@clickzetta/cz-cli-darwin-arm64 0.3.40 → 0.3.41

package/bin/skills/clickzetta-realtime-sync-pipeline/SKILL.md

@@ -0,0 +1,323 @@
+---
+name: clickzetta-realtime-sync-pipeline
+description: |
+  创建和管理 ClickZetta Lakehouse 实时同步任务（单表），将外部数据源的数据实时同步到 Lakehouse。
+  支持 Kafka、MySQL、PostgreSQL 等数据源作为来源端，Lakehouse 作为目标端。
+  实时同步任务为持续运行的流式任务，无需配置调度策略，提交后即持续运行。
+  当用户说"Studio 实时同步"、"realtime sync"、"单表 CDC 同步"、"实时数据同步"、"Kafka 实时同步到 Lakehouse"、
+  "MySQL 单表实时同步"、"单表实时同步"、"实时数据迁移"时触发。
+  包含实时同步任务创建、数据源配置、字段映射（含 JSONPath 计算列）、部署运维等
+  ClickZetta Studio 特有逻辑。
+  Keywords: real-time sync, single table, Kafka source, MySQL source, streaming
+---
+
+# 实时同步（单表）Pipeline 工作流
+
+## 向导：收集必要信息
+
+开始创建实时同步任务前，优先使用交互式问答工具（如 `question`）收集以下信息并弹出选项菜单；若无此类工具，则用文字一次性列出所有问题：
+
+```
+question({
+  questions: [
+    {
+      question: "数据源类型？",
+      options: [
+        { label: "Kafka", description: "Kafka Topic 实时接入，支持 JSON 消息解析" },
+        { label: "MySQL / Aurora MySQL", description: "单表 CDC 实时同步" },
+        { label: "PostgreSQL / Aurora PG", description: "单表 CDC 实时同步" },
+        { label: "SQL Server", description: "单表 CDC 实时同步" }
+      ]
+    },
+    {
+      question: "同步粒度？",
+      options: [
+        { label: "单表/单 Topic", description: "本 skill 支持，精细化配置" },
+        { label: "整库/多表", description: "建议改用 clickzetta-cdc-sync-pipeline" }
+      ]
+    }
+  ]
+})
+```
+
+**如果用户已经提供了足够信息，直接进入工作流，不再弹出菜单。**
+
+---
+
+## 适用场景
+
+- 将外部数据源的数据实时同步到 Lakehouse（低延迟、持续运行）
+- Kafka Topic → Lakehouse 表（支持 JSON 消息解析）
+- MySQL / PostgreSQL / SQL Server 等数据库 → Lakehouse 表（CDC 变更捕获）
+- 数据时效性要求高，需要秒级或分钟级延迟
+- 单张源表/Topic 到单张目标表的实时同步
+- 关键词：实时同步、CDC、流式同步、realtime sync、Kafka 实时同步
+
+## 与其他同步方式的区别
+
+| 维度 | 实时同步（本 Skill） | 离线同步 | 多表实时同步 |
+|------|---------------------|---------|------------|
+| 任务类型 ID | `14`（REALTIME/CDC） | `10` / `291` | `281` |
+| 同步粒度 | 单表/单 Topic | 单表/多表 | 整库/多表 |
+| 运行模式 | 持续运行（流式） | 周期调度（批量） | 持续运行（流式） |
+| 调度策略 | 无需配置，提交即运行 | 需配置 Cron 表达式 | 无需配置，提交即运行 |
+| 延迟 | 秒级~分钟级 | 取决于调度周期 | 秒级~分钟级 |
+| 适用 Skill | `clickzetta-realtime-sync-pipeline` | `clickzetta-batch-sync-pipeline` | `clickzetta-cdc-sync-pipeline` |
+
+## 前置依赖
+
+- ClickZetta Lakehouse Studio 账户，具备创建同步任务、目标表的权限
+- 源端数据源已在 Studio 中配置（Kafka / MySQL / PostgreSQL / SQL Server 等）
+- 目标端 Lakehouse 数据源可用
+- Sync VCluster 可用（实时同步任务 task_type=14 需要 Sync VCluster）
