@clickzetta/cz-cli-darwin-x64 0.3.76 → 0.3.78

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

@@ -1,61 +0,0 @@
-### 日期时间格式
-
-#### 概述
-
-在处理和展示日期时间信息时，正确地格式化和解析这些信息至关重要。CZ 提供了一系列日期时间格式符号，以便用户根据不同的需求来格式化、表示和处理日期时间数据。
-
-#### 日期时间格式符号
-
-| 符号 | 描述 | 支持类型 | 示例 |
-|:----:|:----:|:-------:|:----:|
-| y   | 年份 | 4位数字 | 2022  |
-| M   | 月份 | 1位或2位数字 | 3; 03  |
-| d   | 日期 | 1位或2位数字 | 5; 05  |
-| H   | 小时（24小时制） | 1位或2位数字 | 10; 23 |
-| m   | 分钟 | 1位或2位数字 | 5; 59  |
-| s   | 秒 | 1位或2位数字 | 8; 59  |
-| S   | 毫秒/微秒 | 1至6位数字 | 324123; 123456 |
-| '   | 字符常量 | 文本 | 'yyyy' |
-
-#### 详细说明
-
-1. 年份 (y)
-   - `yyyy`：表示四位数的年份，例如 2022。
-
-2. 月份 (M)
-   - `M`：表示不带前导零的月份。
-   - `MM`：表示带前导零的月份，例如 03 或 12。
-
-3. 日期 (d)
-   - `d`：表示不带前导零的日期。
-   - `dd`：表示带前导零的日期，例如 05 或 20。
-
-4. 小时（24小时制，H）
-   - `H`：表示不带前导零的小时。
-   - `HH`：表示带前导零的小时，例如 01 或 23。
-
-5. 分钟 (m)
-   - `m`：表示不带前导零的分钟。
-   - `mm`：表示带前导零的分钟，例如 04 或 59。
-
-6. 秒 (s)
-   - `s`：表示不带前导零的秒。
-   - `ss`：表示带前导零的秒，例如 08 或 59。
-
-7. 毫秒/微秒 (S)
-   - `S`：表示毫秒和微秒，可以是1至6位数字。从左到右依次为毫秒（3位）、微秒（3位）。纳秒（3位）在 CZ 中会被忽略。如果 S 的位数不足 6 位，则从右边开始降低精度。CZ 目前只支持微秒级别的时间戳精度。
-
-8. 字符常量 (')
-   - `'`：用于插入文本字符，例如 `'你好世界'`。
-
-#### 示例
-
-以下是一些使用不同日期时间格式的示例：
-
-1. `yyyy-MM-dd HH:mm:ss.SSSS`：2022-01-10 10:05:02.123456
-2. `yyyy/MM/dd HH:mm:ss.SSSS`：2022/01/10 10:05:02.123456
-3. `yyyy年MM月dd日 HH时mm分ss秒SSS毫秒`：2022年01月10日 10时05分02秒123毫秒
-4. `'今天是y年MM月dd日 d天' HH:mm:ss.SSSS`：今天是2022年01月10日 5天 10:05:02.123456
-5. `yyyy'你好世界'yMdH'-MM-dd HH:mm:ss.SSSS`：2022你好世界yMdH-01-10 10:05:02.123456
-
-通过上述格式符号和示例，用户可以灵活地根据需要创建和解析日期时间字符串。请注意，在解析时间字符串时，系统会根据格式符号的要求来解析每个部分。如果输入的字符串与指定的格式不匹配，将无法正确解析日期时间信息。因此，请确保输入的字符串严格遵循所选的日期时间格式。

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

@@ -1,376 +0,0 @@
-# 安装和使用指南
-
-## 概述
-
-本指南将帮助您从零开始配置和使用 Datus Agent 连接云器 Lakehouse，实现自然语言查询和智能数据分析。通过逐步的配置过程，您将能够：
-
-* 建立Datus与云器Lakehouse的连接
-* 配置多种AI模型支持
-* 启用MCP工具集成（可选）
-* 开始使用自然语言进行数据查询和分析
-
-## 环境要求
-
-* **Python 版本**: 3.12 或更高
-* **Datus**: 0.2.23 或更高
-* **操作系统**: macOS、Linux 或 Windows
-* **云器 Lakehouse 访问权限**: 包括服务端点、用户凭据等
-* **网络要求**: 能够访问云器 Lakehouse API 端点
-
-## 第一步：创建项目目录
-
-```bash
-# 创建项目目录
-mkdir my-lakehouse-datus
-cd my-lakehouse-datus
-```
-
-## 第二步：创建Python虚拟环境
-
-选择以下三种方式之一创建虚拟环境：
-
-### 方式一：使用 conda（推荐）
-
-```bash
-conda create -n lakehouse-env python=3.12
-conda activate lakehouse-env
-```
-
-### 方式二：使用 virtualenv
-
-```bash
-python3.12 -m venv lakehouse-env
-source lakehouse-env/bin/activate  # Linux/macOS
-# 或者
