@clickzetta/cz-cli-darwin-arm64 0.3.19 → 0.3.21

package/bin/skills/clickzetta-sql-pipeline-manager/eval_cases.jsonl

@@ -0,0 +1,12 @@
+{"case_id":"001","type":"should_call","user_input":"帮我创建一个动态表，每 5 分钟从 raw_events 聚合数据","expected_skill":"clickzetta-sql-pipeline-manager","expected_output_contains":["CREATE DYNAMIC TABLE","REFRESH INTERVAL"]}
+{"case_id":"002","type":"should_call","user_input":"怎么创建物化视图？","expected_skill":"clickzetta-sql-pipeline-manager","expected_output_contains":["CREATE MATERIALIZED VIEW"]}
+{"case_id":"003","type":"should_call","user_input":"创建一个 Table Stream 捕获 orders 表的变更","expected_skill":"clickzetta-sql-pipeline-manager","expected_output_contains":["CREATE TABLE STREAM"]}
+{"case_id":"004","type":"should_call","user_input":"怎么暂停动态表的刷新","expected_skill":"clickzetta-sql-pipeline-manager","expected_output_contains":["ALTER","SUSPEND"]}
+{"case_id":"005","type":"should_call","user_input":"怎么查看动态表的刷新历史","expected_skill":"clickzetta-sql-pipeline-manager","expected_output_contains":["SHOW DYNAMIC TABLE REFRESH HISTORY"]}
+{"case_id":"006","type":"should_call","user_input":"帮我设计一个 Medallion 架构的数据管道","expected_skill":"clickzetta-sql-pipeline-manager","expected_output_contains":["Bronze","Silver","Gold"]}
+{"case_id":"007","type":"should_call","user_input":"从 Kafka 持续导入数据到 Lakehouse 用什么方式","expected_skill":"clickzetta-sql-pipeline-manager","expected_output_contains":["Pipe","read_kafka"]}
+{"case_id":"008","type":"should_not_call","user_input":"帮我写一个 Node.js 后端","forbidden_skill":"clickzetta-sql-pipeline-manager"}
+{"case_id":"009","type":"should_not_call","user_input":"怎么创建用户和授权","forbidden_skill":"clickzetta-sql-pipeline-manager"}
+{"case_id":"010","type":"should_not_call","user_input":"Kubernetes 怎么部署","forbidden_skill":"clickzetta-sql-pipeline-manager"}
+{"case_id":"011","type":"should_not_call","user_input":"怎么连接 Superset","forbidden_skill":"clickzetta-sql-pipeline-manager"}
+{"case_id":"012","type":"should_not_call","user_input":"帮我优化一个慢查询","forbidden_skill":"clickzetta-sql-pipeline-manager"}

package/bin/skills/clickzetta-table-stream-pipeline/eval_cases.jsonl

@@ -0,0 +1,5 @@
+{"case_id":"001","type":"should_call","user_input":"怎么创建 Table Stream 捕获表的增量变更？","expected_skill":"clickzetta-table-stream-pipeline","expected_output_contains":["CREATE TABLE STREAM","change_tracking"]}
+{"case_id":"002","type":"should_call","user_input":"Table Stream 的 STANDARD 和 APPEND_ONLY 模式有什么区别？","expected_skill":"clickzetta-table-stream-pipeline","expected_output_contains":["STANDARD","APPEND_ONLY","INSERT"]}
+{"case_id":"003","type":"should_call","user_input":"Table Stream 消费后 offset 怎么管理？","expected_skill":"clickzetta-table-stream-pipeline","expected_output_contains":["offset"]}
+{"case_id":"004","type":"should_call","user_input":"怎么用 Table Stream + MERGE 实现幂等增量消费？","expected_skill":"clickzetta-table-stream-pipeline","expected_output_contains":["MERGE","幂等"]}
+{"case_id":"005","type":"should_call","user_input":"Table Stream 的 __change_type 元数据字段有哪些值？","expected_skill":"clickzetta-table-stream-pipeline","expected_output_contains":["__change_type","INSERT","UPDATE","DELETE"]}

package/bin/skills/clickzetta-vcluster-manager/eval_cases.jsonl

@@ -0,0 +1,5 @@
+{"case_id":"001","type":"should_call","user_input":"创建分析型集群的语法是什么？需要哪些参数？","expected_skill":"clickzetta-vcluster-manager","expected_output_contains":["CREATE VCLUSTER","ANALYTICS","VCLUSTER_SIZE"]}
