Blog 专题：AI 与语义层

图片来源：Cube 官方 Blog。本专题聚焦 Agent、自然语言问数与 semantic layer 之间的关系。

本专题将 10 篇精读中与 LLM / Agent / 自然语言问数 最相关的内容组织为一条连续主线。

架构图参考

图中对比了 LLM 直接访问数据库与通过 semantic layer 访问数据两种路径。

推荐阅读卡片

AI 主线2023-06-22

Semantic Layer: The Backbone of AI-powered Data Experiences

适合建立“AI 为什么需要语义层”这一主线认知。

Benchmark2023-12-05

Semantic Layers are the missing piece for AI-Enabled Analytics

把语义层对 LLM 的价值总结成 context + constraint。

NLQ2024-12-19

Semantic Layer and AI: The Future of Data Querying with Natural Language

更接近一篇自然语言问数系统架构综述。

产品路线2026-05-14

The Future of Cube Core and Cube

用于理解 AI 为什么会进一步提升语义层的重要性，而非取代它。

本专题关注的问题

1. 为什么 Agent 不该直连原始表

核心答案来自第一篇与第二篇：

• LLM 需要 context；
• 还需要 constraint；
• 语义层同时提供两者。

2. 为什么语义层不是“可选优化”，而是 AI 数据系统的底座

这些文章共同表达的主线是：

• schema 只是底层结构；
• semantic model 才是业务语义；
• query interface 才是执行约束；
• cache / pre-aggregations 才能保证 Agent 多轮分析可用。

3. 自然语言问数真正需要哪些组件

第三篇尤其适合回答以下问题：

• metadata retrieval
• prompt augmentation
• semantic layer compiler
• API / SQL transpiler
• result explanation

更完整的 AI 架构图

这张图展示了 AI 应用、向量库、Cube semantic layer 与上游数据仓库之间的分层关系。

五个关键判断

1. LLM 不是天然懂业务口径。
2. 只补上下文，不加约束，不够。
3. Meta API 是 AI 接语义层的重要入口。
4. Agent 的查询模式更依赖缓存与预聚合。
5. AI 时代会让语义层更重要，而不是过时。

对应本教程主线

• 为什么 AI 时代更需要 Cube
• AI / Agent 场景
• AI 接入模式

一句话总结

本专题的核心结论是：AI 问数的关键不在于让模型直接生成 SQL，而在于让模型工作在统一语义层之上。