Intalink · 企业数据关系发现
不只是“看见表”，而是知道数据真正怎么连
把藏在字段和值域里的表间关系自动发现出来，并用去重数、共现次数、包含比率等证据说明“为什么能连”。让数据工程师少靠人工梳理，也让 AI 不再只凭字段名猜 JOIN。
值域对比
关系证据
候选路径
关系管理
API / MCP
自动关系发现
为什么企业数据关系难以维护
真实生产库里的关系，往往比数据字典和建表语句复杂。靠字段名、外键或老员工经验，都很难长期可靠。
企业数据最难的，不是“有没有表”，而是“这些表到底怎么连”
外键不完整，甚至根本不存在
字段名一样，也可能不能 JOIN
人工梳理关系，更新一次就过期
AI 会写 SQL，也可能把表连错
01
02
03
04
很多业务库为了性能、历史兼容或开发习惯，并没有把真实关系写成数据库约束。结构里看不到，不代表数据里没有。
id、code、name 到处都有。只看命名相似度，很容易把“看起来像”的字段连起来。
Excel、架构图和口口相传很难跟上数据库变化。新增表、字段变更后，关系知识会迅速失真。
模型能生成语法正确的 SQL，但如果缺少真实关系上下文，错误 JOIN 往往会以“结果看起来合理”的方式出现。
数据关系发现
用证据说话，而不是猜测
关系不是一根线，而是一组可以检查的证据
Intalink 在关系结果里保留关键统计指标，让工程师知道系统为什么认为两个字段有关联，而不是接受一个黑盒结论。
从“数据源里有很多表”，到“哪些字段真的有关联”
Intalink 不是只做一个静态关系图，而是把关系发现变成一条可以配置、执行、复查的分析链路。
STEP 01
STEP 02
→
→
→
→
→
STEP 03
STEP 04
STEP 05
STEP 06
接入数据源
提取元数据
筛选候选字段
比较真实值域
形成关系证据
沉淀关系结果
获取表、字段、类型、行数等基础信息，形成分析对象。
通过数据类型、表过滤、主键组合与公共属性等规则缩小组合空间。
分析字段去重值与共同出现的数据，不只依赖名称相似。
保留主表去重数、包含表去重数、共现次数与包含比率。
关系可搜索、编辑、删除、导出，并进一步提供给上层应用。
管理数据源连接并测试状态，选择参与关系分析的数据范围。
✓
✓
✓
✓
去重数：理解字段值域规模与候选主键特征
共现次数：确认两边真实出现过多少共同值
包含比率：判断一侧值域被另一侧覆盖的完整程度
关系可管理：发现结果可以进一步搜索、校正与导出
UNIQUE VALUES · SOURCE
CO-OCCURRENCE
INCLUSION RATIO
UNIQUE VALUES · TARGET
主表去重数
共现次数
包含比率
包含表去重数
不是只看表结构，先理解候选字段真实值域。
统计两个字段中共同出现的值，形成实证依据。
把“能不能关联”进一步变成可解释的完整度指标。
对比两侧值域规模，判断关系方向与覆盖范围。
✓
✓
✓
✓
✓
✓
✓
✓
发现一条关系之后，更重要的是把它变成可用的关系路径
从发现关系到应用关系
单条字段关系只是起点。通过已发现关系，Intalink 可以帮助上层应用理解多个表之间如何形成关联链路，为多表查询、数据治理和分析开发提供上下文。
显示当前匹配的表与字段
从单条字段关系组织成表间关联网络
提示用户选择正确的数据定义
支持检索主表、包含表及相关关系结果
提示用户选择正确的数据定义
为多表查询提供候选关联路径依据
让关系知识从“人的经验”转成“系统可调用的上下文”
提示用户选择正确的数据定义
将关系视为资产进行管理
自动发现只是第一步，关系还要能治理、能复查、能更新
Intalink 把数据源、表、字段、发现规则和任务历史放在一个可管理体系里，不让关系发现成为一次性脚本。
管理连接、表结构与字段对象，并决定哪些表和字段参与关系分析。
通过主键组合、公共属性、特征值以及数据类型和表过滤规则控制分析范围。
数据提取和表关系发现以任务方式执行，保留状态、时间、耗时和历史记录。
DATA SCOPE
DISCOVERY RULES
TASK CENTER
数据源连接与测试
主键组合
数据提取任务
表参与状态控制
公共属性 / 特征值
表关系任务
字段与数据项管理
数据类型 / 数据表过滤
任务详情 / 重试 / 历史
