@clickzetta/cz-cli-darwin-x64 0.3.75 → 0.3.78

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

@@ -1,281 +0,0 @@
-## 1. 概述
-
-**网络策略（Network Policy**） 旨在控制对某个服务实例（instance）的访问来源，常用做以下场景：
-
-* 限制仅允许特定的 IP 或网段访问Lakehouse 服务实例的Web服务。
-* 限制仅允许特定的 IP 或网段使用JDBC连接Lakehouse服务实例。
-* 阻止（黑名单）可疑或风险 IP 地址段。
-* 在需要时，为了不影响生产或管理员登录，具备实例管理员角色（instance\_admin）的用户可**临时绕过**并修改网络策略设置。
-
-在实际运维中，结合 IP 白名单、黑名单可显著增强数据的安全性与合规性。
-
-***
-
-## 2. 网络策略（Network Policy）简介
-
-* **核心功能**：通过白名单（Allow\_IP\_List）和黑名单（Block\_IP\_List）来控制哪些网络来源可以访问目标服务实例。
-* **典型效果**：
-  1. 管理和过滤 IP 地址或网段。
-  2. 同时支持白名单（Allow\_IP\_List）和黑名单（Block\_IP\_List）方式配置网络策略。
-  3. 当多条策略生效并叠加时，采用“Deny 优先”原则。
-
-***
-
-## 3. 网络策略的工作原理与使用场景
-
-### 3.1 默认逻辑
-
-* **当系统无任何网络策略**时，默认允许所有 IP 访问（相当于“Allow 0.0.0.0/0”）。
-* 一旦创建并激活了至少一条网络策略，系统会根据**所有生效策略**的白名单及黑名单规则进行过滤。
-
-### 3.2 白名单（Allow）与黑名单（Block）的运算
-
-在同一条网络策略中或多条生效策略的结果中：
-
-* 如果有任一生效的白名单策略，则没有在白名单策略中的某个IP/网段将被阻止。
-* 如果没有任何生效的白名单，则除生效的黑名单指定的IP/网段外，其他IP/网段将被放行。
-* 最终出现任意黑名单规则命中时，该 IP 即被拒绝。
-
-### 3.3 多条策略生效与优先级
-
-* 多条策略并行生效时，白名单取并集，黑名单取并集。
-* 多条网络策略之间无优先级关系，系统会对所有生效的网络策略做逻辑运算，并得出当前最终的网络策略结果。
-
-### 3.4 适用范围
-
-网络策略适用于控制从外部网络访问Lakehouse服务的请求，访问方式包括：
-
-* JDBC
-* SDK
-* Web页面
-
-特殊情况说明：
-
-* MySQL兼容协议访问Lakehouse时，只要有“生效”状态的网络策略，无论白名单、黑名单的内容，均会拦截所有MySQL流量。
-
-***
-
-## 4. 核心属性与限制
-
-### 4.1 网络策略属性
-
-| 属性名称                | 是否必填 | 取值范围                                | 默认值      | 说明                               |
-| ------------------- | ---- | ----------------------------------- | -------- | -------------------------------- |
-| **Name**            | 是    | 字母或下划线开头，3-28 个字符，自动转小写，仅限字母/数字/下划线 | 无        | 策略名称在实例内唯一。                      |
-| **Allow\_IP\_List** | 是    | IPv4 单 IP 或 CIDR，逗号分隔，数量上限 \~10 万   | 无        | 允许访问的 IP 或网段。 不允许出现 `0.0.0.0/0`。 |
-| **Block\_IP\_List** | 否    | IPv4 单 IP 或 CIDR，逗号分隔，数量上限 \~10 万   | 无        | 阻止访问的 IP 或网段。 不允许出现 `0.0.0.0/0`。 |
-| **Status**          | 是    | `Activate` 或 `Inactive`             | Activate | 新建默认“生效”，可同时存在多条生效策略。            |
-
-### 4.2 限制与注意事项
-
-1. **最大策略数**：同一实例最多可创建 20条网络策略。
-2. **单策略 IP 数量限制**：白名单、黑名单各自最多可各容纳 10 万个 IP/CIDR。
-3. **策略生效延迟**：网络策略存在缓存生效机制，一般最多 5 分钟内生效。
-4. **删除后不可恢复**：请谨慎操作。尤其多条网络策略同时生效时，逻辑关系较为复杂，删除已生效的策略，可能会导致禁止或允许访问的范围产生较大变化。
-
-***
-
