@clickzetta/cz-cli-darwin-arm64 0.3.76 → 0.3.80

package/bin/skills/lakehouse-doc/references/validate_schema_evolution.md

@@ -1,167 +0,0 @@
-# 验证SchemaEvolution的操作结果
-
-云器Lakehouse Schema Evolution 支持通过ALTER语句变更表中的列，支持添加列、修改列、删除列。修改列包括修改列名和列的数据类型。支持修改复杂类型变化。
-本文给出对应实例，方便验证SchemaEvolution的操作结果，快速理解Schema Evolution的结果，验证实现是否符合预期。
-
-## 创建schema和表
-
-```
-CREATE SCHEMA IF NOT EXISTS clickzetta_demo_schema_evolution_schema;
-USE SCHEMA clickzetta_demo_schema_evolution_schema;
-CREATE TABLE if not exists clickzetta_demo_schema_evolution_schema.schema_evolution (
-    t_tinyint tinyint,
-    t_snmallint smallint,
-    t_int int,
-    t_bigint bigint,
-    t_float float,
-    t_double double,
-    t_decimal decimal(5,2)
-)partitioned by(pt string);
-```
-
-## 插入数据
-
-```
-insert into clickzetta_demo_schema_evolution_schema.schema_evolution select 1y,234s,10000,100000000,0.2f,0.004d,123.1bd,'202231120';
-```
-
-## 分区表加列必须指定位置，否则添加的列会在最后一列
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution ADD COLUMN t_add int comment 'add';
-```
-
-```
-desc clickzetta_demo_schema_evolution_schema.schema_evolution;
-```
-
-![](.topwrite/assets/image_1718704848571.png)
-
-## 在指定位置增加列
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution ADD COLUMN t_add2 int comment 'add' after t_decimal;
-desc clickzetta_demo_schema_evolution_schema.schema_evolution;
-```
-
-![](.topwrite/assets/image_1718704923098.png)
-
-## 删除列
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution DROP   COLUMN t_add;
-desc clickzetta_demo_schema_evolution_schema.schema_evolution;
-```
-
-## 重命名列
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution rename COLUMN t_add2 to t_add;
-desc clickzetta_demo_schema_evolution_schema.schema_evolution;
-select * from clickzetta_demo_schema_evolution_schema.schema_evolution;
-```
-
-## 修改字段位置
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution change COLUMN t_add  after t_tinyint ;
-select * from clickzetta_demo_schema_evolution_schema.schema_evolution;
-```
-
-## 修改数据类型
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution change COLUMN t_decimal  type DECIMAl(7,4) ;
-select * from clickzetta_demo_schema_evolution_schema.schema_evolution;
-```
-
-不支持的类型转换会报错
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution change COLUMN t_decimal  type date ;
-```
-
-\##修改字段comment
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution change COLUMN t_tinyint  comment 'mysmallint';
-desc clickzetta_demo_schema_evolution_schema.schema_evolution;
-```
-
-## 复杂类型修改
-
-### 创建表
-
-```
- CREATE TABLE clickzetta_demo_schema_evolution_schema.schema_evolution_01 (
-  point struct<x: int, y: double>,
-  points array<struct<x: double, y: double>>,
-  points_ky map<struct<x: int>, struct<a: int>>
-    );
-```
-
-### 插入数据
-
-```
-insert into clickzetta_demo_schema_evolution_schema.schema_evolution_01 values(struct(1D,2D),array(struct(1D,2D)),null);
-```
-
-### 添加列
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution_01 ADD COLUMN point.z double ;
-select * from clickzetta_demo_schema_evolution_schema.schema_evolution_01;
-```
-
-### 删除point struct中的z列
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution_01 DROP COLUMN point.z;
-select * from clickzetta_demo_schema_evolution_schema.schema_evolution_01;
-```
-
-### 重命名point struct中的x列
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution_01 rename COLUMN point.x to xx;
-select * from clickzetta_demo_schema_evolution_schema.schema_evolution_01;
-```
-
-### 删除array嵌套struct中的y的列
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution_01 DROP COLUMN points.element.y;
-desc clickzetta_demo_schema_evolution_schema.schema_evolution_01;
-```
-
-## 修改struct类型
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution_01 CHANGE COLUMN point.xx type bigint;
-desc clickzetta_demo_schema_evolution_schema.schema_evolution_01;
-```
-
-### 修改复杂类型位置
-
-```
-ALTER TABLE clickzetta_demo_schema_evolution_schema.schema_evolution_01 CHANGE COLUMN point.y first;
-select * from clickzetta_demo_schema_evolution_schema.schema_evolution_01;
-```
-
-## 清理
-
-```
-DROP SCHEMA IF EXISTS clickzetta_demo_schema_evolution_schema;
-```
-
-## Congratulations, it's done.
