概述
此功能目前处于邀约测试阶段。如果您想使用此功能，请在功能邀测申请表中填写相关信息进行开通。
EventHouse 是 EventBridge 的云原生事件湖仓（Cloud-Native Event Lakehouse），负责事件数据的存储、治理与数据智能。
EventBridge 的事件总线（EventBus）解决事件的路由与分发问题，EventHouse 在此基础上解决事件数据“存下来之后怎么用”的问题。EventHouse 将消息队列（如 Kafka、RocketMQ）、关系型数据库（如 MySQL）以及对象存储（如 OSS）中的结构化、半结构化和非结构化数据统一抽象为标准事件模型，通过内置的 Open Catalog 和 AI 语义层，支持以 Zero-ETL 方式管理多源异构数据，并通过 SQL 查询或 AI Agent 直接进行实时分析。
核心组件
EventHouse 由三个核心组件构成，各组件独立又协同工作：
组件 | 定位 | 核心能力 |
元数据管理中心 | 多源元数据注册、结构变更管理、数据血缘追踪、细粒度权限控制 | |
计算引擎层 | 流批一体 SQL、联邦查询、物化视图（Materialized View）、实时异常检测 | |
AI 分析层 | AI 语义层、MCP 协议集成、DataAgent 自主分析、自然语言查询 |
核心价值
Zero-ETL（无感数据集成）
支持直接映射外部数据源（如 RDS、OSS），无需将数据搬运到 EventHouse 即可执行联合查询，降低数据延迟和存储成本。
统一治理（Unified Governance）
通过 Open Catalog 为消息队列中缺乏 Schema 定义的数据（即"暗数据"）提供标准化的元数据管理和血缘追踪，打破数据孤岛。
智能体分析（Agentic Analytics）
原生集成 MCP（Model Context Protocol），AI Agent 可直接理解事件数据结构，通过自然语言提问完成数据分析。
数据目录 Catalog
数据目录（Catalog）是 EventHouse 的元数据管理中心，负责管理所有接入数据源的元数据、Schema 定义、访问权限及数据血缘。
统一元数据管理
多源映射：Catalog 自动发现并注册来自 Kafka、RocketMQ、RDS 等数据源的元数据。
结构变更（Schema Evolution）：自动推断并管理事件数据的 Schema 版本。当上游业务字段变更时，通过兼容性版本管理确保下游分析任务不中断。
数据血缘追踪：追踪事件从产生（Producer）、存储（EventStore）到分析（Analysis）的全链路，用于故障排查和影响面评估。
开放生态兼容
Open Catalog 支持 Iceberg、Hudi、Delta Lake 等开放表格式，数据不被厂商锁定，可自由选择计算引擎。
权限与安全
提供库（Database）、表（Table）、列（Column）三级细粒度访问控制（ACL）。
应用场景：统一数据视图
在电商场景中，订单数据可能分散在 RocketMQ（实时流）和 MySQL（持久化）中。通过 Catalog 创建统一 View，逻辑关联 MQ 中的实时订单流和数据库中的用户信息表。分析时只需查询该 View，无需关心底层数据的物理存储位置。
数据分析 Analysis
数据分析（Analysis）是 EventHouse 的计算引擎层，提供高性能的 SQL 查询、流式处理和联邦查询能力。
智能查询引擎
多模态查询：支持 SQL（结构化查询）、NoSQL（文档型查询）和 External（外部数据源查询）三种查询模式。
流批一体：同一套 SQL 语法既可查询历史归档数据（Batch），也可查询实时流入的事件流（Streaming）。
物化视图（Materialized View）：支持预计算物化视图，将高频查询结果缓存，实现毫秒级响应。
联邦查询
跨源联合分析：无需数据迁移，通过 SQL
JOIN直接关联 EventHouse 内部表与外部数据源（如 OSS 日志文件、RDS 维表）。谓词下推（Predicate Pushdown）：将过滤条件下推到源端执行，仅拉取必要数据，提升查询效率。
实时异常检测
内置时间窗口函数（Tumble、Hop、Session），支持实时计算交易成功率、延迟分布等指标。
结合规则引擎，当分析结果触发阈值（例如“1 分钟内失败订单超过 100”）时，自动触发告警事件。
技术优势
特性 | 说明 |
存算分离 | 存储基于低成本对象存储，计算资源弹性伸缩，应对流量洪峰 |
高压缩比 | 针对事件数据（JSON/CloudEvents）进行列式压缩，存储成本较传统数据库降低 50% 以上 |
数据智能 Luma
Luma 是 EventHouse 的 AI 分析层，通过 AI 语义层和 MCP 协议，使大语言模型（LLM）能够直接理解和分析事件数据。
DataAgent
Luma 内置 DataAgent，可自主执行"感知 - 规划 - 行动"循环：
感知：监控到交易量异常下跌。
规划：决定查询关联的支付网关日志和数据库连接池状态。
行动：自动生成 SQL 进行关联分析，输出根因报告。
AI 语义层
传统数据库字段（如 col_1 、status_code ）对 AI 模型缺乏业务含义。Luma 支持在 Catalog 中为字段添加业务描述、同义词和计算逻辑，基于这些语义信息提升 Text-to-SQL 的准确率。
示例 ：通过自然语言提问"查询昨天北京地区支付失败的订单"，Luma 自动生成对应 SQL 并返回结果。
应用场景：电商风控
运营人员提问："最近半小时有没有异常的刷单行为？"
Luma Agent 通过 MCP 获取 Catalog 信息，识别
Transaction_Table和User_Behavior_Log。Agent 自动生成关联 SQL（包含时间窗口、IP 聚合、设备指纹分析），在 EventHouse 分析引擎中执行。
返回疑似刷单的 UserID 列表，结合知识库生成风险报告。
MCP 协议集成
EventHouse 原生支持 MCP（Model Context Protocol）。任何支持 MCP 的 AI Agent（如 LangChain、Dify 或自定义 Agent）均可连接 EventHouse：
工具化查询：查询能力封装为 MCP Tools，Agent 根据用户意图自主调用。
上下文感知：Agent 获取数据 Schema 作为上下文，生成更准确的分析结果。
MCP 协议集成功能待开放，具体开放时间请关注产品动态。