-## 5. 操作指南
-
-以下操作可通过 SQL 命令或前端管理控制台来完成，具体以您所在产品的实际实现为准。
-
-### 5.1 创建网络策略
-
-该操作仅限具备实例管理员（instance\_admin）角色的用户执行。
-
-**Web 操作**：
-
-在“管理”-“安全”-“网络策略”功能中，点击“+新建策略”。
-
-在弹窗中填写“策略名称”，并根据实际需要填写IP白名单或IP黑名单中的内容。
-
-:-: ![](.topwrite/assets/image_1742472677609.png =791)
-
-**SQL 操作**：
-
-```sql
-CREATE [ OR REPLACE ] NETWORK POLICY <name>
-ALLOWED_IP_LIST = ( [ '<ip_address>' ] [ , '<ip_address>' , ... ] )
-[ BLOCKED_IP_LIST = ( [ '<ip_address>' ] [ , '<ip_address>' , ... ] ) ];
-
-
---示例：
-CREATE NETWORK POLICY policy1
-  ALLOWED_IP_LIST = ('192.168.11.1','192.168.11.2','10.0.0.1/24')
-  BLOCKED_IP_LIST = ('192.168.11.99');
-```
-
-注意：
-
-* 同一个服务实例中，网络策略的名称不可重复。
-* 白名单和黑名单中支持填写 IPV4 IP或CIDR，但不支持0.0.0.0/0。 当白名单为空时，表示全部允许。
-* 同一条网络策略中，白名单或黑名单内的IP/CIDR不允许重复添加，但允许存在交集。不同网络策略中，白名单或黑名单内的IP/CIDR允许重复或存在交集。
-* 创建成功后状态默认为 `Activate`（可立即生效或可被再次激活/使用，视产品而定）。
-* 当前访问Lakehouse所使用的IP也可被写入白名单/黑名单内。如果将当前使用的IP加入黑名单，将导致策略生效后，对当前服务实例的访问立即被阻止。请谨慎操作。
-
-### 5.3 修改网络策略
-
-**Web 操作**：
-
-在“管理”-“安全”-“网络策略”功能中，在需要修改的网络策略右侧的“操作”栏中点击“编辑”按钮，在弹窗中对该网络策略进行修改。
-
-其中，
-
-网络策略的名称不允许修改。仅可以修改网络策略中的白名单/黑名单所包含的IP内容。
-
-:-: ![](.topwrite/assets/image_1742472725009.png =783)
-
-**SQL 操作**：
-
-```
-ALTER NETWORK POLICY [ IF EXISTS ] <name>
-SET 
-  ALLOWED_IP_LIST = ( [ '<ip_address>' ] [ , '<ip_address>' , ... ] )
-[ BLOCKED_IP_LIST = ( [ '<ip_address>' ] [ , '<ip_address>' , ... ] ) ];
-
---示例：
-ALTER NETWORK POLICY policy1
-SET 
-	ALLOWED_IP_LIST = ('192.168.11.1')
-	BLOCKED_IP_LIST = ('192.168.11.99');
-```
-
-注意：
-
-* 修改网络策略的SQL操作是\*\*“覆盖”**操作，ALTER语句中务必包含ALLOWED\_IP\_LIST和BLOCKED\_IP\_LIST中**所有\*\*需要允许和拒绝的IP范围。
-
-例如：
-
-```
---创建一条示例的网络策略
-CREATE NETWORK POLICY policy1
-  BLOCKED_IP_LIST = ('192.168.11.99');
-
---以下语句执行后的policy1，仅包含ALLOWED_IP_LIST = ('192.168.11.100')
-ALTER NETWORK POLICY policy1 SET 
-ALLOWED_IP_LIST = ('192.168.11.100');
-
---不执行上面的ALTER语句，而执行以下ALTER语句修改网络策略后，policy1中包含：ALLOWED_IP_LIST = ('192.168.11.1'）和BLOCKED_IP_LIST = ('192.168.11.99')
-ALTER NETWORK POLICY policy1
-SET 
-	ALLOWED_IP_LIST = ('192.168.11.1')
-	BLOCKED_IP_LIST = ('192.168.11.99');
-
-```
-
-### 5.4 生效/失效网络策略
-
-**Web 操作**：
-
-在“管理”-“安全”-“网络策略”功能中，在需要修改的网络策略右侧的“操作”栏中点击“停用”/“启用”按钮，即可切换网络策略的状态。
-
-:-: ![](.topwrite/assets/image_1742472766197.png =799)
-
