先问一个扎心的问题：你们公司的"月活"到底有几种算法？
我打赌不止一种。运营那份报表按登录去重，产品那份按事件去重，财务对账时又是另一套口径。同一个词，三个数字，开会时谁也说服不了谁——最后老板拍板：“以我看到的那个为准。”
这就是没有**语义层（Semantic Layer）**的代价。指标定义散落在十个 SQL、五个报表、三个 Python 脚本里，每加一个新看板，就复制粘贴一次业务逻辑，然后祈祷没人改错 WHERE 条件。
2026 年，数据圈已经把这件事想明白了。行业里现在有一句几乎成为共识的话：“禁止让大模型和 BI 工具直接碰原始数据库，中间必须站一个语义层。”Cube、dbt Semantic Layer、AtScale 这些 Headless BI 工具，一夜之间成了 AI 时代的标配——因为无论是人还是 AI Agent，都需要一份唯一、受治理、可复用的指标定义。
道理都懂。但真到落地，大多数团队会卡在同一个地方——
痛点：语义层是好东西，可接入太重了
主流的 Headless BI 有个共同"门槛"：它们大多只对外暴露 REST 或 GraphQL API。这意味着什么？
意味着你的数据分析师想用最顺手的 DBeaver 拉个数看看，不行——得先学它的 API；意味着老板的那个只会连数据库的 BI 工具，接不进来；意味着每来一个新的消费方，你都要写一层适配、维护一层接口文档。语义层本来是为了"少写点重复逻辑",结果自己变成了一个需要专门伺候的新系统。
说白了，指标是治理好了，但"取指标"这件事本身又变复杂了。
那有没有一种可能：语义层不发明新协议，而是直接假装自己是一个 Postgres 数据库？让全世界成千上万个早就支持 Postgres 的工具，零学习成本地接进来？
erupt-cube 就是这么干的。
Erupt 的方案：把 cube 变成一张会自己算数的"表"
先花一分钟说清楚 erupt-cube 是什么。它是构建在 Erupt 低代码框架之上的语义层 + 看板搭建器：你用注解定义 OLAP cube（多维数据集），它在运行时按需生成 SQL，通过多数据源路由（ClickHouse 等）扛住十亿行级别的数据。定义指标这件事，回归到它本该有的样子——写在一个地方，用注解声明，一次定义，处处复用。
它由三个模块组成：
erupt-cube-semantic：核心。注解扫描、用 Velocity 模板生成 SQL、多数据源执行。erupt-cube-puzzle：看板 UI。基于 DSL 的看板搭建，带发布 / 回滚版本管理和 REST API。erupt-cube-sql：本篇的主角——PostgreSQL 线协议端口（基于 ShardingSphere db-protocol + Netty 实现）。
重点在第三个。erupt-cube-sql把你定义的每一个 cube，都当成一张 Postgres 表暴露出去。
它到底能不能被"当成数据库"用？能，而且很像
这不是那种"勉强能连上、一查就报错"的假兼容。团队在协议层做得相当彻底：
任何 Postgres 客户端连上来，都能像逛真库一样发现你的 cube。一句select tablename from pg_tables，就能列出所有 cube 和 explore——因为它内建了一整套pg_catalog模拟（pg_class、pg_attribute、pg_type、information_schema等），DBeaver 这类工具左边的对象树能正常展开，列名能自动补全，连 DBeaver 给无主键表拼的那个ctid系统列都被妥善处理成了null。
而真正的SELECT会走到 Apache Calcite 执行器（CalciteCubeSqlExecutor），带着语义层下推（pushdown）：
- 你在 WHERE 里写的维度条件（
=、IN、范围、LIKE），会变成生成 SQL 里的过滤条件下推到底层； - 写在 WHERE 里的度量条件，会自动转成 HAVING；
- 而对
@Parameter的等值条件，则会直接绑定进 Velocity 模板上下文——这意味着你能把参数化的业务逻辑也塞进指标定义里。
还有一个体贴的细节：LIMIT 下推。当你在 DBeaver 里预览数据、它悄悄拼了个limit 501时，这个限制会在满足条件的前提下一路下推到底层扫描——而不是把十亿行 cube 全拉出来再截断。这条对"敢不敢在生产库上点预览"至关重要。
行语义也想清楚了：select region, revenue from Sales会按 region 聚合，一个地区一行；select * from Sales则给你最细粒度，方便 BI 工具自己再聚合。你 SELECT 了哪些维度，就在哪个粒度上聚合——符合直觉。
安全边界：只读，且是"硬只读"
给外部工具开一个数据库端口，第一反应肯定是——会不会被写坏？
不会。这个端口是严格只读的：所有INSERT / UPDATE / DELETE / CREATE / DROP都会被拒绝，返回的是和 Postgres 备库一模一样的 SQLSTATE25006 read_only_sql_transaction，transaction_read_only参数也如实报on。也就是说，在客户端眼里，它就是一个"只读副本"，行为完全符合 Postgres 的标准语义，工具不会懵。
上手有多快？一段配置的事
erupt:cube:sql:enable:true# 默认开启show-sql:true# 默认，端口上收到的每条 SQL 都打日志，排查客户端问题的利器bind:0.0.0.0# 默认port:5433# 默认username:eruptpassword:secret# 留空则为 trust 模式然后呢？然后就没有然后了。打开 DBeaver，新建一个 PostgreSQL 数据源，端口填 5433，连上。左侧的表列表里，是你一个个 cube 的名字；每一列还带着注释，标着它是维度、度量还是参数（[dimension]/[measure]/[parameter]）。你的分析师用最熟悉的工具，写最普通的 SQL，查到的却是全公司口径统一、经过治理的业务指标。
更妙的是 AI 这条线。前面说过，2026 年的架构共识是"别让 LLM 直接碰原始库"。而一个能说 Postgres 协议、又只读、又自带语义治理的端口，恰好就是喂给 AI Agent 的理想入口——它拿到的每个字段都有明确的业务含义注释，查出来的每个数字都是唯一口径。你不需要为 AI 再单独造一套工具。
总结一下这件事的分量
市面上大部分语义层，是"发明一套新 API，让全世界来适配我"。
erupt-cube 反过来：“我去适配全世界早就在用的 Postgres 协议。”
前者是加法——多一个系统要维护、要接入、要培训。后者是减法——你已有的每一个 BI 工具、每一个数据库客户端、每一个 psycopg 脚本，今天就能用，零学习成本。
指标定义收敛到一处，接入方式回归到最通用的协议。这大概就是语义层本该有的样子。
下一篇,我们聊聊怎么用注解在十分钟里搭出第一个能扛十亿行的 cube。