+{"case_id":"002","type":"should_call","user_input":"VCluster 的三种集群类型分别适合什么场景？","expected_skill":"clickzetta-vcluster-manager","expected_output_contains":["GENERAL","ANALYTICS","INTEGRATION"]}
+{"case_id":"003","type":"should_call","user_input":"分析型集群的副本扩缩容参数怎么配置？","expected_skill":"clickzetta-vcluster-manager","expected_output_contains":["MIN_REPLICAS","MAX_REPLICAS"]}
+{"case_id":"004","type":"should_call","user_input":"PRELOAD_TABLES 缓存预加载的语法和限制是什么？","expected_skill":"clickzetta-vcluster-manager","expected_output_contains":["PRELOAD_TABLES","ALTER VCLUSTER"]}
+{"case_id":"005","type":"should_call","user_input":"集群的 AUTO_SUSPEND 和 AUTO_RESUME 机制是怎样的？","expected_skill":"clickzetta-vcluster-manager","expected_output_contains":["AUTO_SUSPEND_IN_SECOND","AUTO_RESUME"]}

package/bin/skills/clickzetta-volume-manager/eval_cases.jsonl

@@ -0,0 +1,5 @@
+{"case_id":"001","type":"should_call","user_input":"我要挂载一个阿里云 OSS bucket 到 Lakehouse，需要先创建 Storage Connection，endpoint 是 oss-cn-hangzhou-internal.aliyuncs.com，帮我说明完整流程","expected_skill":"clickzetta-volume-manager","expected_output_contains":["connection","volume"]}
+{"case_id":"002","type":"should_call","user_input":"创建一个外部 Volume 叫 eval_oss_volume，挂载 oss://studio-dev-hz/，用 eval_oss_conn 连接，开启目录自动刷新","expected_skill":"clickzetta-volume-manager","expected_output_contains":["eval_oss_volume"]}
+{"case_id":"003","type":"should_call","user_input":"查看 eval_oss_volume 里有哪些文件","expected_skill":"clickzetta-volume-manager","expected_output_contains":["eval_oss_volume"]}
+{"case_id":"004","type":"should_call","user_input":"直接查询 eval_oss_volume 里的 CSV 文件，看前 10 行","expected_skill":"clickzetta-volume-manager","expected_output_contains":["eval_oss_volume"]}
+{"case_id":"005","type":"should_call","user_input":"删除 eval_oss_volume 和 eval_oss_conn，清理测试资源","expected_skill":"clickzetta-volume-manager","expected_output_contains":["eval_oss"]}

package/bin/skills/cz-cli-inner/SKILL.md

@@ -37,8 +37,8 @@ cz-cli task save-content <task> --file <f>    Save task script
 cz-cli task save-config <task>                Save task non-cron config, like retry, dependency
 cz-cli task save-cron <task>                  Save task schedule config
 cz-cli task deps <task>                       Show task dependencies (draft)
-cz-cli task online <task>                     Publish a task
-cz-cli task offline <task>                    Take task offline (irreversible)
+cz-cli task deploy <task>                     Publish/deploy a task (alias: online)
+cz-cli task undeploy <task>                   Undeploy a task, irreversible (alias: offline)
 cz-cli task execute <task>                    Execute ad-hoc
 cz-cli task delete <task>                     Delete draft/offline task
 cz-cli task flow dag <task>                   Get flow DAG
@@ -78,6 +78,7 @@ cz-cli datasource objects <name_or_id> <catalog>
                                               List objects (tables/topics/collections) in a catalog
 cz-cli datasource describe <name_or_id> <catalog> <object>
                                               Show object metadata (columns, types)
+cz-cli datasource test <name_or_id>          Test data source connectivity
 ```
 
 ## Output Formats
@@ -92,9 +93,9 @@ cz-cli datasource describe <name_or_id> <catalog> <object>
 1. **SQL is async by default**. Use `--sync` for SELECT when you need data immediately.