-
-Please enojoy and learn more!
-
-## 附录
-
-### 下载Zeppelin Notebook源文件
-
-本文代码也提供运行在[Zeppelin](eco_integration/Zeppelin.md)的版本，你如果想直接运行本文代码，请按照文档说明安装[Zeppelin](eco_integration/Zeppelin.md)。
-
-[03.Schema Evolution.ipynb](https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/zeppelin_notebook/03.Schema%20Evolution.ipynb)

package/bin/skills/lakehouse-doc/references/vc-job.md

@@ -1 +0,0 @@
-^

package/bin/skills/lakehouse-doc/references/vc_cache.md

@@ -1,71 +0,0 @@
-# 计算集群缓存
-
-Lakehouse使用缓存技术来加速查询性能和效率。平台提供了三种类型的Cache来提高查询性能
-
-1.查询结果缓存(ResultCache)
-
-2.元数据缓存(MetadataCache)
-
-3.计算集群本地缓存 (Virtual Cluster Local Disk Cache)
-
-![](.topwrite/assets/image_1729739810389.png)
-
-其中:
-
-元数据缓存和查询结果缓存服务从属于服务层,可在工作空间内共享。
-
-计算集群缓存本地缓存保存在集群本地节点,仅在使用指定虚拟集群时可以使用其本地缓存。
-
-在 Lakehouse 的存算分离架构中，数据存储在对象存储上。为了应对网络请求延迟并提升分析场景的响应速度，我们采用了缓存策略。计算集群缓存将频繁访问的数据存储在本地节点，从而加速查询。
-
-计算集群缓存分为两种：
-
-1. **主动缓存**：通过命令手动将表缓存到计算集群。每次计算集群启动时，会自动加载这些预缓存的表最新写入的数据或者分区。目前仅支持 AP 型集群。适用场景如 BI 报表查询，可以显著减少查询延迟，提高数据处理速度。
-2. **被动缓存**：在首次查询时，Lakehouse 自动将读取的文件缓存到计算集群。后续包含相同表文件的查询将直接利用缓存，加速查询过程。支持 GP 型和 AP 型集群。第二次及以后的查询，如果涉及到首次缓存的表，将直接命中缓存。
-
-## 使用方式
-
-1. **主动缓存表方式**：
-
-```SQL
-ALTER VCLUSTER default SET PRELOAD_TABLES="schema1.table1,schema2.table2";
-```
-
-如果需要添加新表到缓存,需要将已添加的表都带上否则会将原来的覆盖：
-
-```SQL
-ALTER VCLUSTER default SET PRELOAD_TABLES="schema1.table1,schema2.table2,schema3.table3";
-```
-
-## **查看缓存状态**：
-当使用 `ALTER..PRELOAD_TABLES` 命令将表加载到计算集群时，SHOW PRELOAD显示的缓存状态的更新可能会存在延迟，但是实际上缓存表已经生效。通常情况下，这种延迟大约为 10 分钟。
-
-
-* 显示当前虚拟集群的预加载表/分区状态：
-
-```SQL
-SHOW PRELOAD CACHED STATUS;
-```
-
-* 显示指定虚拟集群的预加载表/分区状态：
-
-```SQL
-SHOW VCLUSTER preload_ap_vc_test PRELOAD CACHED STATUS;
-```
-
-* 通过表名过滤预加载状态信息：
-
-```SQL
-SHOW VCLUSTER preload_ap_vc_test PRELOAD CACHED STATUS WHERE table LIKE '%x_test';
-```
-
-* 显示虚拟集群的预加载缓存汇总信息：
-
-```SQL
-SHOW EXTENDED PRELOAD CACHED STATUS;
-```
-
-## 注意事项
-
-* 集群支持自动启停，当集群停止时，缓存的表将自动释放。在 AP 型集群中，重新启动时只会缓存最新写入的数据或者分区。
-* 执行缓存命令后，只有新写入的数据才会被缓存

package/bin/skills/lakehouse-doc/references/vcluster_size_description.md

@@ -1,98 +0,0 @@
-# 计算集群规格代码变更说明
-
-随着越来越多的客户使用云器Lakehouse的计算集群，我们发现原本以2的指数倍增长的计算集群规格，可能会造成规格间隔过大、资源浪费。因此，我们修改了计算集群的规格，现在可以以更细粒度的方式规划计算集群的规格，提高资源利用效率，降低成本。
-
-规格代码具体调整如下：
-
-## **原计算集群规格**
-
-从XS到5XLarge，规格增加一级，算力资源增加一倍，同时资源消耗也增加一倍：
-
-|         |        |                           |
-| ------- | ------ | ------------------------- |
-| **规格**  | **简称** | **每小时消耗**（**CRU**\***时**） |
