从价值定位到落地实现
先阐明语义层在 AI 时代的定位与意义，再进一步介绍 Cube 的架构体系、建模方法、查询接口、性能优化、权限治理与部署方案。
Cube 中文教程AI 时代统一语义层方案
用一套可治理的业务语义，同时服务 BI、Dashboard、应用和 AI Agent
Skip to content
图片来源：Cube 官方 Blog。你可以把 Cube 理解为位于数据源和 BI / App / Agent 之间的一层统一语义与分析接口。 
这套教程解决什么问题
很多团队已经开始做智能问数、分析 Copilot、数据 Agent，但很快会遇到几个共性问题：
- LLM 可以写 SQL，但 不会天然理解企业指标口径；
- 即使 SQL 能跑通，也未必理解正确的 join 路径、过滤口径、时间口径、权限规则；
- 人类在 BI 里看的是一套指标，Agent 自己生成 SQL 又是另一套指标，最终会造成 “同问不同答”；
- 如果每次查询都直打数仓，性能与成本会迅速失控。
Cube 的价值，就是把这些问题前置到语义层里处理：
指标、维度、关系、权限、缓存、预聚合，统一定义一次，然后通过标准 API 暴露给不同消费端。
推荐阅读路径
为什么 AI 时代更需要 Cube
先建立“为什么需要语义层”的总认知。
Cube 架构总览
从 API、Refresh Worker、Cube Store 到预聚合，建立整体架构心智。
查询 API 选择
理解 REST、GraphQL、SQL 三条主线各自适合什么场景。
预聚合与性能
理解 Cube 为什么不只是能查，还能查得快。
AI / Agent 场景
理解 Agent 为什么不该直连原始表，而应连接统一语义层。
官方 Blog 精读
通过官方 Blog 精读补足产品路线、方法论和架构背景。
社区入口
通过公众号“智能大时代”和后续社区入口，持续跟进 Cube 中文内容与交流。
你会在这里学到什么
产品定位
Cube Core、Cube 平台、DAX、MCP 各自是什么，边界在哪里。
数据建模
cubes、views、measures、dimensions、segments、joins 的建模方式。
查询接口
REST / GraphQL / SQL API 的实际用法，以及 AI / Agent 如何接入。
性能与缓存
预聚合、刷新、命中策略、Cube Store 和查询成本优化。
生产治理
权限、多租户、部署拓扑、环境发布和可观测性建议。
AI 分析体系
如何把 Cube 放进智能问数、数据 Copilot 和 Agent Analytics 架构。
专题入口
主教程
按从导读到生产的顺序系统学习 Cube。
官方 Blog 精读
从产品路线、AI、性能、标准化四条线补足理解。
官方 Recipes 中文实战
围绕 Active Users、权限、多数据源等典型问题做实战补充。
阅读顺序建议
- 导读：为什么 AI 时代更需要 Cube
- Cube Core 与 Cube 平台的关系
- 架构总览
- 核心概念
- 从 0 到 1 实战
- 预聚合、权限、部署
- AI / Agent 接入模式
- 官方 Blog 精读专区
- 官方 Recipes 中文实战
关注与参与
如果你希望持续获取 Cube 中文内容更新，建议关注微信公众号 智能大时代。