 2. **Write operations require `--write` flag** (INSERT/UPDATE/DELETE/CREATE/DROP).
 3. **Always pass `--type` when creating tasks** (SQL/PYTHON/SHELL/SPARK/FLOW).
-4. **Flow tasks use `task flow *` commands exclusively** — never use `task save-content` or `task online` on flow nodes.
+4. **Flow tasks use `task flow *` commands exclusively** — never use `task save-content` or `task deploy` on flow nodes.
 5. **Paginated results**: `list` commands return page 1 only. Check `ai_message` in response for next-page hints.
-6. **State-changing operations** (online/offline/execute/delete/refill): confirm intent with user first.
+6. **State-changing operations** (deploy/undeploy/execute/delete/refill): confirm intent with user first.
 7. **Multi-environment**: use `--profile <name>` to target a specific environment.
 8. **On `NO_PROFILE` error**: guide user to run `cz-cli setup`.
 

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@clickzetta/cz-cli-darwin-arm64",
-  "version": "0.3.19",
+  "version": "0.3.21",
   "description": "cz-cli binary for macOS ARM64 (Apple Silicon)",
   "os": ["darwin"],
   "cpu": ["arm64"],

package/bin/skills/clickzetta-data-ingest-pipeline/SKILL.md

@@ -1,220 +0,0 @@
----
-name: clickzetta-data-ingest-pipeline
-description: |
-  ClickZetta Lakehouse 数据导入总览与路由。根据用户的数据源类型、实时性要求、数据量等条件，
-  推荐最合适的数据导入方式，并引导到对应的专项 Skill 或直接执行简单导入操作。
-  当用户说"导入数据到 Lakehouse"、"数据入仓"、"数据入湖"、"怎么把数据导进来"、
-  "数据采集"、"数据加载"、"ingest data"、"load data"、"数据导入方案选择"时触发。
-  Keywords: data ingestion, import, routing, pipeline selection, data source
----
-
-# Lakehouse 数据导入总览与路由
-
-根据用户的数据源、实时性需求、数据规模等条件，推荐最合适的数据导入方式，
-并路由到对应的专项 Pipeline Skill 或直接执行简单导入操作。
-
-## 适用场景
-
-- 用户想把数据导入 ClickZetta Lakehouse，但不确定用哪种方式
-- 用户描述了数据源（Kafka、MySQL、OSS、文件等），需要推荐导入方案
-- 用户需要了解各种导入方式的适用场景和差异
-- 关键词：数据导入、数据入仓、数据入湖、数据采集、数据加载、pipeline 选择
-
-## 前置依赖
-
-- ClickZetta Lakehouse 账户，具备创建工作空间、Schema、表、PIPE、任务等权限
-- **执行环境（满足其一即可，优先使用 cz-cli）**：
-  - **cz-cli 路径**：已安装 cz-cli（`pip install cz-cli`），并完成 `cz-cli configure` 配置
-  - **MCP 路径**：clickzetta-studio-mcp 或 clickzetta-mcp-server 工具可用（`LH_execute_query`、`create_task`、`save_integration_task` 等）
-
-## 环境探测（执行前必读）
-
-在开始任何操作前，先判断当前执行环境：
-
-**第一步：检测 cz-cli 是否可用**
-```bash
-cz-cli --version
-```
-- 若命令存在 → **走 cz-cli 路径**（见本文档末尾"cz-cli 替代路径"章节，以及各专项 Skill 的 cz-cli 替代路径）
-- 若命令不存在 → 继续检测 MCP