-| XSMALL  | XS     | 1                         |
-| SMALL   | S      | 2                         |
-| MEDIUM  | M      | 4                         |
-| LARGE   | L      | 8                         |
-| XLARGE  | XL     | 16                        |
-| 2XLARGE | 2XL    | 32                        |
-| 3XLARGE | 3XL    | 64                        |
-| 4XLARGE | 4XL    | 128                       |
-| 5XLARGE | 5XL    | 256                       |
-
-## **新计算集群规格**
-
-每种类型的计算集群，均以CRU（Compute Resource Unit）表示其规格。不同类型的计算集群，由于其适合的任务和资源配置不同，可以指定的规格也不同。
-
-各类计算集群的规格详细说明如下：
-
-| **类型**                         | **最小规格**（**CRU**） | **最大规格**（**CRU**） | **默认值**（**CRU**） | **步长**
（规格增减的最小单位）                                                        |
-| ------------------------------ | ----------------- | ----------------- | ---------------- | ----------------------------------------------------------------------------- |
-| 通用型
（GP Vcluster）          | 1                 | 256               | 1                | 1（规格示例：1，2，3，4，5，6...256）                                                      |
-| 分析型
（AP Vcluster）          | 1                 | 256               | 1                | 2的n次幂（规格示例：1，2，4，8，16，32，64，128，256）                                          |
-| 同步型
（Integration Vcluster） | 0.25              | 256               | 0.5              | 1（规格序列如下：有0.25 CRU和0.5 CRU两个特殊的小规格，其余规格的步长为1。规格示例：0.25，0.5，1，2，3，4，5，6...256） |
-
-每个集群每小时消耗的计算资源量为其CRU规格\*1小时，即单位为CRU\*时。例如规格为3 CRU的分析型计算集群，运行1小时的资源消耗为 3CRU \* 1小时=3CRU\*时。其费用也按照计算集群所在区域的“CRU\*时”的单价计算。
-
-## **兼容性说明**
-
-### 新旧计算集群规格对应关系
-
-存量计算集群的规格会自动转换为新规格，单位时间的计算资源消耗量和费用均不会发生变化。具体的规格对应关系如下：
-
-|         |         |          |
-| ------- | ------- | -------- |
-| **原取值** | **新取值** | **适用范围** |
-| XSMALL  | 1       | 所有类型VC   |
-| SMALL   | 2       | 所有类型VC   |
-| MEDIUM  | 4       | 所有类型VC   |
-| LARGE   | 8       | 所有类型VC   |
-| XLARGE  | 16      | 所有类型VC   |
-| 2XLARGE | 32      | 所有类型VC   |
-| 3XLARGE | 64      | 所有类型VC   |
-| 4XLARGE | 128     | 所有类型VC   |
-| 5XLARGE | 256     | 所有类型VC   |
-
-### SQL新建计算集群
-
-新规格代码上线后，新建和修改计算集群的SQL语句均将暂时兼容旧的规格代码，即Vcluster\_size 参数可同时支持以数字表达或以'XSMALL、SMALL'等代码表达的计算集群规格。请尽快迁移至使用数字表达计算集群规格的方式，以避免在切换至不兼容版本后影响计算集群的正常创建。
-
-新建集群示例代码如下：
-
-```SQL
--- 创建计算集群
-CREATE VCLUSTER [IF NOT EXISTS] vc_name
-objectProperties
-[COMMENT '']
-[WITH PROPERRIES ("key"="value"  "key"="value" ...)]