-lakehouse-env\Scripts\activate  # Windows
-```
-
-### 方式三：使用 uv（现代化工具）
-
-```bash
-uv venv --python 3.12 lakehouse-env
-source lakehouse-env/bin/activate  # Linux/macOS
-```
-
-## 第三步：安装Datus Agent包
-
-```bash
-# 安装Datus Agent
-pip install datus-agent
-# 云器Lakehouse的Datus插件
-pip install datus-clickzetta
-```
-
-如果需要Datus Agent最新的开发版本：
-
-```bash
-pip install git+https://github.com/Datus-ai/Datus-agent.git
-```
-
-## 第四步：配置环境变量
-
-创建 `.env` 文件来存储敏感信息：
-
-```bash
-# 创建环境变量配置文件
-touch .env
-```
-
-在 `.env` 文件中添加以下配置（请根据您的实际情况修改）：
-
-```env
-# 云器Lakehouse连接配置
-CLICKZETTA_SERVICE=cn-shanghai-alicloud.api.clickzetta.com
-CLICKZETTA_USERNAME=your_username
-CLICKZETTA_PASSWORD=your_password
-CLICKZETTA_INSTANCE=your_instance_id
-CLICKZETTA_WORKSPACE=quick_start
-CLICKZETTA_SCHEMA=mcp_demo
-CLICKZETTA_VCLUSTER=default_ap
-
-# AI模型配置（选择其中一种）
-# 阿里云通义千问（推荐）
-DASHSCOPE_API_KEY=your_dashscope_api_key
-
-# 或者 DeepSeek
-DEEPSEEK_API_KEY=your_deepseek_api_key
-
-# 或者 OpenAI
-OPENAI_API_KEY=your_openai_api_key
-
-# 或者 Claude
-ANTHROPIC_API_KEY=your_claude_api_key
-```
-
-## 第五步：配置Datus Agent
-
-创建配置目录和 `agent.yml` 配置文件：
-
-```bash
-mkdir -p conf
-touch conf/agent.yml
-```
-
-将以下内容复制到 `conf/agent.yml` 文件中：
-
-```yaml
-agent:
-  target: qwen_main  # 使用通义千问作为主要模型
-  home: .datus
-
-  # 模型配置
-  models:
-    qwen_main:
-      type: qwen
-      vendor: aliyun
-      base_url: https://dashscope.aliyuncs.com/compatible-mode/v1
-      api_key: ${DASHSCOPE_API_KEY}
-      model: qwen-plus
-      enable_thinking: false
-
-    qwen_reasoning:
-      type: qwen
-      vendor: aliyun
-      base_url: https://dashscope.aliyuncs.com/compatible-mode/v1
-      api_key: ${DASHSCOPE_API_KEY}
-      model: qwen3-max
-      enable_thinking: true
-
-    # 备选模型配置
-    deepseek_chat:
-      type: deepseek
-      vendor: deepseek
-      base_url: https://api.deepseek.com
-      api_key: ${DEEPSEEK_API_KEY}
-      model: deepseek-chat
-
-  # 智能节点配置
-  agentic_nodes:
-    lakehouse_assistant:
-      node_type: gensql
-      model: qwen_main
-      system_prompt: gen_sql
-      prompt_version: '1.0'
-      prompt_language: zh  # 支持中文
-      max_turns: 15
-      tools: db_tools.*, context_search_tools.*
-      agent_description: 云器Lakehouse智能助手，支持自然语言查询和数据分析
-      rules:
-      - 优先使用中文回复用户
-      - 详细解释SQL查询逻辑
-      - 提供可执行的SQL语句
-      - 专注于云器Lakehouse环境内的数据对象
-
-  # 数据库连接配置
-  namespace:
-    lakehouse:
-      type: clickzetta
-      service: ${CLICKZETTA_SERVICE}