-
-**第二步：检测 MCP 是否可用（仅在 cz-cli 不可用时）**
-
-尝试调用 `LH_execute_query` 工具执行一条简单 SQL（如 `SELECT 1`）。
-- 若工具存在于 tool list → **走 MCP 路径**（本文档默认路径）
-- 若工具不存在 → 停止执行，提示用户：
-  > "当前环境既无 cz-cli 也无 MCP 工具，请安装其中之一后重试。
-  > cz-cli 安装：`pip install cz-cli`，然后运行 `cz-cli configure`
-  > MCP 安装：参考 clickzetta-studio-mcp 或 clickzetta-mcp-server 配置文档"
-
-## 数据导入方式决策树
-
-### 步骤 1：确认数据源类型和需求
-
-向用户收集以下信息：
-
-1. **数据源类型**：Kafka / 对象存储(OSS/S3/COS) / 关系型数据库(MySQL/PostgreSQL/SQL Server) / 本地文件 / URL/Web 文件 / Java SDK / ZettaPark
-2. **实时性要求**：实时（秒级延迟）/ 准实时（分钟级）/ 离线批量（小时/天级）
-3. **同步范围**：单表 / 多表 / 整库
-4. **是否需要持续同步**：一次性导入 / 持续增量同步
-5. **是否需要 CDC（变更数据捕获）**：是 / 否
-
-### 步骤 2：根据决策矩阵推荐方案
-
-| 数据源 | 实时性 | 同步范围 | 推荐方式 | 对应 Skill |
-|--------|--------|---------|---------|-----------|
-| Kafka | 实时/准实时 | 单 topic | Kafka PIPE 持续导入（SQL） | `clickzetta-kafka-ingest-pipeline` |
-| Kafka | 实时 | 多 topic | Studio 实时同步 | `clickzetta-realtime-sync-pipeline` |
-| 对象存储 (OSS/S3/COS) | 准实时/批量 | 文件持续到达 | PIPE 持续导入 | `clickzetta-oss-ingest-pipeline` |
-| 对象存储 | 一次性 | 批量文件 | COPY INTO 命令 | `clickzetta-file-import-pipeline`（COPY INTO 部分） |
-| MySQL/PostgreSQL/SQL Server | 实时 CDC | 单表 | Studio 实时同步 | `clickzetta-realtime-sync-pipeline` |
-| MySQL/PostgreSQL/SQL Server | 实时 CDC | 多表/整库 | Studio 多表实时同步 | `clickzetta-cdc-sync-pipeline` |
-| MySQL/PostgreSQL/SQL Server | 离线批量 | 单表 | Studio 离线同步 | `clickzetta-batch-sync-pipeline` |
-| MySQL/PostgreSQL/SQL Server | 离线批量 | 多表 | Studio 多表离线同步 | `clickzetta-batch-sync-pipeline` |
-| 本地文件 / URL | 一次性 | 单文件/多文件 | URL 下载 + COPY INTO | `clickzetta-file-import-pipeline` |
-| 流式增量计算 | 准实时 | 表变更驱动 | Dynamic Table + Stream | `clickzetta-incremental-compute-pipeline` |
-| Java 应用 | 实时/批量 | 程序写入 | Java SDK | （见下方 SDK 导入指引） |
-| Python/ZettaPark | 批量 | DataFrame | ZettaPark save_as_table | （见下方 SDK 导入指引） |
-
-### 步骤 3：路由到专项 Skill 或直接执行
-
-根据推荐方案，执行以下路由逻辑：
-
-**有对应专项 Skill 的场景** → 告知用户推荐方案，引导使用对应 Skill：
-- `clickzetta-kafka-ingest-pipeline`：Kafka PIPE 管道搭建
-- `clickzetta-oss-ingest-pipeline`：对象存储 PIPE 管道搭建
-- `clickzetta-batch-sync-pipeline`：Studio 离线同步任务
-- `clickzetta-realtime-sync-pipeline`：Studio 实时同步任务
-- `clickzetta-cdc-sync-pipeline`：Studio 多表实时同步（CDC）
-- `clickzetta-incremental-compute-pipeline`：Dynamic Table + Stream 增量计算管道
-- `clickzetta-file-import-pipeline`：URL/文件下载导入
-- `clickzetta-table-stream-pipeline`：Table Stream 变更数据捕获
