Blog 专题：产品定位、嵌入式分析与开放标准

图片来源：Cube 官方 Blog。这个专题适合用来理解 Cube 的长期路线与生态位置。

这个专题更偏“为什么”和“往哪里去”。适合做路线理解与技术选型参考。

推荐阅读卡片

产品路线2026-05-14

The Future of Cube Core and Cube

帮助区分开源底座与完整平台，并理解 agentic analytics 的方向。

Embedded Analytics2023-06-12

The Modern Data Stack for Embedded Analytics

说明 Cube 的 headless 设计为什么天然适合多前端和嵌入式分析。

选型2024-09-12

Where should a semantic layer be built?

解释 data model 与 semantic layer 是上下游，而不是二选一。

标准化2023-10-19

The Need for an Open Standard for the Semantic Layer

讨论语义层能否成为基础设施，最终取决于互操作性与开放标准。

先看一张最适合讲 Core / Platform 分层的图

这张图来自 Cube 官方 Blog，很适合用来解释 Cube Core、Cube 平台和上层数据消费端的分工。

这一专题回答什么问题

1. Cube Core 与 Cube 平台怎么分工

第一篇最关键，帮助读者区分：

• 开源语义层底座；
• 完整商业平台；
• 为什么两者都继续存在。

2. 为什么 Cube 从 embedded analytics 长出来

第二篇说明：

• Cube 的 headless 特性不是偶然；
• 它本来就服务“多前端、多租户、定制化分析”场景；
• AI 只是后来沿同一路线自然延伸。

3. 为什么“已有 data model”不等于“不需要 semantic layer”

第三篇说明：

• data model 解决组织；
• semantic layer 解决消费、治理、接口与性能。

4. 为什么开放标准会越来越重要

第四篇说明：

• 语义层若想成为基础设施，就必须提高互操作性；
• 对象表示、查询协议、元数据交换都会逐渐标准化。

再看两张开放标准相关图

对象表示是语义层标准化的第一层：不同工具如何理解 dataset、dimension、metric 等对象。

这张图更适合解释 query protocol 和 metadata exchange 为什么会成为互操作性的关键。

最值得记住的 5 个判断

1. Cube 不是纯 BI 前端，也不是纯 AI 工具。
2. 它的根在 embedded analytics 和 headless semantic layer。
3. data model 与 semantic layer 是上下游，不是二选一。
4. 标准化决定语义层能否成为生态基础设施。
5. Cube 的很多 AI 优势，其实来自更早的架构选择。

对应本教程主线

• Cube Core 与 Cube 平台的关系
• 为什么 AI 时代更需要 Cube
• 生产部署

一句话总结

这个专题的核心结论是：Cube 的产品路线是“从 embedded analytics 的 headless semantic layer，延伸到 AI 时代的统一分析底座”。