-      username: ${CLICKZETTA_USERNAME}
-      password: ${CLICKZETTA_PASSWORD}
-      instance: ${CLICKZETTA_INSTANCE}
-      workspace: ${CLICKZETTA_WORKSPACE}
-      schema: ${CLICKZETTA_SCHEMA}
-      vcluster: ${CLICKZETTA_VCLUSTER}
-      secure: false
-
-  # 存储配置
-  storage:
-    embedding_device_type: cpu
-    document:
-      registry_name: sentence-transformers
-      model_name: all-MiniLM-L6-v2  # 轻量级嵌入模型
-      dim_size: 384
-      batch_size: 64
-
-  # 工作流配置
-  workflow:
-    plan: reflection
-    chat_default_node: lakehouse_assistant
-
-# 模式链接匹配率（影响查询性能）
-schema_linking_rate: medium
-```
-
-## 第六步：测试连接
-
-在启动完整系统之前，测试数据库连接：
-
-```bash
-python -c "
-from datus.tools.db_tools.db_manager import DBManager
-from datus.configuration.agent_config import DbConfig
-import os
-from dotenv import load_dotenv
-
-# 加载环境变量
-load_dotenv()
-
-# 创建数据库配置
-db_config = DbConfig(
-    type='clickzetta',
-    service=os.getenv('CLICKZETTA_SERVICE'),
-    username=os.getenv('CLICKZETTA_USERNAME'),
-    password=os.getenv('CLICKZETTA_PASSWORD'),
-    instance=os.getenv('CLICKZETTA_INSTANCE'),
-    workspace=os.getenv('CLICKZETTA_WORKSPACE'),
-    schema=os.getenv('CLICKZETTA_SCHEMA'),
-    vcluster=os.getenv('CLICKZETTA_VCLUSTER')
-)
-
-# 测试连接
-namespaces = {'lakehouse': {'lakehouse': db_config}}
-db_manager = DBManager(namespaces)
-
-try:
-    connector = db_manager.get_conn('lakehouse', 'lakehouse')
-    result = connector.test_connection()
-    print('✅ 云器Lakehouse连接测试成功！')
-    print(f'连接结果: {result}')
-except Exception as e:
-    print(f'❌ 连接测试失败: {e}')
-"
-```
-
-## 第七步：启动Datus
-
-### 方式一：命令行模式
-
-```bash
-# 启动交互式CLI
-datus-cli --namespace lakehouse --config conf/agent.yml
-```
-
-### 方式二：Web模式（推荐，支持subagent选择）
-
-```bash
-# 启动Web界面，支持选择不同的subagent
-datus-cli --namespace lakehouse --config conf/agent.yml --web --host 0.0.0.0
-
-# 或者只在本地访问
-datus-cli --namespace lakehouse --config conf/agent.yml --web --host 127.0.0.1
-```
-
-**Web 模式启动后**：
-
-* 默认访问地址：<http://localhost:8501> 或 <http://0.0.0.0:8501>
-* 在Web界面中可以选择之前创建的subagent进行对话
-* 支持更直观的交互界面
-
-**启动成功后的界面**：
-
-**CLI 模式**：
-
-```
-Initializing AI capabilities in background...
-
-Datus - AI-powered SQL command-line interface
-Type '.help' for a list of commands or '.exit' to quit.
-
-Namespace lakehouse selected
-Connected to lakehouse using database quick_start
-Context: Current: database: quick_start
-Type SQL statements or use ! @ . commands to interact.