-**SQL 操作**：
-
-```
-ALTER NETWORK POLICY <name> ACTIVATE;
-ALTER NETWORK POLICY <name> INACTIVATE;
-
---示例：
-CREATE NETWORK POLICY policy1 ACTIVATE;
-CREATE NETWORK POLICY policy1 INACTIVATE;
-```
-
-* 可以在列表或详情处进行“置为生效/置为失效”操作。
-
-* 具体生效/失效后对其他策略的影响，依您的产品是否允许多策略生效而定（有的只允许单一账号策略有效，激活新策略会自动替换上一个；也有的允许多条策略并行）。
-
-### 5.5 删除网络策略
-
-**Web 操作**：
-
-在“管理”-“安全”-“网络策略”功能中，在需要修改的网络策略右侧的“操作”栏中点击“停用”/“启用”按钮，即可切换网络策略的状态。
-
-:-: ![](.topwrite/assets/image_1742472815202.png =793)
-
-**SQL 操作**：
-
-```
-DROP NETWORK POLICY  <name>;
-
---示例：
-drop network policy policy1;
-```
-
-* 删除后不可恢复。
-
-### 5.6 查看网络策略
-
-**Web 操作**：
-
-在“管理”-“安全”-“网络策略”功能中，可以查看当前服务实例中所有的网络策略。
-
-:-: ![](.topwrite/assets/image_1742472860368.png =783)
-
-**SQL 操作**：
-
-* **显示所有策略**：
-
-```
-SHOW NETWORK POLICY;
-```
-
-返回字段包括：
-
-| **字段**        | **说明**                   |
-| ------------- | ------------------------ |
-| NAME          | 策略名称                     |
-| CREATOR       | 创建者的username             |
-| CREATED\_TIME | 格式为：yyyy-mm-dd hh\:mm:ss |
-| STATUS        | active、inactive          |
-
-* **查看详情**：
-
-```
-DESC NETWORK POLICY <name>;
-```
-
-* 返回策略中 `ALLOWed_IP_LIST` / `BLOCKed_IP_LIST`
-
-| **字段**            | **说明**                   |
-| ----------------- | ------------------------ |
-| NAME              | 策略名称                     |
-| ALLOWED\_IP\_LIST | 创建者的username             |
-| BLOCKED\_IP\_LIST | 格式为：yyyy-mm-dd hh\:mm:ss |
-
-### 5.7 临时绕过网络策略访问
-
-* 在极端情况下（如白名单配错或黑名单阻止了所有网段），可由具备实例管理员角色（instance\_admin)的用户
-
-  创建**临时绕过**策略，使指定用户在 30 分钟内不受网络策略限制。
-
-* 在某些产品或环境中，该功能通过设置用户对象属性 `MINS_TO_BYPASS_NETWORK_POLICY` 来实现，需要联系管理员或官方支持来配置。
-
-***
-
-## 6. 权限与安全控制
-
-| Privilege code        | 操作                 | 默认授予角色 / 权限               |
-| --------------------- | ------------------ | ------------------------- |
-| create network policy | CREATE             | 仅授予实例管理员（instance\_admin） |
-| alter                 | ALTER/RENAME/激活/失效 | 仅授予实例管理员（instance\_admin） |
-| drop                  | DROP               | 仅授予实例管理员（instance\_admin） |
-| read metadata         | SHOW / DESC /      | 仅授予实例管理员（instance\_admin） |
-
-***
-
-## 7. 常见问题（FAQ）
-
-1. **同一个 IP 同时在白名单和黑名单出现，结果如何**？
-   * 黑名单优先，访问被阻断。
-2. **当没有创建任何网络策略时，默认是允许还是拒绝访问**？