+- **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（`brew install cz-cli 或参考官方文档安装`），并完成 `cz-cli setup` 配置
+  - **MCP 路径**：clickzetta-studio-mcp 工具可用（`create_task`、`save_integration_task`、`publish_task`、`list_data_sources`、`LH_show_object_list` 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）
+- 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 `list_data_sources` 工具查询数据源列表。
+- 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：`brew install cz-cli 或参考官方文档安装`，然后运行 `cz-cli setup`
+  > MCP 安装：参考 clickzetta-studio-mcp 配置文档"
+
+## 工作流
+
+### 步骤 1：确认 Sync VCluster 可用
+
+```
+使用 LH_show_object_list（object_type='VCLUSTERS'）查看可用虚拟集群。
+筛选 vcluster_type 包含 SYNC 的集群。
+如无可用 Sync VCluster，需先创建后再继续。
+```
+
+### 步骤 2：查找可用数据源
+
+```
+使用 list_data_sources 查看已配置的数据源列表。
+按类型过滤：
+- Kafka: ds_type=2
+- MySQL: ds_type=5
+- PostgreSQL: ds_type=7
+- SQL Server: ds_type=8
+记录源端 datasource_name 和目标端 Lakehouse datasource_name。
+```
+
+### 步骤 3：探查源端数据结构（可选）
+
+```
+使用 list_namespaces 查看源端数据源的命名空间（数据库/Schema）。
+使用 list_metadata_objects 查看命名空间下的表/Topic 列表。
+使用 get_metadata_detail 查看具体表/Topic 的字段结构。
+```
+
+### 步骤 4：创建实时同步任务
+
+```
+使用 create_task 创建任务：
+- task_type: 14（实时同步）
+- task_name: 自定义任务名称（建议包含源和目标信息，如 "rt_sync_kafka_orders"）
+- data_folder_id: 目标文件夹 ID（可通过 list_folders 获取）
+
+记录返回的 task_id 和 studio_url。
+```
+
+### 步骤 5：配置同步内容
+
+```
+使用 save_integration_task 配置同步：
+- task_id: 步骤 4 返回的任务 ID
+- source_datasource_name: 源端数据源名称
+- source_schema: 源端数据库/Schema（Kafka 场景为 Topic 所在命名空间）
+- source_table: 源端表名或 Kafka Topic 名称
+- source_ds_type: 源端类型（2=Kafka, 5=MySQL, 7=PostgreSQL, 8=SQL Server）
+- sink_datasource_name: 目标 Lakehouse 数据源名称
+- sink_schema: 目标 Schema（默认 public）
+- sink_table: 目标表名（可选，默认与源表同名）
+- sink_ds_type: 1（Lakehouse）
+```
+
+> **说明**：系统会自动获取源端和目标端的元数据，生成字段映射。如目标表不存在，会自动创建。
+
+### 步骤 6：Kafka JSON 消息解析（Kafka 数据源专用）
+
+如果 Kafka Topic 的消息格式为 JSON，可在 Studio UI 中通过新增计算列解析嵌套字段：
+
+- 使用 JSONPath 规则解析 value 字段中的内容
+- 示例：`$.id` 提取顶层 id 字段，`$.data.code` 提取嵌套字段
+- 默认使用 Kafka Topic 内置字段（key、value、timestamp、partition、offset）进行映射
+- 计算列配置需在 Studio UI 中完成（通过 studio_url 打开）
+
+### 步骤 7：提交部署
+
+```
+实时同步任务不需要配置调度策略（无需调用 save_task_configuration）。
+直接使用 publish_task 提交任务：
+- task_id: 任务 ID
+- task_version: 当前版本号（通过 get_task_detail 获取）
+
+提交后任务即开始持续运行。
+```
+
+> **重要**：实时同步任务不支持开发状态下的测试运行，提交即为正式部署。
+
+### 步骤 8：运维监控
+
+```
+提交后在运维中心管理实时同步任务：