-Datus>
-```
-
-**Web模式**：
-
-* 终端显示服务器启动信息和访问地址
-* 浏览器打开对应地址即可看到Web界面
-* Web界面左侧显示可选择的subagent列表
-* 点击选择subagent后即可开始对话
-
-## 第八步：开始使用（命令行方式）
-
-![](/.topwrite/assets/image_1764226910096.png)
-
-### 查看可用表
-
-```sql
-Datus> .tables
-```
-
-### 使用自然语言查询
-
-```
-Datus> / 显示所有用户表的统计信息
-```
-
-### 执行SQL查询
-
-```sql
-Datus> SELECT * FROM your_table LIMIT 10;
-```
-
-### 获取帮助
-
-```
-Datus> .help
-```
-
-
-
-### Web方式
-
-![](/.topwrite/assets/image_1764227961202.png)
-
-Web 方式启动页面如上。如果在命令行方式下增加了 SubAgent，则首页就会显示。
-直接输入聊天内容则以 Agent 模式运行（不会调用 MCP Tools）。选择具体的 SubAgent 后则以 SubAgent 模式进行对话，会调用 MCP Tools。
-
-![](/.topwrite/assets/image_1764228154353.png)
-
-### 多模型配置
-
-为不同任务使用不同模型：
-
-```yaml
-agentic_nodes:
-  quick_query:
-    model: qwen_main         # 快速查询使用基础模型
-    # ... 其他配置
-
-  complex_analysis:
-    model: qwen_reasoning    # 复杂分析使用推理模型
-    enable_thinking: true
-    # ... 其他配置
-```
-
-## 常见问题
-
-### Q: 连接云器Lakehouse失败
-
-**A**：请检查：
-
-1. 网络连接是否正常
-2. `.env` 文件中的凭据是否正确
-3. 云器 Lakehouse 服务是否可访问
-4. 实例ID、工作空间等参数是否正确
-
-### Q: AI模型响应缓慢
-
-**A**：可以尝试：
-
-1. 切换到更快的模型（如 `qwen-plus` → `qwen-turbo`）
-2. 减少 `max_context_length` 等参数
-3. 启用GPU加速（如果可用）
-
-### Q: 查询结果不准确
-
-**A**：建议：
-
-1. 增加 `schema_linking_rate` 到 `slow` 以获得更精确的模式匹配
-2. 在查询中提供更多上下文信息
-3. 使用 `.schema tablename` 查看表结构后再查询
-
-### Q: 如何切换不同的数据库实例
-
-**A**：
-
-1. 修改 `.env` 文件中的 `CLICKZETTA_*` 变量
-2. 重新启动 `datus-cli`
-3. 或者在配置中添加多个namespace配置
-
-***
-
-*本指南最后更新时间：2025年11月*

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

@@ -1,148 +0,0 @@
-# Datus 与云器 Lakehouse 集成介绍
-
-## 什么是Datus
-
-[Datus](https://github.com/Datus-ai/Datus-agent)是一个开源的数据工程智能体（open-source data engineering agent），专为数据系统构建可演化的上下文环境。Datus 代表了数据工程的范式转变：从传统的“构建表和数据管道”转向“为分析师和业务用户提供具有领域感知能力的智能代理”。
-
-命令行方式快速一览：
-
-:-: ![](/.topwrite/assets/20251127152801_rec_.gif =804)
-
-Web方式快速一览：
-
-:-: ![](/.topwrite/assets/20251127171510_rec_.gif =804)
-
-###
-
-### 核心组件
-
-**Datus-CLI**：面向数据工程师的 AI 驱动命令行界面，可以理解为“数据工程师的 Claude Code”。主要功能包括：
-
-* **交互式SQL编写**: 通过自然语言生成和优化SQL查询
-* **子代理构建**: 创建专门领域的智能代理（subagents）
-* **上下文构建**: 交互式地为数据系统构建和演化上下文知识
-
-**Datus-Chat**：Web 聊天机器人，为数据分析师提供：
-
-* **多轮对话**: 持续的数据探索和分析对话
-* **反馈机制**: 内置点赞、问题报告、成功案例等反馈系统
-* **用户友好**: 为非技术用户优化的界面体验
-
-**Datus-API**：为其他智能体或应用程序提供稳定、准确的数据服务 API。
-
-### 技术特性
-
-* **多 AI 模型支持**：集成通义千问、DeepSeek、OpenAI、Claude 等多种 AI 模型
-* **可扩展架构**：支持 MCP（Model Context Protocol）工具集成。
-* **多数据源连接**：支持各种数据库和数据仓库平台。
-* **中文优化**：针对中文语境和使用习惯进行了专门优化。
-
-## 集成架构
-
-```
-┌─────────────────────────────────────────────────────────────────┐
-│                      User Interface Layer                       │
-├──────────────────────────────┬──────────────────────────────────┤
-│         Datus-CLI            │         Datus-Chat               │
-│      (Command Line)          │       (Web Interface)            │
-│  ┌─────────────────────────┐ │  ┌─────────────────────────────┐ │
-│  │ • Natural Lang Query    │ │  │ • Multi-turn Conversations  │ │
-│  │ • SQL Generation        │ │  │ • Subagent Selection        │ │
-│  │ • MCP Tool Invocation   │ │  │ • Feedback Mechanisms       │ │
-│  └─────────────────────────┘ │  └─────────────────────────────┘ │
-└──────────────────────────────┴──────────────────────────────────┘
-                                │
-                                ▼
-┌─────────────────────────────────────────────────────────────────┐
-│                     Datus Agent Core                            │
-├─────────────────────────────────────────────────────────────────┤