-   * 默认允许所有 IP，等效于白名单包含所有IP。
-3. **为何禁止使用** \`\` **在白名单/黑名单中**？
-   * 该表示意味着“所有 IP”。在白名单中没有实际意义（表示开放全部），在黑名单中则完全阻断所有访问，如果没有例外规则，就会导致任何人都无法访问。
-4. **是否能对同一实例同时启用多条网络策略**？
-   * 允许同一服务实例创建多条网络策略且并行生效。系统将所有生效策略中的网络策略中的白名单/黑名单规则取并集后再应用。
-5. **如何避免实例管理员自己被策略锁住**？
-   * 在创建或激活策略前，请确保您自己的 IP（可在web端创建或修改网络策略时看到）已包含在白名单中。若仍意外被阻断，实例管理员（instance\_admin）可通过修改网络策略来恢复自己对服务实例的访问。
-
-^

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

@@ -1,315 +0,0 @@
-# NYC绿色出租车数据清洗与转化案例
-
-使用Claude Desktop与云器Lakehouse MCP Server实现智能数据处理，通过全链路自然语言对话方式完成数据清洗与转化。
-
-```
-我有哪些和NYC绿色出租车相关的表？
-nyc_green_taxi_2025里有多少行数据？都是哪些月的？
-分析一下这些数据需要做哪些清洗转化提高分析效果？
-请按顺序都执行
-```
-
-## 案例概述
-
-本文档展示了如何使用Claude Desktop配合云器Lakehouse MCP Server，对NYC绿色出租车真实数据进行端到端的智能分析处理。通过自然语言对话，我们将351,612条原始数据清洗转化为高质量的分析数据集，并新增了21个业务洞察字段，为深度分析奠定基础。
-
-## 技术方案架构
-
-### 核心技术栈
-
-**Claude Desktop**
-
-* Anthropic 开发的 AI 助手桌面应用
-* 支持全自然语言交互，无需编写 SQL 或掌握具体命令
-* 通过 MCP (Model Context Protocol) 协议连接外部数据系统
-
-**云器 Lakehouse MCP Server**
-
-* 云器科技开发的 Lakehouse 数据湖仓一体化平台的 MCP Server
-* 通过 MCP 协议提供 40+ 专业数据工具函数
-
-**MCP (Model Context Protocol)**
-
-* Claude 与外部系统的标准化连接协议
-* 实现 AI 助手与数据平台的无缝集成
-* 支持实时数据操作和智能化分析
-
-### 数据处理流程
-
-```
-原始数据 → 质量清洗 → 时间维度增强 → 业务指标计算 → 分类标准化 → 性能优化 → 分析就绪
-```
-
-## 数据源介绍
-
-### NYC绿色出租车数据集
-
-* **数据规模**：351,612条出租车行程记录
-* **时间跨度**：2025年1-7月完整数据
-* **数据字段**：22个原始字段，包含时间、位置、费用、支付等信息
-* **数据来源**：NYC TLC（纽约出租车及豪华车委员会）官方数据
-
-### 原始数据结构
-
-| 字段名                     | 数据类型      | 说明       |
-| ----------------------- | --------- | -------- |
-| vendorid                | bigint    | 供应商ID    |
-| lpep\_pickup\_datetime  | timestamp | 上车时间     |
-| lpep\_dropoff\_datetime | timestamp | 下车时间     |
-| pulocationid            | bigint    | 上车地点ID   |
-| dolocationid            | bigint    | 下车地点ID   |
-| passenger\_count        | bigint    | 乘客数量     |
-| trip\_distance          | double    | 行程距离（英里） |
-| fare\_amount            | double    | 基础费用     |
-| total\_amount           | double    | 总费用      |
-| payment\_type           | bigint    | 支付方式     |
-
-## 智能数据处理实战
-
-### 第一步：数据质量诊断
-
-用户只需自然语言提问："*这些数据需要做哪些清洗转化提高分析效果*？"
-
-Claude Desktop通过云器Lakehouse MCP Server自动执行数据质量分析：
-
-**发现的主要问题**：
-
-* 空值问题：23,304 条记录（6.6%）的乘客数量为空
-* 异常值：16,850 条记录（4.8%）的行程距离 ≤ 0
