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

package/bin/skills/lakehouse-doc/references/774c65e217.md

@@ -1,136 +0,0 @@
-# 如何上传json/jsonl文件导入到lakehouse的表中
-
-^
-
-## 前提条件
-
-当前仅支持以下标准格式的json/jsonl文件，若不符合规范则无法成功识别
-
-**JSONL格式**
-
-> * 每行一个完整的JSON对象
-> * 行之间用换行符（\n）分隔
-> * 不允许行尾有逗号
-> * 每行必须是有效的JSON
-> * 支持标准格式化的JSON行
->   -----示例1---
->   {"id": 1, "name": "Alice", "age": 30, "city": "New York"}{"id": 2, "name": "Bob", "age": 28, "city": "Los Angeles"}{"id": 3, "name": "Charlie", "age": 35, "city": "Chicago"}{"id": 4, "name": "Diana", "age": 32, "city": "Houston"}
->   -----示例2---
->   {"id": 1, "name": "Alice", "age": 30, "city": "New York"}
->   {
->   "id": 2,
->   "name": "Bob",
->   "age": 28,
->   "city": "Los Angeles"
->   }
-
-**JSON格式**
-
-> --JSON数组格式---
-> [{"id": 1, "name": "Alice", "age": 30, "city": "New York"},{"id": 2, "name": "Bob", "age": 28, "city": "Los Angeles"},{"id": 3, "name": "Charlie", "age": 35, "city": "Chicago"},{"id": 4, "name": "Diana", "age": 32, "city": "Houston"}]
-> --JSON格式化---
-> {
-> "id": 2,
-> "name": "Bob",
-> "age": 28,
-> "city": "Los Angeles"
-> }
-
-## 方案一：使用云器lakehouse web端上传功能导入
-
-**操作步骤**：
-
-在如下地方均可以点击「上传数据」
-
-* 实例首页->数据上传
-* 开发->数据树左侧
-* 数据资产地图->数据上传
-* 数据资产地图->数据管理->数据树->数据上传
-
-将符合标准格式规范的，且后缀是json/jsonl的文件拖拽/添加至上传区域，同时选择具体的配置信息，详细操作可见 [数据上传](<upload_data.md>)
-
-
-**上传到新表**
-
-| ![](.topwrite/assets/774c65e217/dcc4141809b8624f9869df74f16143d62d0c4618.jpeg =290) | ![](.topwrite/assets/774c65e217/620b74b85135aaf3f07902fc33d9fa1c6ce62ae0.jpeg =475) |
-| ----------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------- |
-
-当文件添加后，系统会给予json/jsonl的规则解析文件中的信息，并生成相应的字段名称、类型、以及具体的数值。
-
-当确定解析的信息准确无误后，可自定义勾选本次希望上传和导入的数据。
-
-点击确定后，系统会自动创建相应的表，同时将json文件的数据导入到该表中。
-
-**上传到已有表**
-
-| ![](.topwrite/assets/774c65e217/cd685005810b036910d46bd65780b5426676360e.png =259) | ![](.topwrite/assets/774c65e217/96a4ea3793bc69dedc0d9156a20b0d3a90df6167.jpeg =391) |
-| ---------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------- |
-
-* 选择目标表后，点击下一步，会列出目标表的具体字段。
-* 请确保目标文件中的数据有相应的字段信息，若存在字段和文件中字段不一致的场景，处理规则如下：
-* 若文件中没有目标表的字段，则该字段的数值默认为null
-* 若文件中有的字段没有在表中出现，则该字段默认不进行任何处理。
-* 若文件中的字段与表中的字段名一致，但是类型不一致，则该数值会被判定为错误数据。
-
-## 方案二：使用外部volume导入
-
-> 只支持每行是一个完整的JSON对象的形式导入，若文件中存在换行、格式化的场景，则无法解析。
-
-第一步：创建外部volume的链接
-
-```Plain
-```Plain
-CREATE STORAGE CONNECTION IF NOT EXISTS oss_test3   
-     TYPE oss    
-     ENDPOINT = '对应的endpoint'  
-     ACCESS_ID = '您的access_id'   
-     ACCESS_KEY = '您的access_key'   
-     COMMENTS = 'OSS public endpoint' ; 
-```
-
-第二步：创建外部volume
-
-```SQL
-CREATE EXTERNAL VOLUME  if not exists my_volume 
-LOCATION 'oss://json_file/' 
-USING CONNECTION oss_test3
-DIRECTORY = (enable=true, auto_refresh=true)
-RECURSIVE=true;
-```
-
-第三步：校验volume是否创建成功（可选）
-
-```Plain
-list VOLUME my_volume;
-```
-
-第四步：使用 sqlline 工具或 数据库管理工具。该命令暂不支持在 Studio 中运行。
-
-```Plain
-PUT '/Users/xxx/xxxx.json'  to  volume public.my_volume  file  'ods.json';
-```
-
-第五步：查询上传的json文件格式（可选）
-
-```Plain
-SELECT * FROM VOLUME my_volume  USING  json FILES('odst.json') LIMIT 5;
-```
-
-第六步：基于文件解析后的字段创建相应的lakehouse table（table创建过程略）并将数据导入到table中
-
-```Plain
-COPY INTO day_report_simple
-FROM VOLUME my_volume
-USING JSON
-FILES('ods.json');
-```
-
-QA
-
-问题一：使用数据上传功能上传的数据解析的字段不全
-
-使用数据上传功能默认只解析json中前1000行的字段信息，若1000行外的数据中有不同的key和value默认不会进行处理。
-
-问题二：为什么创建了CONNECTION和VOLUME但是依旧提示上传文件失败？
-
-当前在云器studio产品内，无法通过运行结果直接判断CONNECTION和VOLUME是否成功创建，建议参考方案二中的第三步判断是否创建成功。