-│ ┌─────────────┐ ┌─────────────┐ ┌─────────────────────────────┐ │
-│ │ AI Models   │ │ Subagents   │ │     Context Management      │ │
-│ │             │ │             │ │                             │ │
-│ │ • Qwen      │ │ • lakehouse │ │ • Database Schema           │ │
-│ │ • DeepSeek  │ │ • mcp_agent │ │ • Query History             │ │
-│ │ • OpenAI    │ │             │ │ • Embedding Vectors         │ │
-│ │ • Claude    │ │             │ │ • Knowledge Base            │ │
-│ └─────────────┘ └─────────────┘ └─────────────────────────────┘ │
-└─────────────────────────────────────────────────────────────────┘
-                                │
-               ┌────────────────┴────────────────┐
-               ▼                                 ▼
-    (Datus-ClickZetta)                 (MCP Protocol)
-┌─────────────────────────┐      ┌─────────────────────────┐
-│      Data Layer         │      │    Tool Extension       │
-├─────────────────────────┤      ├─────────────────────────┤
-│  ClickZetta Lakehouse   │◄─────┤ ClickZetta MCP Server   │
-│                         │      │                         │
-│ ┌─────────────────────┐ │      │ ┌─────────────────────┐ │
-│ │ • Data Storage      │ │      │ │ • Instance Mgmt     │ │
-│ │ • Compute Engine    │ │      │ │ • Job Monitoring    │ │
-│ │ • SQL Execution     │ │      │ │ • System Ops        │ │
-│ │ • Metadata Mgmt     │ │      │ │ • Analytics         │ │
-│ └─────────────────────┘ │      │ └─────────────────────┘ │
-│                         │      │                         │
-│ Connection:             │      │ Connection:             │
-│ • Service Endpoint      │      │ • HTTP Transport        │
-│ • Username/Password     │      │ • SSE Transport         │
-│ • Instance/Workspace    │      │ • Tool Filtering        │
-└─────────────────────────┘      └─────────────────────────┘
-```
-
-### 架构说明
-
-**用户交互层**：
-
-* **Datus-CLI**：为数据工程师提供命令行交互方式
-* **Datus-Chat**：为数据分析师和业务用户提供 Web 界面
-
-**Datus Agent 核心**：
-
-* **AI 模型层**：支持多种大语言模型，可根据任务类型选择最适合的模型
-* **子代理管理**：不同的智能代理负责不同的业务场景。
-* **上下文管理**：维护数据系统的知识图谱和查询上下文。
-
-**数据层**：
-
-* **云器 Lakehouse**：提供数据存储、计算和 SQL 执行能力
-
-**工具扩展层**：
-
-* **云器 Lakehouse MCP Server**：云器 Lakehouse 官方提供的 MCP 服务器，通过标准化协议扩展系统能力，提供高级管理和分析工具
-
-### 连接关系说明
-
-1. **Datus ↔ 云器 Lakehouse**：通过 **Datus-ClickZetta** 连接器实现数据库连接，支持 SQL 查询执行和元数据获取。
-2. **Datus ↔ 云器 Lakehouse MCP Server**：通过 **MCP 协议** 连接，调用高级管理和分析工具。
-3. **云器 Lakehouse MCP Server ↔ 云器 Lakehouse**：MCP Server 作为云器 Lakehouse 的扩展服务，可以访问和管理底层数据平台。
-
-## 集成价值
-
-### Datus + 云器 Lakehouse
-
-云器 Lakehouse 作为现代化的数据湖仓一体平台，具有强大的数据处理和存储能力。与 Datus 集成后：
-
-1. **降低使用门槛**: 业务用户无需学习SQL，即可直接查询和分析海量数据
-2. **提高分析效率**: 自然语言查询大幅减少了数据探索的时间成本
-3. **智能化洞察**: AI驱动的查询优化和结果解释，帮助用户更好理解数据
-4. **中文友好**：针对中文语境优化，更适合国内用户使用习惯。
-
-### Datus + 云器 Lakehouse MCP Server
-
-通过云器 Lakehouse 官方提供的 MCP Server 集成，进一步扩展了系统能力：
-
-1. **实例管理**: 智能切换不同的云器Lakehouse实例和环境
-2. **作业监控**：查询和分析 SQL 作业的执行历史和性能指标。
-3. **系统运维**：通过自然语言进行系统状态查询和配置管理。
-4. **高级分析**：利用专门的分析工具进行深度数据洞察。
-5. **工作流自动化**：将复杂的数据处理流程封装为简单的自然语言指令。
-
-## 适用场景
-
-* **数据分析师**：快速探索和分析业务数据，生成报表和洞察
-* **业务用户**：无技术背景的用户也能轻松查询所需数据
-* **数据工程师**：通过 MCP 工具进行系统管理和作业监控
-* **决策者**：快速获取关键业务指标和趋势分析
-
-***
-
-*本指南最后更新时间：2025年11月*

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

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

package/bin/skills/lakehouse-doc/references/default-value.md

@@ -1,89 +0,0 @@
-## 默认值
-
-### 语法
-
-```SQL
-CREATE TABLE [ IF NOT EXISTS ] table_name
-(
-    column_definition DEFAULT default_expression, [column_definition,...]