数据源 / 数据表 / 数据项管理
关系发现规则
任务中心与历史
数据关系在AI中的应用
Intalink价值
不是再做一个“给人看的关系图”，而是把关系提供给 AI 和上层系统
当“表之间到底什么关系”成为瓶颈，Intalink 就开始产生价值
Intalink 的关系结果可以通过 API 与 MCP 等方式被上层应用使用，把表间关系、字段关系和关系证据带进智能问数、Agent、数据开发和分析场景。
关系发现不仅服务数据治理，也直接影响智能问数、数据仓库、BI 开发和系统迁移的准确性与效率。
与 Arilink 的当前产品边界：Intalink 提供关系上下文；Arilink 独立管理自身实际数据源连接、业务/数据语义与查询执行。两边通过对应的数据源 ID 建立映射。
✓
✓
✓
✓
MCP 集成能力，为模型提供关系上下文
RESTful API 与 API Key 管理
可作为智能查询生成多表 SQL 的额外关系依据
让上层系统不必重新人工维护一套表关系
01 · AI / 智能问数
02 · 数据治理
03 · 数仓 / BI
04 · 迁移 / 重构
给 Text-to-SQL 补足关系上下文
梳理技术关系与数据血缘基础
减少跨表开发前的人工摸底
在系统变化前先看清关系网络
帮助模型理解候选表之间如何关联，降低“表选对了，JOIN 连错了”的风险。
自动发现表和字段之间的关联，为元数据治理和资产梳理提供关系底座。
在 ETL、指标开发、报表建设前，快速理解源系统里可用的关联关系。
迁移和重构时先梳理源表关系，帮助识别需要一起验证和处理的数据对象。
支持多形式集成
Intalink支持独立使用，也可与企业数据源、 AI 体系集成
支持多类型数据源
上层集成
平台具备数据源连接、连接测试与状态管理能力。
通过开放接口把关系结果提供给其他系统与 AI 应用。
MySQL
Oracle
SqlServer
达梦数据库
人大金仓
OceanBase
RESTful API
API Key
MCP
GPTs
真实数据场景直接发现关系
没有外键、字段命名混乱、跨表关系靠老员工记忆——这种数据，才真正适合验证 Intalink 能不能把隐藏关系找出来，并给出可检查的关系证据。
欢迎免费试用
适合：智能问数 / 数据治理 / 数仓建设 / BI / 系统迁移
姓名
*
公司名称
联系方式
*
您的需求
提交
▪ 众多企业的信任 ▪
|
|
|
|
|
|
|
|
▪ 元拓技术分享 ▪
2025
04-21
元拓智能问数AriLink平台是一个基于大模型技术的智能问数产品，旨在通过自然语言输入的简单方式帮助企业领导、业务、IT等人员快速、准确地从海量数据中获取所需信息。其核心功能围绕五个关键部分展开，涵盖了从知识库构建到数据查询与结果展示的完整流程，确保用户能够高效地完成智能问数任务。
2025
04-15
NL2SQL（Natural Language to SQL）是将自然语言自动转换为结构化查询语言（SQL）的技术。其发展始终围绕“降低数据查询门槛”的目标，从规则驱动到AI泛化，逐步成为连接自然语言与结构化数据的重要桥梁。任何技术都不是孤立发展的，NL2SQL技术也从1970S开始时采用的“基于规则与模板”方法，经历了“统计方法、深度学习、预训练模型”几个阶段后，目前主要研究方向是”大语言...
2025
09-11
现在我们正站在大模型技术爆发的奇点时刻。但在这场技术狂欢盛宴背后， 一个关键问题被忽视： 再强大的AI引擎，也需要通过人性化的界面与真实用户产生化学反应。这正是前端开发者与产品经理的价值爆发点。
2025
08-15
随着信息化建设的不断深入，企业和组织在管理、执行及遵循规章制度时，需要一种高效、精准的方式来快速查找到相关条款和内容。为了解决这一问题，采用了Elasticsearch作为全文检索工具，成功实现了对规章制度的智能检索功能。
2025
08-05
在ChatGPT-4.5、Claude 4等大模型重构技术生态的今天，前端开发早已突破"切图仔"的刻板印象。当AI能秒级生成React组件、自动优化页面性能，前端工程师的核心价值正从"技术实现者"转向"体验创造者"——一个能直接对话用户需求、定义产品形态、甚至预判市场趋势的"全栈体验官"。
|
|