package/bin/skills/lakehouse-doc/references/9164fed65a.md

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

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

@@ -1,3 +0,0 @@
- 
-
-请参考 [AI Gateway](AI_Gateway.md)。

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

@@ -1,157 +0,0 @@
-## AI\_COMPLETE
-
-`AI_COMPLETE` 是云器 Lakehouse 平台中用于生成式 AI 任务的核心标量函数。它允许用户在 SQL 环境中直接调用大规模语言模型（LLM），根据文本提示或多模态输入生成响应（补全），从而完成文本补全、翻译、情感分析、代码生成及复杂推理等任务。
-
-云器将 AI 计算下沉至存储层与执行引擎，确保数据在平台内部即可实现智能化处理，无需流转至外部环境，从而在保障数据安全的同时极大地降低了任务延迟。
-
-用户可以提供以下类型的输入：
-
-* **文本提示**：提供一个字符串形式的 Prompt，由模型生成响应。详见 AI\_COMPLETE（单字符串）。
-* **单张图像与文本提示**：提供一张图像和一个文本提示，由模型根据图像与提示生成响应。详见 AI\_COMPLETE（单图像）。
-
-### 语法
-
-该函数的语法取决于用户提供的输入类型：
-
-* AI\_COMPLETE（单字符串）
-* AI\_COMPLETE（单图像）
-
-## AI\_COMPLETE（单字符串）
-
-使用支持的语言模型，根据文本提示生成响应（补全）。
-
-### 语法
-
-sql
-
-```sql
-AI_COMPLETE(<model>,<prompt> [,<model_parameters>][,<response_format>][,<show_details>])
-```
-
-该函数包含 **2 个必需参数**和 **3 个可选参数**，支持位置参数语法和命名参数语法。
-
-### 参数说明
-
-**必需参数**
-
-\`\`（STRING）
-
-指定要调用的语言模型。模型的来源有两种：[模型管理](AI_Gateway.md) 中的**Endpoint** 和 **API Connection 连接对象**。在函数的第一个参数中，通过不同的前缀来区分模型来源。
-
-**来源一**：模型管理中的 Endpoint：
-
-模型管理是云器 Lakehouse 平台统一管理模型服务的网关层。在 API Gateway 中注册的模型可直接通过 `endpoint:` 前缀引用。
-
-**语法格式**：
-
-```scheme
-'endpoint:<endpoint名称>'
-```
-
-**使用示例**：
-
-```sql
-SELECT AI_COMPLETE('endpoint:lis_openai_llm','prompt string',GET_PRESIGNED_URL(VOLUME volume_name, '<relative_file_path>', <expiration_time>));
-```
-
-其中，`lis_openai_llm` 模型管理 endpoint 是由平台管理员在 API Gateway 中预先配置，包含模型供应商、模型版本、认证凭据等信息。普通用户无需关心底层连接细节，只需通过端点名称即可调用对应模型。
-
-***
-
-**来源二**：API Connection 连接对象
-
-API Connection 是用户在 Lakehouse 中自行创建的模型服务连接对象，适用于需要自定义模型服务地址、认证密钥或对接私有化部署模型的场景。通过 `CREATE API CONNECTION` 语句创建连接对象后，即可在 `AI_COMPLETE` 中引用。
-
-**创建连接对象语法**：
-
-sql
-
-```sql
-CREATE API CONNECTION <connection_name>
-    TYPE ai_function
-    PROVIDER = '<provider_name>'
-    BASE_URL = '<service_endpoint_url>'
-    API_KEY = '<your_api_key>';
-```
-
-**创建连接对象示例**：
-
-```sql
-CREATE API CONNECTION conn_bailian
-    TYPE ai_function
-    PROVIDER = 'bailian'
-    BASE_URL = 'https://dashscope.aliyuncs.com/api/v1'
-    API_KEY = 'sk-xxxxxxxxxxxxxxxxxxxxxxxx';
-```
-
-其中各字段含义如下：
-
-`connection_name` 为连接对象的自定义名称，后续在 `AI_COMPLETE` 中通过该名称引用；
-
-`TYPE` 固定为 `ai_function`，表示该连接用于 AI 函数调用；
-
-`PROVIDER` 指定模型供应商标识，如 `'bailian'`（百炼）、`'openai'`、`'anthropic'` 等；
-
-`BASE_URL` 为模型服务的 API 基础地址；`API_KEY` 为调用该服务所需的认证密钥。
-
-***
-
-**在 AI\_COMPLETE 中引用连接对象**：
-
-```sql
-SELECT AI_COMPLETE('connection:conn_bailian','请简要介绍量子计算的基本原理。');
-```
-
-**语法格式**：
-
-```scheme
-'connection:<连接对象名称>'
-```
-
-###
-
-### 示例
-
-**基础用法：单个文本提示**
-
-```
-SELECT AI_COMPLETE(
-    'endpoint:aliyun-qwen3max',
-    '中国的首都在哪里?'
-);
-
-```
-
-**图像识别**：
-
-使用支持的多模态语言模型，根据单张图像与文本提示生成响应（补全）。该模式适用于视觉问答（VQA）、图像内容描述、图像信息提取、OCR 识别等需要模型理解图像内容的场景。
-
-```
-SELECT 
-        a.id, 
-        a.question,
-        a.answer AS standard_answer,
-        -- 1. AI生成答案
-        ai_complete(
-            'endpoint:doubao-seed-2-0-pro-260215',
-            JSON_OBJECT(
-                'system', 'You are a VQA assistant. Answer based on the image in English. Be extremely concise (1-5 words).',
-                'user', a.question,
-                'images', ARRAY(CONCAT('volume://volumes/datagpt_ws/image_hub/my_images/', LPAD(CAST(a.id AS STRING), 11, '0'), '.jpg'))
-            )
-        ) AS ai_generated_answer,
-        -- 2. 生成图片预览URL
-        get_presigned_url(
-            VOLUME lakehouse_ai.image_hub.my_images,
-            LPAD(CAST(a.id AS STRING), 11, '0') || '.jpg',
-            7200  
-        ) AS image_preview_url,
-        -- 3. 图片存储路径
-        CONCAT('volume://volumes/lakehouse_ai/image_hub/my_images/', LPAD(CAST(a.id AS STRING), 11, '0'), '.jpg') AS image_path
-    FROM 
-        lakehouse_ai.image_hub.evjvqa_annotations_20 AS a
-```
-
-效果如下：
-
-![](/.topwrite/assets/ai_complete_pic.jpeg)