-* 时间异常：1,713 条记录的下车时间早于上车时间
-* 费用计算错误：40,942 条记录（11.6%）费用计算不一致
-
-### 第二步：智能数据清洗
-
-用户请求："*请按顺序都执行*"
-
-Claude Desktop自动生成并执行清洗方案：
-
-#### 异常数据过滤
-
-```sql
--- 自动生成的清洗逻辑
-CREATE TABLE nyc_green_taxi_2025_cleaned AS 
-SELECT *,
-    -- 修复passenger_count空值
-    CASE 
-        WHEN passenger_count IS NULL THEN 1
-        WHEN passenger_count = 0 THEN 1  
-        WHEN passenger_count > 6 THEN 6
-        ELSE passenger_count
-    END as passenger_count_cleaned,
-    
-    -- 计算行程时长（分钟）
-    TIMESTAMPDIFF(MINUTE, lpep_pickup_datetime, lpep_dropoff_datetime) as trip_duration_minutes
-FROM nyc_green_taxi_2025
-WHERE 
-    lpep_dropoff_datetime > lpep_pickup_datetime
-    AND trip_distance > 0 AND trip_distance < 100
-    AND fare_amount > 0 AND fare_amount < 500
-    AND total_amount > 0 AND total_amount < 1000
-```
-
-**清洗效果**：
-
-* 数据保留率：93.93%（330,257 条有效记录）
-* 空值消除率：100%
-* 异常值清理率：100%
-
-### 第三步：时间维度增强
-
-Claude Desktop智能识别时间分析需求，自动添加时间维度字段：
-
-```sql
--- 自动增加的时间分析字段
-ALTER TABLE nyc_green_taxi_2025_cleaned ADD COLUMNS (
-    pickup_year INT,
-    pickup_month INT,
-    pickup_hour INT,
-    pickup_dayofweek INT,
-    pickup_is_weekend BOOLEAN,
-    pickup_time_period STRING,  -- 早高峰/晚高峰/平时/深夜
-    pickup_season STRING        -- 春夏秋冬
-);
-```
-
-**时间模式洞察**：
-
-* 春季出行最多（28.82%）
-* 平时时段占比最高（63.83%）
-* 早高峰（7-9 点）和晚高峰（17-19 点）特征明显
-
-### 第四步：业务指标计算
-
-系统自动计算关键业务指标：
-
-```sql
--- 智能生成的业务指标
-trip_speed_mph,          -- 平均速度（英里/小时）
-fare_per_mile,           -- 每英里费用
-tip_rate,                -- 小费率
-trip_distance_category,  -- 距离分类（短途/中途/长途）
-fare_category,           -- 费用分类（低价/中价/高价）
-passenger_load_factor    -- 载客率分类
-```
-
-**业务洞察发现**：
-
-* 中途行程（1-5 英里）占主导地位（68.4%）。
-* 平均行程速度：12.0 英里/小时。
-* 信用卡支付占 74.79%，现金支付 24.26%。
-
-### 第五步：分类字段标准化
-
-将编码转换为可读标签：
-
-| 原始编码            | 标准化标签         | 占比     |
-| --------------- | ------------- | ------ |
-| vendorid=2      | VeriFone Inc  | 85.34% |
-| payment\_type=1 | Credit Card   | 74.79% |
-| ratecodeid=1    | Standard Rate | 94.28% |
-
-### 第六步：性能优化
-
-创建优化表并建立索引：
-
-* 数据压缩：从 17.2 MB 优化到 9.37 MB
-* 创建 BLOOMFILTER 索引提升查询性能
-* 支持高效的位置和供应商筛选
-
-## 核心MCP工具函数介绍
-
-### 数据查询工具
-
-* **read_query**: 执行 SELECT 查询，支持结果限制
-* **write_query**: 执行 DDL/DML 操作