-
-**无专项 Skill 的简单场景** → 直接执行：
-
-#### SQL INSERT 导入（小数据量）
-```sql
--- 使用 LH_execute_query 执行
-INSERT INTO schema_name.table_name (col1, col2, col3)
-VALUES ('val1', 'val2', 'val3');
-```
-
-#### COPY INTO 快速导入（从 Volume）
-```sql
--- 1. 确认 Volume 中有文件
-SHOW VOLUME DIRECTORY volume_name;
-
--- 2. 执行 COPY INTO
-COPY INTO schema_name.table_name
-FROM VOLUME volume_name
-USING CSV
-OPTIONS('header' = 'true');
-```
-
-#### Java SDK 导入指引
-提供 Java SDK 的关键配置信息：
-- Maven 依赖坐标
-- 连接配置（endpoint、workspace、schema、vcluster）
-- 批量写入 API：`BulkloadWriter`
-- 实时写入 API：`RealtimeWriter`
-- 建议用户参考官方文档：`comprehensive_guide_to_ingesting_javasdk_buckload_realtime`
-
-#### ZettaPark (Python) 导入指引
-- `INSERT` 方式：`session.sql("INSERT INTO ...")`
-- `save_as_table` 方式：`df.write.save_as_table("table_name")`
-- 建议用户参考官方文档：`comprehensive_guide_to_ingesting_zettapark_save_as_table`
-
-## 数据入仓 vs 数据入湖
-
-| 维度 | 数据入仓 | 数据入湖 |
-|------|---------|---------|
-| 目标 | Lakehouse 托管表 | 用户 Volume（对象存储） |
-| 格式 | 自动转为内部列式格式 | 保持原始文件格式 |
-| 查询性能 | 高（列式存储 + 索引） | 较低（需扫描原始文件） |
-| 适用场景 | 分析查询、BI 报表、数据仓库 | 数据暂存、原始数据归档、跨系统共享 |
-| 常用方式 | Studio 同步、PIPE、COPY INTO、SDK | PUT 文件、Python 脚本上传 |
-
-## 示例
-
-### 示例 1：用户不确定导入方式
-
-用户说："我有一个 MySQL 数据库，想把里面的订单表实时同步到 Lakehouse"
-
-路由逻辑：
-1. 数据源：MySQL（关系型数据库）
-2. 实时性：实时
-3. 同步范围：单表
-4. 需要 CDC：是（实时同步意味着需要捕获变更）
-→ 推荐：Studio 实时同步
-→ 路由到 `clickzetta-realtime-sync-pipeline` Skill
-
-### 示例 2：多种数据源混合场景
-
-用户说："我们有 Kafka 的用户行为日志，还有 MySQL 的业务数据，都要导入 Lakehouse"
-
-路由逻辑：
-1. Kafka 用户行为日志 → `clickzetta-kafka-ingest-pipeline`（PIPE 持续导入）
-2. MySQL 业务数据 → 确认实时性需求：
-   - 实时 → `clickzetta-realtime-sync-pipeline` 或 `clickzetta-cdc-sync-pipeline`
-   - 离线 → `clickzetta-batch-sync-pipeline`
-→ 分别引导到对应 Skill
-
-### 示例 3：简单的一次性文件导入
-
-用户说："我有一个 CSV 文件要导入"
-
-路由逻辑：
-1. 数据源：本地文件
-2. 一次性导入
-→ 路由到 `clickzetta-file-import-pipeline` Skill（支持文件上传 + COPY INTO）
-
-## 错误处理
-
-| 场景 | 处理方式 |
-|------|---------|
-| 用户无法确定数据源类型 | 询问数据当前存储位置（哪个系统/服务），帮助判断 |
-| 用户需求跨多种导入方式 | 拆分为多个独立的导入任务，分别路由到对应 Skill |
-| 推荐的 Skill 尚未创建 | 提供该导入方式的基本步骤和关键 SQL/API，引导用户参考官方文档 |
-| 用户的云环境不支持某种连接 | 使用 `LH_show_object_list`（object_type=CONNECTIONS）检查可用连接类型，推荐替代方案 |
-| 数据量极大（TB 级） | 建议分批导入，优先使用 PIPE 或 Studio 同步任务（支持断点续传） |
-
-## 注意事项
-
-- 本 Skill 是路由入口，不直接执行复杂的 pipeline 搭建，而是引导到专项 Skill
-- 对于简单场景（SQL INSERT、单次 COPY INTO），可以直接在本 Skill 中完成