+
+查看任务状态：get_task_detail
+查看运行记录：list_task_run（注意实时任务为持续运行，不同于离线任务的周期实例）
+
+Studio UI 中可进行：
+- 启动/停止任务
+- 查看同步延迟和吞吐量
+- 查看错误日志
+```
+
+---
+
+## 支持的数据源
+
+### 来源端
+
+| 数据源 | ds_type | 说明 |
+|--------|---------|------|
+| Kafka | 2 | 支持 JSON 消息解析（JSONPath 计算列） |
+| MySQL | 5 | CDC 变更捕获 |
+| PostgreSQL | 7 | CDC 变更捕获 |
+| SQL Server | 8 | CDC 变更捕获 |
+| Aurora MySQL | 39 | CDC 变更捕获 |
+| Aurora PostgreSQL | 40 | CDC 变更捕获 |
+| PolarDB MySQL | 19 | CDC 变更捕获 |
+| PolarDB PostgreSQL | 48 | CDC 变更捕获 |
+
+### 目标端
+
+| 数据源 | ds_type |
+|--------|---------|
+| Lakehouse | 1 |
+
+## 故障排除
+
+| 问题 | 排查方向 |
+|------|---------|
+| 任务创建失败 | 检查是否有可用的 Sync VCluster（`LH_show_object_list` 查看 VCLUSTERS，筛选 SYNC 类型） |
+| 源端连接失败 | 检查数据源配置中的连接信息、网络可达性、账号权限 |
+| Kafka 消费无数据 | 检查 Topic 名称是否正确、消费位点设置、Kafka 集群连通性 |
+| JSON 解析失败 | 检查 JSONPath 表达式是否正确、消息格式是否为合法 JSON |
+| 同步延迟增大 | 检查 Sync VCluster 资源是否充足、源端数据量是否突增 |
+| 目标表写入失败 | 检查目标表是否存在、字段类型是否兼容、权限是否充足 |
+| 任务异常停止 | 查看执行日志（`list_executions` + `get_execution_log`）排查具体错误 |
+
+## 注意事项
+
+### 运行模式
+
+- 实时同步任务为持续运行的流式任务，提交后即开始运行，无需配置调度
+- 不支持开发状态下的测试运行
+- 停止后需手动重新启动
+
+### Sync VCluster 要求
+
+- 实时同步任务（task_type=14）必须使用 Sync VCluster
+- 创建任务前需确认有可用的 Sync VCluster
+- 可通过 `LH_show_object_list`（object_type='VCLUSTERS'）查看，筛选 vcluster_type 包含 SYNC 的集群
+
+### Kafka 数据源特殊说明
+
+- 支持指定消费起始位点（earliest / latest / 指定 offset）
+- JSON 消息可通过 JSONPath 计算列解析嵌套字段
+- 默认字段包括：key、value、timestamp、partition、offset
+
+### 与多表实时同步的选择
+
+- 单表实时同步（本 Skill）：适合单张表/Topic 的精细化同步
+- 多表实时同步（`clickzetta-cdc-sync-pipeline`）：适合整库 CDC、多表批量实时同步
+- 如需同步整个数据库的所有表，建议使用多表实时同步
+
+---
+
+## cz-cli 替代路径
+
+> 仅在 cz-cli 可用且 MCP 不可用时使用本节。步骤编号与上方 MCP 路径对应。
+> 所有操作通过 `cz-cli agent run` 委托给内置 agent 完成，agent 内置完整的 Studio MCP 工具访问能力。
+
+### 单表实时同步（cz-cli 版）
+
+**快速路径**：直接创建任务，然后在 Studio UI 配置数据源
+
+```bash
+# 步骤 1：创建实时同步任务（task_type=14，即 REALTIME/CDC）
+cz-cli task create "rt_sync_<table>" --type REALTIME --folder <folder_name>
+# 返回 task_id 和 studio_url，在 studio_url 中完成数据源配置和字段映射
+
+# 步骤 2：配置完成后，发布任务（实时同步无需配置调度，提交即持续运行）
+cz-cli task deploy "rt_sync_<table>" -y
+```
+
+**完整 agent 路径**（需要 agent 完成数据源探查和配置）：
+
+```bash
+# 一键完成：让 agent 完成完整的实时同步任务创建
+cz-cli agent run "创建实时同步任务（task_type=14），将数据源 <source_ds_name> 中 <schema>.<table>（或 Kafka topic <topic>）实时同步到 Lakehouse public schema，使用 Sync VCluster，任务名 rt_sync_<table>，放在 <folder_name> 文件夹下" \