---参数变更   
-objectProperties ::=
-            VCLUSTER_SIZE = NUM --0.25-256 。兼容支持 XSMALL | SMALL | MEDIUM | LARGE | XLARGE | 2XLARGE | 3XLARGE | 4XLARGE | 5XLARGE 
-```
-
-### Web端新建计算集群
-
-Web端新建和修改计算集群时，变更为输入或指定以数字表达的计算集群规格，示例如下：
-
-:-: ![](.topwrite/assets/image_1733751304880.png =420)
-
-### SQL端查询计算集群
-
-SQL端查询计算集群规格时，所有表示计算集群规格的字段（vcluster\_size, min\_vcluster\_size，max\_vcluster\_size以及current\_vcluster\_size四个字段），均转换为以数字表达的集群大小。转换规则详见上文的“新旧计算集群规格对应关系”。
-
-### Web端查询计算集群
-
-Web端计算集群的规格变更为以数字表达计算集群规格。
-
-:-: ![](.topwrite/assets/image_1733751321636.png)
-
-## 计费说明
-
-计算集群规格代码变更前后，同规格计算集群的资源消耗和每小时费用**不会变更**。仅涉及计费单位的变更：计算规格由"XS、S”等字母表达变更为 1CRU，2CRU的数字表达；计算资源消耗量单位由CRU变更为CRU\*时。
-
-变更后，估算某个集群每小时的资源消耗量和费用更加简便。
-
-无需强记“S”规格对应每小时消耗2 CRU，再乘以资源单价来估算费用。
-
-2 CRU的计算集群，每小时就消耗“2 CRU\*时”，仅需对应单价即可计算每小时费用。

package/bin/skills/lakehouse-doc/references/vector-search.md

@@ -1,144 +0,0 @@
-## 概述
-
-Lakehouse 支持向量类型、向量搜索函数和向量索引，通过向量搜索函数可以实现向量检索场景。
-向量数据类型是具有固定维度的数值有序集合。向量可以表示多种数据，例如从大型语言模型 (LLM) 获得的向量嵌入、图像或面部的向量嵌入、金融时间序列、空间坐标、速度、颜色等。使用向量数据类型可以更轻松地插入、加载和查询向量。
-
-Lakehouse 提供了向量类型和向量索引检索功能。现代深度学习技术可以从非结构化数据（如文本和图像）中创建向量嵌入，即结构化的数值表示形式，同时保留生成向量的几何结构中的相似性和不相似性的语义概念。Lakehouse 提供了 VECTOR 类型来存储这些转化后的向量，构建索引可以提高向量搜索性能。
-
-## Lakehouse支持的向量功能
-
-* **向量存储**：使用 `VECTOR` 类型存储向量。
-* **向量索引**：采用 HNSW（Hierarchical Navigable Small World）算法构建向量索引，以加速计算。
-* **距离计算**：支持多种函数计算向量相似度，包括 `L2_DISTANCE` 和 `COSINE_DISTANCE` 等函数。
-
-## 使用注意事项
-
-* 当前版本的向量类型不支持比较操作，因此不能用于`ORDER BY`或`GROUP BY`子句中。
-* 向量索引的性能与内存缓存、磁盘缓存直接相关，建议单独占用 VC 使用。与其他场景混合使用会相互挤占缓存，可能导致性能不如预期。
-
-## Lakehouse向量使用
-
-**创建向量**
-
-```SQL
-
-CREATE TABLE test_vector1 (
-    vec vector(float, 4),
-    id int,
-    index test_vector1_vec_idx  (vec) using vector properties (
-        "scalar.type" = "f32",
-        "distance.function" = "l2_distance"
-    )
-);
-```
-
-properties 中支持指定的参数参考 [创建向量索引文档](create-vector-index.md)
-
-**插入数据**
-
-* 使用SQL插入
-
-```SQL
-INSERT INTO test_vector1 (vec, id) VALUES
-    (vector(0.1, 0.2, 0.3, 0.4), 1),
-    (vector(0.5, 0.6, 0.7, 0.8), 2),
-    (vector(0.9, 1.0, 1.1, 1.2), 3),
-    (vector(1.3, 1.4, 1.5, 1.6), 4),
-    (vector(1.7, 1.8, 1.9, 2.0), 5),
-    (vector(2.1, 2.2, 2.3, 2.4), 6),
-    (vector(2.5, 2.6, 2.7, 2.8), 7),
-    (vector(2.9, 3.0, 3.1, 3.2), 8),
-    (vector(3.3, 3.4, 3.5, 3.6), 9),
-    (vector(3.7, 3.8, 3.9, 4.0), 10);
-```
-
-* 如果您是通过外部系统写入到 Lakehouse 中，当前 Lakehouse 不支持直接写入 vector 类型，您可以写成 array 类型，再使用 `INSERT OVERWRITE SELECT CAST(array_col AS VECTOR)` 进行转换。