-- 推荐方案时需考虑用户的云环境（阿里云/腾讯云/AWS），不同环境支持的连接类型可能不同
-- 使用 `LH_show_object_list`（object_type=VCLUSTERS）确认可用的虚拟集群，同步任务需要 SYNC 类型的 VCluster
-- 数据入仓是最常见的场景，数据入湖主要用于原始数据暂存或跨系统共享
-
----
-
-## cz-cli 替代路径
-
-> 仅在 cz-cli 可用且 MCP 不可用时使用本节。
-> 本 Skill 是路由入口，cz-cli 路径的核心逻辑在各专项 Skill 的"cz-cli 替代路径"章节中。
-
-### 路由说明
-
-当 MCP 不可用时，各专项 Skill 均已提供 cz-cli 替代路径：
-
-| 数据源 | 推荐方式 | 对应 Skill 的 cz-cli 路径 |
-|--------|---------|--------------------------|
-| Kafka | PIPE 持续导入 | `clickzetta-kafka-ingest-pipeline` → cz-cli 替代路径 |
-| 对象存储 (OSS/S3/COS) | PIPE 持续导入 | `clickzetta-oss-ingest-pipeline` → cz-cli 替代路径 |
-| MySQL/PostgreSQL/SQL Server（实时单表） | Studio 实时同步 | `clickzetta-realtime-sync-pipeline` → cz-cli 替代路径 |
-| MySQL/PostgreSQL/SQL Server（实时多表/整库） | Studio 多表实时同步 | `clickzetta-cdc-sync-pipeline` → cz-cli 替代路径 |
-| MySQL/PostgreSQL/SQL Server（离线批量） | Studio 离线同步 | `clickzetta-batch-sync-pipeline` → cz-cli 替代路径 |
-
-### 简单场景直接执行（cz-cli 版）
-
-对于无需专项 Skill 的简单场景，可直接用 cz-cli agent 完成：
-
-```bash
-# SQL INSERT 导入（小数据量）
-cz-cli agent run "向表 <schema_name>.<table_name> 插入数据：<col1>=<val1>, <col2>=<val2>" \
-  --format a2a --dangerously-skip-permissions
-
-# COPY INTO 快速导入（从 Volume）
-cz-cli agent run "从 Volume <volume_name> 以 CSV 格式（有 header）将数据导入表 <schema_name>.<table_name>" \
-  --format a2a --dangerously-skip-permissions
-```

package/bin/skills/clickzetta-data-ingest-pipeline/eval_cases.jsonl

@@ -1,5 +0,0 @@
-{"case_id":"001","type":"should_call","user_input":"我想把数据导入 Lakehouse，但不确定用哪种方式","expected_skill":"clickzetta-data-ingest-pipeline","expected_output_contains":["数据源","实时","批量"]}
-{"case_id":"002","type":"should_call","user_input":"数据入仓有哪些方案？怎么选择？","expected_skill":"clickzetta-data-ingest-pipeline","expected_output_contains":["Kafka","对象存储","MySQL"]}
-{"case_id":"003","type":"should_call","user_input":"我有 MySQL 和 Kafka 两个数据源要导入 Lakehouse，分别用什么方式？","expected_skill":"clickzetta-data-ingest-pipeline","expected_output_contains":["CDC"]}
-{"case_id":"004","type":"should_call","user_input":"数据导入方案怎么选？实时和离线有什么区别？","expected_skill":"clickzetta-data-ingest-pipeline","expected_output_contains":["实时","离线","延迟"]}
-{"case_id":"005","type":"should_call","user_input":"ingest data into ClickZetta Lakehouse, what options do I have?","expected_skill":"clickzetta-data-ingest-pipeline","expected_output_contains":["Kafka","OSS","SDK"]}