+  --format a2a --dangerously-skip-permissions
+```
+
+对于需要精细控制的场景，可拆分步骤：
+
+```bash
+# 步骤 1：确认 Sync VCluster 可用
+cz-cli agent run "列出所有可用的 VCluster，筛选 vcluster_type 包含 SYNC 的集群，确认有可用的 Sync VCluster" \
+  --format a2a --dangerously-skip-permissions
+
+# 步骤 2：查找数据源
+cz-cli agent run "列出所有已配置的数据源，按类型过滤（Kafka: ds_type=2, MySQL: ds_type=5, PostgreSQL: ds_type=7, SQL Server: ds_type=8），记录源端和目标端 Lakehouse 数据源名称" \
+  --format a2a --dangerously-skip-permissions
+
+# 步骤 3（可选）：探查源端数据结构
+cz-cli agent run "查看数据源 <source_ds_name> 的命名空间列表，以及 <schema> 下的表/Topic 列表和字段结构" \
+  --format a2a --dangerously-skip-permissions
+
+# 步骤 4-5：创建并配置实时同步任务
+cz-cli agent run "创建实时同步任务（task_type=14），源端 datasource=<source_ds_name>，schema=<schema>，table=<table>（source_ds_type=<type>），目标 Lakehouse public.<table>，任务名 rt_sync_<table>" \
+  --format a2a --dangerously-skip-permissions
+
+# 步骤 7：提交部署
+cz-cli agent run "提交实时同步任务 rt_sync_<table>，使其开始持续运行" \
+  --format a2a --dangerously-skip-permissions
+```
+
+> **注意**：实时同步任务不需要配置调度策略，提交即开始持续运行。Kafka JSON 消息的计算列配置需在 Studio UI 中完成。
+
+---
+
+### 运维监控（cz-cli 版）
+
+```bash
+# 查看最近运行记录
+cz-cli runs list --task <task_name>
+
+# 查看运行详情
+cz-cli runs detail <run_id>
+
+# 查看执行日志
+cz-cli attempts log <run_id>
+
+# 下线任务（停止持续运行）
+cz-cli task undeploy <task_name> -y
+```
+

package/bin/skills/clickzetta-realtime-sync-pipeline/eval_cases.jsonl

@@ -0,0 +1,5 @@
+{"case_id":"001","type":"should_call","user_input":"怎么用 Studio 创建单表实时同步任务？","expected_skill":"clickzetta-realtime-sync-pipeline","expected_output_contains":["实时同步","task_type","28"]}
+{"case_id":"002","type":"should_call","user_input":"Kafka 单个 topic 实时同步到 Lakehouse 表怎么配置？","expected_skill":"clickzetta-realtime-sync-pipeline","expected_output_contains":["Kafka","实时同步"]}
+{"case_id":"003","type":"should_call","user_input":"单表实时同步和多表实时同步有什么区别？","expected_skill":"clickzetta-realtime-sync-pipeline","expected_output_contains":["单表","多表","28","281"]}
+{"case_id":"004","type":"should_call","user_input":"MySQL 单表 CDC 实时同步到 Lakehouse 怎么做？","expected_skill":"clickzetta-realtime-sync-pipeline","expected_output_contains":["MySQL","实时同步","CDC"]}
+{"case_id":"005","type":"should_call","user_input":"实时同步任务需要配置调度策略吗？","expected_skill":"clickzetta-realtime-sync-pipeline","expected_output_contains":["无需配置","持续运行"]}

package/bin/skills/clickzetta-semantic-view/SKILL.md

