过去十年，企业解决数据分散问题的主要手段是“把数据搬到一个地方”：先建数据仓库，再建数据湖，然后不断做ETL。但随着系统数量持续增长，这条路径的成本和延迟越来越难以承受。多家机构的调研显示，大型企业平均运行数百个应用系统，一个数据集成项目的周期常常以季度计算。在此背景下，数据编织（Data Fabric）被反复提及，成为数据架构领域的新热词。

不是搬运数据，而是连接数据

数据编织的核心思路，是不再把数据集中到单一平台，而是通过统一的逻辑层，把分散在不同系统中的数据“编织”成一张可按需调用的网络。用户提出需求时，系统自动定位数据位置、完成连接与转换，并返回结果。

支撑这一过程的关键是主动元数据。与传统静态元数据不同，主动元数据会持续采集数据的结构、血缘、使用频率、质量评分乃至访问权限，形成动态更新的数据地图。在此基础上，知识图谱把表、字段、报表、业务指标和责任人关联起来，让系统能够推断哪些数据可以一起使用、哪些指标口径已经冲突。

与人工智能互为支撑

数据编织与大模型的结合正在加速。一方面，大模型可以帮助生成和补全元数据描述，把非结构化的文档、注释、代码转成可检索的标签；另一方面，自然语言问答让业务人员不必写SQL，就能在编织层上取数。反过来，数据编织提供的可信数据视图，也为企业级人工智能应用提供了稳定的数据供给。

落地仍有难点

数据编织并非没有门槛。首先是元数据质量，若采集不全、口径不一，自动推理就会失真，甚至给出错误结论。其次是组织协作，数据域负责人需要承担本域数据的定义与质量责任，这与传统集中式数据团队模式有明显差异。第三是成本与复杂度，编织层本身的建设与运维需要持续投入，短期内难以看到直接收益。此外，数据跨域调用涉及的合规与安全要求，也需要在架构设计阶段一并考虑。

从实践看，较为务实的做法是先从一两个高价值场景切入，例如客户全景视图或供应链风险监测，围绕这些场景逐步补齐元数据与治理规则，再向更多数据域扩展。数据编织不是一个可以一次性采购的产品，而更像一套需要持续演进的能力。

可以预见，随着数据要素价值被进一步重视，企业比拼的不再是谁的数据更多，而是谁能更快找到、理解并可信地使用数据。数据编织提供的正是这样一种思路：不追求把所有数据装进一个盒子，而是让数据在原有位置上被看见、被信任、被调用。