--- title: "OpenLineage w suwerennym AI OS" url: "https://majchrzycki.com/blog/openlineage-data-lineage-ai-os" description: "Otwarty standard zdarzeń opisujących pochodzenie danych. Zastosowanie, alternatywy, ograniczenia i próba dla AI OS oraz AI SDLC." --- # OpenLineage w suwerennym AI OS 21 sierpnia 2026· Aktualizacja: 28 września 2026·2 min czytania·Krzysztof Majchrzycki Temat: [Dane i wiedza firmy](https://majchrzycki.com/blog/filar/dane-i-wiedza-firmy) **Otwarty standard zdarzeń opisujących pochodzenie danych.** Śledzi, z jakiego zadania i zbioru powstała tabela użyta przez agenta. Ten tekst ocenia konkretną rolę komponentu w systemie AI-native. „Najlepszy” oznacza tu dobry wybór przy określonych wymaganiach, nie zwycięzcę w każdej firmie. Szeroką architekturę opisuje [filar danych firmy](https://majchrzycki.com/blog/filar/dane-i-wiedza-firmy). Źródłem opisu projektu jest [dokumentacja lub repozytorium twórców](https://github.com/OpenLineage/OpenLineage). Stan funkcji i licencji należy potwierdzić dla wybranej wersji. ## Czym jest i do czego służy? Otwarty standard zdarzeń opisujących pochodzenie danych. Śledzi, z jakiego zadania i zbioru powstała tabela użyta przez agenta. W praktyce trzeba oddzielić rolę tej technologii od całej platformy: komponent rozwiązuje określony problem, a tożsamość, polityka danych i obserwowalność nadal wymagają własnego projektu. ## Dlaczego warto rozważyć ją w suwerennym AI OS? Wspólny format zdarzeń ułatwia zmianę narzędzia obserwacji pipeline. Suwerenność oceniamy przez możliwość uruchomienia, kontrolę danych i uprawnień, przenośność formatu oraz plan zmiany dostawcy. Jeśli rozwiązanie jest usługą zarządzaną, należy jawnie wskazać granicę kontroli; otwarty klient czy API nie czynią całej usługi open source. ## Jak wykorzystać ją przy kodowaniu z AI? W AI SDLC agent kodujący może przygotować konfigurację, adapter i test integracyjny, lecz człowiek powinien sprawdzić uprawnienia, koszty oraz skutki błędu. Punktem odbioru jest działający scenariusz: śledzi, z jakiego zadania i zbioru powstała tabela użyta przez agenta. Agent nie powinien sam zatwierdzać swojej zmiany ani otrzymywać szerszych uprawnień niż wymaga zadanie. Przed wdrożeniem warto zachować ślad: wymaganie, wersję zależności, wynik testu i osobę akceptującą. ## Alternatywy i ograniczenia Możliwe alternatywy: Lineage w DataHub, Apache Atlas, własne logi DAG. Brak instrumentacji jednego etapu przerywa linię pochodzenia. Wybór powinien wynikać z pomiaru na własnych danych, zgodności z obecnym zespołem i możliwości wycofania rozwiązania. Sama liczba gwiazdek repozytorium lub obietnica marketingowa nie zastępuje próby. ## Co sprawdzić przed decyzją? Zbuduj małą próbę realizującą ten przypadek: śledzi, z jakiego zadania i zbioru powstała tabela użyta przez agenta. Zmierz opóźnienie, koszt, jakość wyniku i zachowanie po błędzie. Sprawdź też, czy inny członek zespołu potrafi odtworzyć wynik na podstawie zapisanej konfiguracji. Powiązane składniki architektury to [OpenMetadata](https://majchrzycki.com/blog/openmetadata-zaufany-kontekst-ai) oraz [Apache Iceberg](https://majchrzycki.com/blog/apache-iceberg-fundament-ai-os). Zapisz kryterium, po którym rozwiązanie będzie można wymienić. - Agenci AI ## Przełóż temat na projekt w Twojej firmie Zobacz zakres współpracy: od rozpoznania procesu i danych po projekt rozwiązania AI. [Zobacz współpracę](https://majchrzycki.com/wspolpraca) ## Czytaj dalej - [DataHub w suwerennym AI OS](https://majchrzycki.com/blog/datahub-governance-ai-os) - [Apache Atlas w suwerennym AI OS](https://majchrzycki.com/blog/apache-atlas-governance-ai-os) - [Unity Catalog w suwerennym AI OS](https://majchrzycki.com/blog/unity-catalog-open-source-ai) - [Apache Polaris w suwerennym AI OS](https://majchrzycki.com/blog/apache-polaris-iceberg-katalog)