DataFocus
简体中文
← 返回博客

DataFocus · 博客

OT Flash 还是 OT Heavy?三个问题决定你装哪个版本

Flash 把本体跑在一个 Apache Doris 引擎上;Heavy 跑在 Trino、Hive、Iceberg 与 Hadoop 之上,并内置 DataSpring ETL 与 AutoML。三个问题、一个假设场景和许可事实,帮你定下版本。

DataFocus OT Flash 与 OT Heavy 跑的是同一层本体,底下的数据底座却不同,而版本选择就取决于这一处差别。Flash 把 Apache Doris 放在底层,既当计算引擎也当数据仓库:装一个引擎,把一个业务域的表导进来就能开工,不带 ETL 平台,也不带 AutoML。Heavy 则运行在 Trino、Hive、Iceberg 与 Hadoop 之上,内置基于 Flink 的 DataSpring ETL 和 AutoML,面向已经在运营、或者确实需要这套大数据栈的企业。三个问题就能定下来:你的生产环境是否已经在跑 Hadoop、Hive、Trino 或 Iceberg;第一个业务域的数据能不能放进一个分析引擎;你需要的是多步转换管道和建模,还是定时导入就够。两个答案指向同一边,那就是你的版本。

两个版本共有什么

OT 指 Ontology(本体)。两个版本都提供本体管理,也就是把业务对象、定义、规则和动作绑定到存放数据的表上的那一层。OT 产品简介用一句话说明了两版共同的设计原则:“底层是真实的计算引擎(Flash 用 Apache Doris,Heavy 用 Trino 等)”,所以每个答案都来自实际执行过的 SQL,而不是大语言模型估出来的数字。两个版本也都通过 MCP 把本体开放给外部 AI Agent。

因此,本体概念、Agent 接口和以 SQL 为依据的答案是不变量。变的是引擎,以及引擎带来的一切:数据怎么进来、系统能扩到多大、谁来运维。

架构差别,说准确一点

OT Flash OT Heavy
版本页上的定位 “一个引擎,快速起步。” 沿用 Hadoop、Hive、Trino 与 Iceberg 架构,同时具备 ETL 与 AutoML
查询引擎 Apache Doris Trino(分布式 SQL 查询)
存储与数据仓库 Apache Doris 内部表 Apache Hive(数据仓库)、Apache Iceberg(开放表格式)、Apache Hadoop(分布式存储与计算)
本体管理 有 有
数据管道 不提供;代之以表级导入工具 DataSpring ETL,基于 Flink
AutoML 与 AI 自动建模研究 不提供 有
AI Agent 接入(MCP) 有 有
适合 想先在一个业务域快速跑通,数据可以集中到一个分析引擎里的团队 数据量大、已经在用大数据平台,还需要数据加工和建模的企业

来源:版本与下载页和 OT 产品简介。GitHub 仓库说的是同一件事,只是更简短:Flash 仓库把自己描述为“DataFocus 更轻、更快的版本,不含 ETL 与 AutoML 能力”,Heavy 仓库则是“DataFocus 更全面的版本,具备本体管理、ETL、AutoML 与全栈数据仓库能力”。

两个版本为什么长成不同的形状,答案在引擎本身:

  • Apache Doris,按项目自己的概览(2026 年 11 月查阅)的说法,是“基于 MPP 的实时数据仓库”。Frontend 节点负责查询规划和元数据,Backend 节点负责存储和执行,数据切成分片并在多个 Backend 节点上保留副本。存储和计算在同一个系统里,这就是“一个引擎”在运维上的含义。
  • Trino 是一个自身不带存储的查询引擎。它的概念页写到,协调节点(coordinator)“负责解析语句、规划查询并管理 Trino 工作节点”,连接器则让 Trino 对接“诸如基于 Hadoop/Hive 或 Apache Iceberg 的数据湖这样的数据源”。用例页还补了一句:“Trino 并非为处理联机事务处理(OLTP)而设计”——它是架在你已有存储之上的分析层。
  • Apache Iceberg 在项目官网上自称“面向超大分析表的高性能格式”;它的分区文档解释了隐藏分区,即使用者“不需要知道表是如何分区的”,并与 Hive 做了对照——在 Hive 中,分区是显式的列,查询必须对其过滤。