-)
-[ PARTITIONED BY (column_name column_type | column_name ) ];
-```
-
-* **DEFAULT default_expression**：为新添加的列定义一个默认值。如果在 INSERT、UPDATE 或 MERGE 操作中未指定该列的值，将自动使用此默认值。对于添加列之前已存在的数据行，该列将填充为 null。支持非确定性函数（如 `current_date`、`random`、`current_timestamp`、上下文函数）和常量值。
-
-### 生成列和默认值区别
-
-1. **分区列支持**：
-   * **默认值**：当前不支持为分区列设置默认值。
-   * **生成列**：支持为分区列生成值。
-
-2. **函数支持**：
-   * **默认值**：支持使用非确定性函数，如 `current_timestamp()`。
-   * **生成列**：不支持非确定性函数，只能使用确定性的标量函数。
-
-3. **插入操作中的值指定**：
-   * **默认值**：在插入数据时，可以为列指定一个静态值，如果未指定，则使用默认值。
-   * **生成列**：在插入数据时，不能为生成列指定值，其值完全由生成表达式决定。
-
-4. **列值来源**：
-   * **默认值**：不支持列的值来自其他列的转换。
-   * **生成列**：支持列的值来自其他列的转换，即可以基于其他列的值计算生成。
-
-5. **现有数据行的处理**：
-   * **默认值**：当为现有表添加带有默认值的列时，已存在的数据行中的该列将填充为 null。
-   * **生成列**：对于已存在的数据行，生成列的值将根据生成表达式进行计算，并显示计算结果。
-
-### 使用限制
-
-* 不支持分区列使用默认值。
-* 支持批量接口写入，包括Studio数据集成的批量导入。实时接口写入时默认值不会生效，因为调用实时接口时必须指定所有的列。
-* 不支持类似生成列中可以引用其他列的函数方式。
-
-### 插入数据
-
-```SQL
-CREATE TABLE t_default
-(
-    id   int,
-    col1 string DEFAULT current_timestamp (),
-    col2 string DEFAULT '1',
-    col3 int    DEFAULT 1,
-    clo4 json   DEFAULT '1',
-    col5 DOUBLE DEFAULT random(),
-    col6 date   DEFAULT current_date()
-);
-INSERT INTO t_default (id) VALUES (1);
-```
-
-## 添加字段时指定默认值
-
-### 语法
-
-```SQL
--- 添加列
-ALTER TABLE table_name ADD COLUMN
-      column1_name_identifier data_type [column_properties]
-      [FIRST | AFTER column1_name_identifier]  ,....
-
-column_properties:==
-    DEFAULT default_expression |
-    COMMENT column_comment 
-```
-
-* **DEFAULT default_expression**：为新添加的列定义一个默认值。如果在 INSERT、UPDATE 或 MERGE 操作中未指定该列的值，将自动使用此默认值。对于添加列之前已存在的数据行，该列将填充为 null。
-
-### 使用限制
-
-* 不支持为已有的列添加默认值。
-
-### 示例
-
-#### 添加列并指定默认值
-
-```SQL
-ALTER TABLE my_table ADD COLUMN
-    new_col INT DEFAULT 0 AFTER existing_col;
-```
-
-在这个例子中，`new_col` 将被添加到 `existing_col` 后面，并且所有现有数据行的 `new_col` 将被设置为默认值 null。