程内嵌入式分析，用于笔记本、边缘节点、Python 工作流中的秒级探查；Trino 用于分布式联邦查询，支持多机集群、跨源 JOIN 和 BI 工具直连，将 OntoLake 作为一等公民目录。
OntoLake 能统一存储哪些类型的数据？
OntoLake 统一存储结构化、图、向量、时序、文档、空间等多种类型的数据，避免多库搬运。
OntoLake 在生物医药领域有什么具体应用价值？
在生物医药领域，查询“EGFR 抑制剂”时，OntoLake 能自动展开全部子类，无需维护枚举列表，简化了查询并提高了准确性。
OntoLake 对 AI 应用（如 GraphRAG）有什么帮助？
OntoLake 让 GraphRAG、Agent 记忆、语义检索等 AI 应用直接消费“已治理好的知识”，而不是先清洗数据再推理，从而提升效率。