在 Flash 里,整套占用在一个监控页面上一目了然:r57 手册的系统管理页面列出 Web 服务器、搜索、BI 服务器、Doris FE、Doris BE、PostgreSQL、Redis 和 Nginx 各一个运行中的容器。在 Heavy 里,数据层是一套分布式栈,有协调节点、工作节点、数据仓库和存储层——数据本来就住在那里时,这是正确的形状;数据不在那里时,就是错误的形状。各版本的系统要求和支持平台见其发行说明;按数据量、并发和所用模型来规划资源。

“Flash 没有 ETL”不等于“Flash 接不了外部数据”

版本表把 ETL 和 AutoML 列在 Heavy 名下,Flash 没有。这说的是各版本提供什么,并不涉及 Flash 能否连到你的数据库。它能。

Flash r57 用户手册记载了一个内置数据源“DataFocus system Doris”,外加按数据库、API 和 HTTP 分组的外部数据源。数据库清单包括 PostgreSQL、MySQL 与 MariaDB、Oracle、SQL Server、IBM DB2、ClickHouse、Hive、Iceberg、Delta Lake、TiDB、SAP HANA 等。接入一个数据源需要填数据源名称、服务器、端口、数据库、可选的 schema 与 JDBC 参数,以及凭据;手册建议使用专用的只读数据库账号,并把权限限制在你打算分析的表上。导入是一个三步向导(选数据源、选表、设定导入类型和可选的调度计划),定时导入作业集中在“表任务”(Table Task)页签。本地文件以 CSV、Excel 或 JSON 进入。表进了 Doris 之后,Flash 提供表级加工:关联工作表(Join Worksheet)、用于堆叠同结构表的合并工作表(Merge Worksheet)、带编辑器的 SQL 视图、组合相关表的数据集,以及公式。

Flash 没有的是 DataSpring。Heavy 手册称它为“内置于 OT Heavy 的统一批流 ETL 平台”。在 DataSpring 里,逻辑是画布上由处理器组成的任务流,可手动运行,也可定时运行。每个处理器的输出都必须带主键,否则任务流无法运行(没有主键的源表会得到一个生成的 flink_uuid 列);“血缘”(Lineage)按钮能展示每一列在整条任务流中来自哪里。这和导入向导加 SQL 视图不是同一类工具。

决策规则由此直接得出。如果你需要的转换可以写成“按计划把这些表复制到 Doris,然后在上面做关联或定义一个 SQL 视图”,Flash 就够用。如果你需要带列级血缘的多步流程、流处理,或者由多个团队共同维护的管道,那正是 DataSpring 存在的理由,而它在 Heavy 里。

一点背景:Doris 4.x 湖仓一体概览(最后更新于 2026 年 5 月)提到 Doris 可以连接 Hive、Iceberg、Hudi、Paimon 和 JDBC 数据库。那是上游 Doris 的能力,不是 Flash 文档记载的功能。把它当作背景看,不要当作承诺。

一个假设场景

假设有一家中型分销商,销售订单存在 MySQL 里,ERP 跑在 Oracle 上。销售总监想看按客户和区域划分的毛利,还想让销售团队用自然语言直接问。

Flash 的路径很短。DBA 在两个数据库上各建一个只读账号,范围限定在订单、客户、产品和成本表。管理员在 Flash 里添加两个数据源,分别跑一遍导入向导并设为每夜调度,再建一个关联工作表或 SQL 视图,在 Doris 里产出一张毛利表。销售本体建在这张表和相关表之上,Agent 用对 Doris 执行的 SQL 作答。唯一需要做的数据工程决策是刷新频率——版本页也明确要求 Flash 的采购方规划这一点:数据如何进入 Doris,多久刷新一次。

现在改动一个事实。假设这家分销商属于一个集团,集团已经把好几年的订单、发运和库存历史放在 Hadoop 集群上的 Hive 表里,财务部门想要一张从四个系统对账得出的每日毛利表,还要有能拿给审计看的血缘。把这些历史每夜复制进一个 Doris 引擎是错误的设计——数据已经住在集团运营的数据仓库里。Heavy 把本体放在这套资产旁边,通过 Trino 查询它,并把对账表做成一条 DataSpring 任务流,其“血缘”按钮能逐列回答审计的提问。同一家分销商,两种数据资产,两个不同的版本。