-
-  * ```SQL
-    CREATE  TABLE arraytable (vec ARRAY,id int);
-    SELECT vec::VECTOR(FLOAT, 3)
-    FROM arraytable;
-    ```
-
-* 如果数据在对象存储中，您可以直接使用volume导入vector类型
-
-**向量检索**
-
-用户可通过配置参数 `cz.vector.index.search.ef` 来调整**探索因子（ef）**，该参数用于控制在查询阶段搜索图中遍历的节点数量，从而在检索性能与准确率之间实现灵活权衡。较大的 `ef` 值通常可以提高检索的准确性，但可能增加查询延迟；较小的值则能提升检索速度，但可能牺牲部分精度。
-
-```SQL
-SET cz.vector.index.search.ef=64;
-SELECT id, l2_distance(vec, vector(1,2,3,4)) AS dist FROM test_vector1 WHERE l2_distance(vec, vector(1,2,3,4)) < 4.0 ORDER BY dist LIMIT 5;
-```
-
-当需要确认向量索引是否生效时，可以使用 `\`EXPLAIN SELECT ...\`` 语法查看 TableScan 算子中是否包含 `vector_index_search_type` 字样。
-
-```SQL
-PhysicalTableSink()
-  PhysicalLocalSort_L3($10)
-    PhysicalShuffleRead()
-      PhysicalShuffleWrite_SINGLETON()
-        PhysicalLocalSort_L3($10)
-          PhysicalCalc(NVL($4292967295, L2_DISTANCE($0, [1,2,3,4])), LT(_TRY_TO_FLOAT64(#0), 3.020000), $1) as [1, 10]
-            PhysicalTableScan(test_vector1, LT(_TRY_TO_FLOAT64(NVL(@4292967295, L2_DISTANCE(#0, [1,2,3,4]))), 3.020000, expr_key=4292967295, limit=3, vector_index_search_type=ann), F4M:LT(_TRY_TO_FLOAT64(L2_DISTANCE(#0, [1,2,3,4])), 3.020000), GEN:[L2_DISTANCE(#0, [1,2,3,4]) as 4292967295], vec, id) as [0, 1, 4292967295]
-```
-
-当向量索引未生效时，会退化到暴力检索。
-
-## 与倒排索引同时使用
-
-向量索引只能解决向量检索问题，当查询带上其他字段相关的过滤条件时，会直接退化为暴力算法。为了解决这个问题，一般有两种思路。
-
-1. 先在子查询中执行向量检索，再在外层查询中执行其他字段的过滤条件。这种方案虽然查询性能快，但如果非向量字段的过滤性比较高，最终的输出结果往往少于用户的期望数据条数，甚至为空。
-
-```SQL
-SELECT id, doc, dist FROM (
-    SELECT id, doc, l2_distance(vec, vector(1,2,3,4)) as dist FROM some_table WHERE l2_distance(vec, vector(1,2,3,4)) < 1000 ORDER BY dist LIMIT 100
-) WHERE doc like '%hello%';
-```
-
-2. 在常用的非向量字段上构建倒排索引，与向量检索一同使用：
-
-```SQL
--- 建表
-CREATE TABLE test_vector1 (
-    vec vector(float, 4),
-    index test_vector1_vec_idx  (vec) using vector properties (
-        "scalar.type" = "f32",
-        "distance.function" = "l2_distance"
-    ),
-    doc string,
-    index test_vector1_doc_idx on (doc) using inverted properties ('analyzer' = 'keyword');,
-    id int
-) ;
-
--- 查询
-SET cz.sql.index.prewhere.enabled=true; -- 当前需要设置开关，后续版本会默认开启
-SELECT id, doc, l2_distance(vec, vector(1,2,3,4)) as dist FROM some_table WHERE match_regexp(doc, '.*hello.*', map('analyzer', 'keyword')) AND l2_distance(vec, vector(1,2,3,4)) < 1000 ORDER BY dist LIMIT 100
-```
-
-上述例子中，执行流程为：先根据 `match_regexp(doc, '.*hello.*', map('analyzer', 'keyword'))` 使用倒排索引过滤出命中的行，再从命中的行中执行向量检索。
