数据血缘（Data Lineage）

是什么

• 字段级血缘：每个表的每个字段从哪个上游字段计算出来
• 作业级血缘：哪些 ETL / 训练任务读了哪些数据
• 跨系统血缘：从原始数据库 → ETL → 数据湖 → BI 工具的全链路追踪

在 AI 时代的关键作用

• AI Act 合规 — 必须能追溯训练数据来源
• 版权诉讼证据 — 证明训练数据是否包含特定版权内容
• 数据质量根因分析 — 模型预测异常时，追溯到原始数据问题
• 隐私合规 — GDPR 个人信息删除请求的"右被遗忘"需要血缘追踪

主要厂商

• 专业血缘：Informatica / Collibra / Alation / Atlan
• 平台内置：Databricks Unity Catalog / Snowflake Horizon
• 开源：OpenLineage / Marquez / Apache Atlas

演进

• 2005-2015：传统 ETL 工具（Informatica 等）做表级血缘
• 2015-2022：数据中台兴起，字段级血缘成标配
• 2024+：AI 训练数据血缘成新焦点，把数据 → 模型 → 推理输出全链路打通

相关概念

• 数据治理 / 数据湖仓
• 数据引擎