@@ -0,0 +1,207 @@
+---
+name: clickzetta-semantic-view
+description: |
+  创建和查询 ClickZetta Lakehouse 语义视图（Semantic View）。语义视图是架构级逻辑
+  数据模型对象，通过声明逻辑表、维度、指标、过滤器，将复杂的多表 JOIN 和聚合逻辑封装
+  为业务友好的语义层，使用 semantic_view() 函数查询，无需手写 JOIN。
+  当前为邀测功能（1.3 版本起）。
+  当用户说"创建语义视图"、"semantic view"、"语义层"、"定义指标"、"定义维度"、
+  "semantic_view() 怎么用"、"统一指标口径"、"业务语义模型"、"逻辑表"、
+  "DIMENSIONS"、"METRICS"、"FILTERS"、"DROP SEMANTIC VIEW"、
+  "SHOW SEMANTIC VIEWS"时触发。
+  Keywords: semantic view, dimension, metric, logical model, unified metrics, semantic layer
+---
+
+# ClickZetta 语义视图（Semantic View）
+
+阅读 [references/semantic-view-reference.md](references/semantic-view-reference.md) 了解完整语法。
+
+---
+
+## 概述
+
+语义视图是 ClickZetta Lakehouse 的**架构级逻辑数据模型对象**，解决两类核心问题：
+
+- **数据分析**：统一维度和指标定义，业务用户无需编写复杂 JOIN 即可查询跨表数据
+- **数据治理**：集中管理表关系、维度、指标定义，确保全组织使用相同数据口径
+
+> ⚠️ 当前为**邀测功能**（1.3 版本），需联系技术支持开通。
+
+---
+
+## 四大组件
+
+| 组件 | 关键字 | 说明 |
+|---|---|---|
+| 逻辑表 | `TABLES` | 映射物理表，声明主键和外键关系，引擎自动处理 JOIN |
+| 维度 | `DIMENSIONS` | 分类属性（谁/什么/哪里/何时），支持计算维度 |
+| 指标 | `METRICS` | 聚合度量（SUM/AVG/COUNT/MIN/MAX），业务 KPI |
+| 过滤器 | `FILTERS` | 预定义可重用过滤条件（语义注解，不可直接传入查询） |
+
+---
+
+## 创建语义视图
+
+```sql
+CREATE SEMANTIC VIEW <视图名>
+TABLES (
+    <表别名> AS <schema>.<物理表>
+        PRIMARY KEY (<列名>)
+        [ FOREIGN KEY (<列名>) REFERENCES <其他表别名> ]
+        [ WITH SYNONYMS ('<同义词>') ]
+        [ COMMENT = '<说明>' ]
+    [ , ... ]
+)
+[ FILTERS (
+    <表别名>.<过滤器名> AS <布尔表达式>
+    [ , ... ]
+) ]
+DIMENSIONS (
+    { <表别名>.<维度名> | <维度名> } AS <表达式>
+        [ WITH SYNONYMS = ('<同义词>' [ , ... ]) ]
+        [ is_unique = { true | false } ]
+        [ is_time = { true | false } ]
+        [ enum_values = [ <值1>, <值2>, ... ] ]
+        [ COMMENT = '<说明>' ]
+    [ , ... ]
+)
+METRICS (
+    <表别名>.<指标名> AS <聚合表达式>
+        [ COMMENT = '<说明>' ]
+    [ , ... ]
+)
+[ COMMENT = '<视图说明>' ];
+```
+
+### 完整示例（TPC-H 收入分析）
+
+```sql
+DROP SEMANTIC VIEW IF EXISTS tpch_rev_analysis;
+CREATE SEMANTIC VIEW tpch_rev_analysis
+TABLES (
+    customers AS tpch.customer
+        PRIMARY KEY (c_custkey)
+        COMMENT = '客户主表',
+    orders AS tpch.orders
+        PRIMARY KEY (o_orderkey)
+        FOREIGN KEY (o_custkey) REFERENCES customers
+        WITH SYNONYMS ('销售订单')
+        COMMENT = '订单表',
+    line_items AS tpch.lineitem
+        PRIMARY KEY (l_orderkey, l_linenumber)
+        FOREIGN KEY (l_orderkey) REFERENCES orders
