一句话定义：ETL（Extract-Transform-Load，抽取—转换—加载）和 ELT（Extract-Load-Transform，抽取—加载—转换）是同一条数据流水线的两种安排：区别只在于“转换”（清洗、统一口径、汇总计算）发生在数据进仓库之前，还是进仓库之后。
流水线的三段
- 抽取（Extract）：从业务数据库、服务端日志、第三方接口把原始数据取出来。
- 转换（Transform）：去掉脏值、统一字段名和单位、关联维表、算指标。
- 加载（Load）：写进数据仓库（Data Warehouse）或数据湖（Data Lake）。
打个搬家的比方
ETL 像搬家前在旧家打包：扔垃圾、按新家柜子编号装箱，到了新家直接上架。新家一进门就整齐，但打包那一步最慢，而且一旦箱子封了，想找“那件没带走的旧毛衣”就得回旧家。
ELT 像把东西原样搬进新家的大储藏室，等要用时再按当天需要整理。好处是原料都在，临时想换个摆法随时能重来；坏处是储藏室容易变成垃圾场，得有治理规矩。
关键差别在“目标端的算力”
ETL 把计算压力放在仓库外面，适合目标库算力紧张、合规要求“原始数据不许落地”的场景。ELT 把计算压到仓库内部，依赖存储相对便宜、算力能按需扩容这一趋势；这也是它近年更常见的原因，具体能力以各产品官方页面为准。
| 维度 | ETL | ELT |
|---|---|---|
| 转换位置 | 进仓之前 | 进仓之后 |
| 原始数据 | 常被丢弃 | 通常保留在原始层 |
| 换清洗规则的代价 | 要回源重抽 | 重跑一段 SQL 即可 |
| 典型适配 | 数据量可控、口径稳定、强合规 | 数据量大、需求探索性强 |
在 AI 数据管道里，转换发生在哪一步
训练模型或做检索增强，主流做法是“先 ELT、再按需转换”：原始文档、日志、对话记录原样落进对象存储或数据湖的原始层（常叫 bronze），随后才做去重、脱敏、质量过滤、切分成 token、拼训练样本（silver / gold 层）。原因很实际：过滤阈值、分词器、去重策略几乎一定会反复调整，只有保留原始层才能随时重跑。如果一开始就 ETL 把语料洗成“成品”，规则一改就无从回溯。
和相邻概念的区别
数据湖与仓库的分野常被说成 schema-on-write（写时定结构）与 schema-on-read（读时定结构）：ETL 更贴近前者，ELT 更贴近后者。CDC（Change Data Capture，变更数据捕获）则是“抽取”环节的一种手段，不是 ETL 的对立项。
对你的实际意义
从业者选型时先问三句：转换规则会频繁变吗？源系统还愿意被反复读取吗？目标端扛得住计算吗？普通职场人看到的“同一个指标两个部门算法不一样”，很多时候不是谁算错了，而是转换被放在了管道里不同的位置。