-* **desc_object**: 查看表结构和元数据信息
-
-### 数据管理工具
-
-* **create_table**: 智能表创建，支持分区和聚集
-* **create_index**: 创建 BLOOMFILTER/INVERTED/VECTOR 索引
-* **show_object_list**: 智能对象列表展示
-
-### 数据分析工具
-
-* **vector_search**: 向量相似性搜索
-* **match_all**: 全文检索功能
-* **get_current_context**: 获取当前数据库上下文
-
-### 数据导入工具
-
-* **import_data_src**: 从 URL/文件导入数据
-* **preview_volume_data**: 数据预览和导入
-* **put_file_to_volume**: 文件上传到存储卷
-
-## 最终成果
-
-### 数据质量提升对比
-
-| 指标   | 清洗前     | 清洗后     | 改善效果     |
-| ---- | ------- | ------- | -------- |
-| 总记录数 | 351,612 | 330,257 | 保留 93.93% |
-| 空值记录 | 23,304  | 0       | 100% 消除   |
-| 异常距离 | 16,850  | 0       | 100% 清理   |
-| 时间异常 | 1,713   | 0       | 100% 修复   |
-| 分析字段 | 22 个     | 43 个     | 增加 95%    |
-
-### 新增业务分析能力
-
-**1. 时间模式分析**
-
-```sql
--- 不同时间段的运营效率分析
-SELECT pickup_time_period, pickup_season,
-       AVG(trip_speed_mph) as avg_speed,
-       AVG(tip_rate) as avg_tip_rate
-FROM nyc_green_taxi_2025_optimized 
-GROUP BY pickup_time_period, pickup_season;
-```
-
-**2. 定价策略分析**
-
-```sql
--- 距离-费用关系优化
-SELECT trip_distance_category, fare_category,
-       COUNT(*) as trip_count,
-       AVG(fare_per_mile) as avg_fare_per_mile
-FROM nyc_green_taxi_2025_optimized 
-GROUP BY trip_distance_category, fare_category;
-```
-
-**3. 供应商性能对比**
-
-```sql
--- 服务质量竞争分析
-SELECT vendor_name,
-       AVG(trip_speed_mph) as avg_speed,
-       AVG(tip_rate) as customer_satisfaction
-FROM nyc_green_taxi_2025_optimized 
-GROUP BY vendor_name;
-```
-
-## 方案优势
-
-### 用户体验优势
-
-* **零代码开发**：纯自然语言交互，无需 SQL 技能
-* **智能化处理**：AI 自动识别数据问题并生成解决方案
-* **实时反馈**：即时查看处理结果和质量报告
-
-### 技术能力优势
-
-* **企业级性能**：基于 Spark 引擎，支持 PB 级数据处理
-* **全栈数据工具**：40+ 专业函数覆盖完整数据生命周期
-* **开放集成**：标准 MCP 协议，易于扩展和集成
-
-### 业务价值优势
-
-* **数据质量提升**：从 88.4% 准确率提升到 95%+
-* **分析维度丰富**：从 22 个字段扩展到 43 个分析维度
-* **洞察深度增强**：支持时间模式、定价策略、运营效率等多维分析
-
-## 应用场景扩展
-
-### 行业应用
-
-* **交通运输**：出租车、网约车、物流配送数据分析
-* **零售电商**：客户行为、销售趋势、库存优化
-* **金融服务**：风险评估、客户画像、交易分析
-* **制造业**：生产效率、质量控制、供应链分析
-
-### 数据类型支持
-
-* **结构化数据**：CSV、Parquet、Delta Lake 格式
-* **半结构化数据**：JSON、XML、日志文件
-* **流式数据**：Kafka 实时数据流处理
-* **向量数据**：AI/ML 模型特征向量分析
-
-## 开始使用
-
-### 环境准备
-
-1. 下载安装Claude Desktop应用
-2. 获取云器Lakehouse访问权限
-3. 配置MCP Server连接参数
-4. 准备数据源（本地文件或云存储）
-
-### 快速上手
-
-1. 在Claude Desktop中连接云器Lakehouse