+        COMMENT = '订单明细'
+)
+FILTERS (
+    customers.is_building AS customers.c_mktsegment = 'BUILDING'
+)
+DIMENSIONS (
+    customers.customer_name AS c_name
+        WITH SYNONYMS = ('客户名称', 'customer name')
+        is_unique = true
+        COMMENT = '客户名称',
+    orders.order_date AS o_orderdate
+        is_time = true
+        COMMENT = '下单日期',
+    orders.order_year AS YEAR(o_orderdate)
+        COMMENT = '下单年份',
+    orders.order_status AS o_orderstatus
+        enum_values = ['O', 'F', 'P']
+        COMMENT = '订单状态'
+)
+METRICS (
+    customers.customer_count AS COUNT(c_custkey)
+        COMMENT = '客户总数',
+    orders.avg_order_value AS AVG(o_totalprice)
+        COMMENT = '平均订单金额',
+    orders.total_revenue AS SUM(o_totalprice)
+        COMMENT = '总收入'
+)
+COMMENT = '收入分析语义视图';
+```
+
+---
+
+## 查询语义视图
+
+使用 `semantic_view()` 表函数，**无需手写 JOIN 和 GROUP BY**：
+
+```sql
+-- 基础查询：按订单日期统计平均订单金额
+SELECT * FROM semantic_view(
+    tpch_rev_analysis,
+    DIMENSIONS orders.order_date,
+    METRICS orders.avg_order_value
+);
+
+-- 多维度查询：按日期和客户名称
+SELECT * FROM semantic_view(
+    tpch_rev_analysis,
+    DIMENSIONS orders.order_date,
+    DIMENSIONS customers.customer_name,
+    METRICS orders.avg_order_value
+);
+
+-- 使用短名称（名称唯一时可省略表别名前缀）
+SELECT * FROM semantic_view(
+    tpch_rev_analysis,
+    DIMENSIONS order_date,
+    DIMENSIONS customer_name,
+    METRICS avg_order_value
+);
+
+-- 加 WHERE 过滤（需将过滤列定义为 DIMENSION）
+SELECT * FROM semantic_view(
+    tpch_rev_analysis,
+    DIMENSIONS customers.customer_name,
+    DIMENSIONS orders.order_status,
+    METRICS orders.total_revenue
+) WHERE order_status = 'O';
+```
+
+### 与传统 SQL 对比
+
+```sql
+-- 传统 SQL（需手写 JOIN + GROUP BY）
+SELECT o.o_orderdate, c.c_name, AVG(o.o_totalprice)
+FROM tpch.orders o
+JOIN tpch.customer c ON o.o_custkey = c.c_custkey
+GROUP BY o.o_orderdate, c.c_name;
+
+-- 语义视图（自动处理 JOIN 和聚合）
+SELECT * FROM semantic_view(
+    tpch_rev_analysis,
+    DIMENSIONS order_date,
+    DIMENSIONS customer_name,
+    METRICS avg_order_value
+);
+```
+
+---
+
+## 管理命令
+
+```sql
+-- 删除（推荐先删再建，确保幂等）
+DROP SEMANTIC VIEW IF EXISTS tpch_rev_analysis;
+
+-- 列出当前 Schema 的所有语义视图
+SHOW SEMANTIC VIEWS;
+SHOW SEMANTIC VIEWS IN my_schema;
+
+-- 查看详细定义（逻辑表、维度、指标、外键）
+DESC EXTENDED tpch_rev_analysis;
+```
+
+---
+
+## 注意事项
+
