英文原标题：Build a semantic layer for agentic AI on AWS with AtScale and Amazon Bedrock AgentCore
本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗
- 本文是系列第三篇，沿用客户360（C360）模式，但将语义层从Stardog知识图谱和Denodo数据虚拟化替换为AtScale，展示在AWS上构建面向代理式AI的语义层。
- AtScale采用维度模型（维度、层次、度量），使用基于YAML的开放规范SML在Git中版本化，并通过SQL、XMLA和MCP三种协议同时暴露同一模型，使Strands代理和BI工具获得一致的计算结果。
- 架构中，Amazon Bedrock上的基础模型（示例为Anthropic Claude Sonnet 4.6）负责规划和编写查询，Amazon Bedrock AgentCore托管Strands代理并管理对外凭证，连接、指标定义和行列过滤均在语义层内处理。
- 数据物理上集中在Amazon Redshift Serverless，AtScale将维度查询规划为原生仓库SQL并下推至单一引擎，跨引擎数据在上游整合；Aurora PostgreSQL作为操作记录系统，通过DMS或zero-ETL同步分析副本。
- 文章涵盖AtScale的自主聚合管理、通过AtScale MCP服务器将模型暴露给AgentCore托管的代理、利用AgentCore Identity传递用户身份并实施RBAC和行级安全，以及使用Helm chart在Amazon EKS上部署AtScale。
关键数据
- AtScale C2026.7版本是本次演练的权威来源。
- 示例模式包含8张表、9个关注列，通过cid、pid、dept等键关联。
- AtScale MCP服务器端点位于<atscale-host>/mcp。
- SML规范托管于github.com/semanticdatalayer/SML。
为什么值得看：它展示了如何用AtScale的维度语义层和MCP协议，在AWS上让代理式AI安全、一致地访问企业数据，并与现有BI工具共享同一套定义。