-
-## 向量检索查询时支持的参数
-
-| Name                                                  | Default Value | Notes                                        |
-| ----------------------------------------------------- | ------------- | -------------------------------------------- |
-| Name                                                  | Default Value | Notes                                        |
-| ----------------------------------------------------- | ------------- | -------------------------------------------- |
-| cz.storage.parquet.vector.index.read.memory.cache     | false         | 是否使用内存缓存                                     |
-| cz.storage.parquet.vector.index.read.local.cache      | false         | 是否使用本地SSD缓存                                  |
-| cz.storage.parquet.vector.index.read.vectors.ondemand | adaptive      | 是否按需加载向量索引（比使用内存缓存稍慢）                        |
-| cz.storage.parquet.vector.index.write.parallel        | 0             | 是否开启并行写入，0表示关闭，8表示8个线程写入。注意，性能提升比例并不与线程数成正比。 |
-
-使用示例：在 SQL 查询时设置以下参数一起执行。
-
-```SQL
-SET cz.sql.index.prewhere.enabled=true; -- 当前需要设置开关，后续版本会默认开启
-SELECT id, doc, l2_distance(vec, vector(1,2,3,4)) as dist FROM some_table WHERE match_regexp(doc, '.*hello.*', map('analyzer', 'keyword')) AND l2_distance(vec, vector(1,2,3,4)) < 1000 ORDER BY dist LIMIT 100
-```
-
-## 计费
-
-* 存储资源：向量索引会创建向量索引文件，该文件与数据文件都保存在对象存储中，统一计费。
-
-^

package/bin/skills/lakehouse-doc/references/vector-type.md

@@ -1,52 +0,0 @@
-# VECTOR
-## 语法
-
-```Plain
-vector(scalar_type, dimension)
-vector(dimension)
-```
-
-* scalar type 为向量中的元素类型，可选，默认值是float类型。支持tinyint/int/float
-* dimension：仅指定维度
-
-**示例**：
-
-```SQL
-CREATE TABLE test_vector (
-    vec1 vector(float, 512),  -- 指定元素类型为float，维度为512
-    vec2 vector(512),         -- 默认元素类型为float，维度为512
-    vec3 vector(tinyint, 128) -- 指定元素类型为tinyint，维度为128
-);
-```
-
-**创建向量**：
-
-```SQL
-SELECT vector(1, 2, 3); -- 根据提供的值自动推导元素类型，创建一个向量
-```
-
-## 使用限制
-
-* 当前版本的向量类型不支持比较操作，因此不能用于`ORDER BY`或`GROUP BY`子句中。
-
-## 向量类型转换
-
-向量类型支持与数组类型之间的转换，以及从字符串类型转换为向量类型：
-
-1. **隐式转换**：在大多数情况下，向量类型可以直接转换为数组类型，尽量保持元素类型不变。
-2. **数组转向量**：数组类型也可以转换为向量类型，但必须确保数组长度与向量维度相匹配。不匹配时，转换结果为`NULL`。
-3. **字符串转向量**：支持将符合格式`'[1, 2, 3]'`的字符串转换为向量类型（多余空格会被忽略）。
-
-
-**示例**：
-
-```SQL
--- 将向量隐式转换为数组
-SELECT array_append(vector(1,2,3), 4);
-
--- 计算两个向量之间的L2距离
-SELECT l2_distance(array(1,2,3), vector(3,2,1));
-
--- 显式将字符串转换为向量
-SELECT cast('[1,2,3,4]' as vector(4));
-```