两个版本的 Agent 接入

两个版本都列出了面向 AI Agent 的 MCP 接入,而文档是围绕 Flash 组织的。

  • Flash 有一份公开的 Agent/MCP 手册(r56)。它说明 Agent 的表查询是 Doris SQL,原有的 Trino、Hive、Hadoop 服务以及 Heavy 的 ETL 不属于 Flash 的入口:Agent 不得调用它们。
  • Heavy 同样提供 MCP 接入,其面向 Agent 的管理界面在手册里描述得更细。系统管理区有一个“外部 Agent”页签,用来设定外部 Agent 可以发起哪几类写操作,并包含 Agent 变更审批和 MCP 数据管理员访问权限。外部 Agent 实际可写的范围是三样东西的交集:外部 Agent 操作设置、精确的 OAuth 授权范围,以及对系统资源的 EDIT 权限;这个页签并不会另造一套权限体系。角色列表中还有专门的 MCP 角色,例如 MCP_EXECUTION_RUN_ADMIN 和 MCP_DATA_ENTRY_AUTHORING_ADMIN。至于接入的具体机制,Heavy 手册的文档索引指向 Flash 的手册。

两条实际提醒对两个版本都适用。Heavy 是包含 AutoML 和 AI 自动建模研究的版本;如果这两项在你的需求清单上,比较到此结束。另外,DataFocus 不提供公开托管的 MCP 端点,也没有在线沙箱,所以 Agent 评估要对着你自己安装的实例进行,工具 schema 也来自那个经过认证的实例。

许可与分发:节点问题

两个版本的安装镜像都在 GitHub 上免费分发,无需官网注册或付款;发行说明会告诉你如何选择平台、核对校验信息并完成安装。先看版本与下载页,再到 Flash 和 Heavy 仓库。另有独立的云服务选项,在控制台办理注册与开通。

下载页用三句话定下许可条款:“社区版在单节点上运行,用户数不限,不收许可费”;“软件为闭源,条款随各安装包提供”;社区版许可“不包含服务器、模型调用与运维”。企业订阅则增加多节点与集群部署、私有工单、升级与迁移协助,以及长期安全补丁。

节点条款对 Heavy 的影响大于对 Flash 的影响。Flash 的部署天生就是单节点设计:一个 Doris FE 和一个 BE,与应用容器并排。Hadoop 级别的部署通常是多节点的,而多节点与集群部署列在该页面的企业订阅一侧。在为 Heavy 集群做容量规划之前,先读所选版本随包文档里的许可、服务范围和节点说明。

把三个问题做成决策表

问题 是 否
1. 你的生产环境是否已经在跑 Hadoop、Hive、Trino 或 Iceberg? Heavy:把本体放在你已有的数据资产上 看第 2 题
2. 第一个业务域的数据能否放进一个分析引擎? Flash:一个 Doris 引擎,定时导入 Heavy
3. 除了定时导入和 SQL 视图,你是否还需要带血缘的多步管道、流处理或 AutoML? Heavy:DataSpring 和 AutoML 都在那里 Flash

两个答案落在同一列,版本就定了。意见分裂的情形——通常是“今天没有 Hadoop,但需要管道或 AutoML”——是一项 Heavy 需求,也附带 Heavy 的运营成本:为了拿到 DataSpring 和 AutoML,你得把 Hadoop、Hive、Trino 和 Iceberg 这一整套栈搭起来。要判断的是管道是否值得这个平台,或者第一个业务域能否先在 Flash 上起步,等这个问题想清楚再说。

无论选哪个都要接受的取舍

Flash 是一个引擎。它的规模就是单个 Doris 部署的规模,数据靠导入而非管道进入,刷新频率是你自己的设计决策。Heavy 是一个平台。它预设有一支运维 Hadoop、Hive、Trino 和 Iceberg 的团队,而社区版许可只覆盖一个节点。两边共同的一点:本文可用的来源没有公布基准测试、价格或合规认证,所以比较只能基于架构和匹配度。日后若要在版本之间迁移,先确认目标版本、源数据映射和本体导出范围。

下一步

读一读版本与下载页,了解两个版本的定位和许可条款;再读 OT Flash 用户手册里关于外部数据源的章节,在做任何容量规划之前先看清导入路径。