+1. **TABLES 定义顺序**：被外键引用的表必须先定义（如 `customers` 必须在 `orders` 之前）
+2. **FILTERS 是语义注解**：`FILTERS` 中的命名过滤器不能作为 `semantic_view()` 的参数，WHERE 子句只能引用 `DIMENSIONS` 中定义的列名（短名），不能用物理列名
+3. **WHERE 只能用 DIMENSION 短名**：`WHERE customer_name = 'Alice'` ✅，`WHERE c_name = 'Alice'` ❌
+4. **短名称 vs 限定名称**：名称在视图内唯一时可用短名称，有冲突时必须用 `表别名.名称`
+5. **幂等创建**：始终先 `DROP SEMANTIC VIEW IF EXISTS` 再创建，避免重复执行报错
+6. **计算维度**：DIMENSIONS 支持表达式，如 `YEAR(CAST(order_date AS DATE))` 提取年份
+7. **指标聚合函数**：仅支持 `COUNT`、`AVG`、`SUM`、`MIN`、`MAX`
+8. **DIMENSIONS 和 METRICS 可单独使用**：可以只查 METRICS（全局聚合），也可以只查 DIMENSIONS（去重列表）

package/bin/skills/clickzetta-semantic-view/eval_cases.jsonl

@@ -0,0 +1,12 @@
+{"case_id":"001","type":"should_call","user_input":"怎么创建语义视图","expected_skill":"clickzetta-semantic-view","expected_output_contains":["CREATE SEMANTIC VIEW"]}
+{"case_id":"002","type":"should_call","user_input":"semantic_view() 函数怎么查询","expected_skill":"clickzetta-semantic-view","expected_output_contains":["semantic_view"]}
+{"case_id":"003","type":"should_call","user_input":"语义视图里怎么定义维度和指标","expected_skill":"clickzetta-semantic-view","expected_output_contains":["DIMENSIONS","METRICS"]}
+{"case_id":"004","type":"should_call","user_input":"怎么用语义层统一指标口径","expected_skill":"clickzetta-semantic-view","expected_output_contains":["语义"]}
+{"case_id":"005","type":"should_call","user_input":"SHOW SEMANTIC VIEWS 怎么用","expected_skill":"clickzetta-semantic-view","expected_output_contains":["SHOW SEMANTIC VIEWS"]}
+{"case_id":"006","type":"should_call","user_input":"语义视图的 FILTERS 怎么定义","expected_skill":"clickzetta-semantic-view","expected_output_contains":["FILTERS"]}
+{"case_id":"007","type":"should_call","user_input":"DROP SEMANTIC VIEW 怎么删除","expected_skill":"clickzetta-semantic-view","expected_output_contains":["DROP SEMANTIC VIEW"]}
+{"case_id":"008","type":"should_not_call","user_input":"怎么创建普通视图","forbidden_skill":"clickzetta-semantic-view"}
+{"case_id":"009","type":"should_not_call","user_input":"帮我写一个数据看板","forbidden_skill":"clickzetta-semantic-view"}
+{"case_id":"010","type":"should_not_call","user_input":"怎么做数据建模","forbidden_skill":"clickzetta-semantic-view"}
+{"case_id":"011","type":"should_not_call","user_input":"Superset 怎么连接","forbidden_skill":"clickzetta-semantic-view"}
+{"case_id":"012","type":"should_not_call","user_input":"怎么创建物化视图","forbidden_skill":"clickzetta-semantic-view"}