-2. 使用自然语言描述分析需求
-3. 让AI自动生成和执行数据处理方案
-4. 实时查看结果并迭代优化
-
-### 最佳实践
-
-* 先进行小规模数据测试
-* 关注数据质量报告和清洗建议
-* 利用时间和业务维度增强分析深度
-* 建立索引优化查询性能
-
-## 总结
-
-本案例展示了 Claude Desktop 与云器 Lakehouse MCP Server 的强大组合，通过 AI 驱动的智能数据处理，将复杂的数据工程任务简化为自然语言对话。从数据质量诊断到业务洞察生成，整个过程实现了 **93.93% 的数据保留率** 和 **95% 的字段增强**，为后续的深度分析奠定了坚实基础。
-
-这种“AI + Lakehouse”的创新模式，不仅大幅降低了数据分析的技术门槛，更为企业数字化转型提供了高效、智能的解决方案。无论是数据科学家还是业务分析师，都能通过这套方案快速获得专业级的数据处理能力。

package/bin/skills/lakehouse-doc/references/object-model-overview.md

@@ -1,70 +0,0 @@
-# 云器Lakehouse对象模型概览
-
-云器 Lakehouse 采用分层结构管理资源，以提高数据组织和访问的效率。以下是 Lakehouse 对象模型的详细说明和示例。
-
-![](.topwrite/assets/object-hierarchy.png)
-
-## 账户（Account）
-
-云器的账户是代表与云器公司建立商业关系的组织或个人（通常是企业账户），用于开通云器产品服务、付费、获取服务支持等。账户在注册时将自动生成一个全局唯一的账户名，作为您在云器产品中的唯一标识。
-
-**特点：**
-- 账户负责充值、出账单、费用支付以及订购或变更云器产品。
-- 所有企业或个人在云器产品上开通的服务实例及其资源对象都归属于特定账户。
-
-**示例：**
-假设您是一家名为“XYZ科技”的企业，注册云器账户后，系统为您生成的账户名为“xyztech0128”，您的账户 URL 为“xyztech0128.accounts.clickzetta.com”。
-
-## 用户（User）
-
-账户注册成功后，您可以创建多个用户共同使用同一个账户内的资源。不同用户间可以通过权限控制分配可使用的数据和资源。
-
-**示例：**
-在“XYZ科技”的账户下，您可以创建多个用户，如“alice”（负责数据分析）、“bob”（负责数据开发）等。您可以根据他们的职责分配不同的权限，确保数据安全和高效协作。
-
-## 服务实例（Lakehouse Instance）
-
-Lakehouse 服务实例是云器 Lakehouse 产品服务的载体。在开通 Lakehouse 服务时，您需要根据指定的云服务商和地域，在账户下创建服务实例。一个账户下可以创建一个或多个服务实例（当前阶段默认仅支持创建单个服务实例）。
-
-**特点：**
-- 服务实例采用统一元数据管理数据对象、计算资源、作业任务；
-- 服务实例具备区域属性，其计算、数据和其他服务资源均在此云服务商的区域内；
-- 不同服务实例间默认相互隔离。
-
-**示例：**
-“XYZ科技”需要在阿里云和腾讯云分别部署 Lakehouse 服务，可以在其账户下创建两个服务实例：“ali-lakehouse”和“tencent-lakehouse”。
-
-## 工作空间（Workspace）
-
-工作空间是用于组织 Lakehouse 资源对象（数据对象、计算资源、用户等）并提供配套数据开发能力的逻辑对象。一个服务实例下可以创建多个工作空间。工作空间之间默认隔离，用户需加入工作空间，才可使用该工作空间内的对象。同一实例下不同工作空间内的对象，可通过跨工作空间授权的方式实现共享。
-
-**特点：**
-- 工作空间用于组织和管理数据开发、计算资源等对象。
-- 工作空间之间相互隔离，确保数据安全和高效协作。
-
-**示例：**
-在“ali-lakehouse”服务实例下，您可以创建两个工作空间：“data-dev”（负责数据开发）和“data-ops”（负责数据运维）。
-
-## 计算资源（Virtual Cluster）
-
-计算资源由多实例虚拟计算集群和运行在集群中的计算服务构成，为用户作业提供计算环境，包括 CPU、内存以及临时存储。
-
-## Schema
-
-在工作空间内，Schema 是一组数据库对象的命名空间。数据库对象包括表、视图等。一个工作空间内可以包含多个命名各异的 Schema。
-
-## 表（Table）
-
-表是格式化的二维数据表格。
-
-## 视图（View）
-
-视图是一种虚拟存在的表，并不在数据库中实际存在，在使用时动态生成。
-
-## 物化视图（Materialized View）
-
-物化视图是一种特殊的视图，相对普通视图，物化视图在数据库中实际存在，并占用存储资源。
-
-## Lakehouse SQL任务（JOB）
-
-Lakehouse SQL 任务是指在 Lakehouse 中通过 Web 端数据开发功能或 CLI、JDBC 连接等方式提交的 SQL 查询任务。