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

@@ -1,70 +0,0 @@
-## AI\_EMBEDDING
-
-使用支持的嵌入模型（Embedding Model）将文本转换为高维向量表示。生成的向量可用于语义搜索、文本相似度计算、聚类分析、推荐系统等下游任务。
-
-### 语法
-
-```sql
-AI_EMBEDDING(<model>, <input> [ , <model_parameters> ])
-```
-
-该函数包含 **2 个必需参数**和 **1 个可选参数**，支持位置参数语法和命名参数语法。
-
-### 参数说明
-
-**必需参数**
-
-**`model`**
-
-指定要调用的嵌入模型。与 `AI_COMPLETE` 一致，模型来源分为两种：API Gateway 端点和 API Connection 连接对象。
-
-通过 API Gateway 端点调用时，使用 `endpoint` 前缀加端点名称的格式：
-
-```scheme
-'endpoint:<端点名称>'
-```
-
-通过 API Connection 连接对象调用时，需先通过 `CREATE API CONNECTION` 创建连接，再使用 `connection/` 前缀引用：
-
-```scheme
-'connection:<连接对象名称>'
-```
-
-> **说明**： 请确保所指定的模型为嵌入模型（Embedding Model），而非对话补全模型。嵌入模型专门用于将文本映射为固定维度的数值向量，常见的嵌入模型包括 OpenAI 的 `text-embedding-3-small`、`text-embedding-3-large`，阿里云百炼的 `text-embedding-v4` 等。
-
-**`\`**（STRING）
-
-需要转换为向量的输入文本。可以是单个词语、一个句子、一段文字，也可以是来自数据表中某个字段的值。输入文本的最大长度受所选模型的上下文窗口限制，超出限制可能导致文本被截断或调用失败。
-
-**可选参数**
-
-**`\`**（OBJECT）
-
-以 JSON 对象形式传入的模型超参数，用于控制嵌入模型的行为。不同模型支持的参数可能有所不同，常见参数如下：
-
-| 参数                    | 类型     | 说明                                                                                                                      |
-| --------------------- | ------ | ----------------------------------------------------------------------------------------------------------------------- |
-| `input`               | STRING | 指定输入内容的类型。常见取值为 `'text'`（普通文本）和 `'query'`（查询文本）。部分模型会根据输入类型对向量做针对性优化，例如在检索场景中，文档内容使用 `'text'`，用户查询使用 `'query'`，可提升检索精度。 |
-| `embedding.dimension` | STRING | 指定输出向量的维度。较高的维度通常能保留更丰富的语义信息，但会占用更多存储空间和计算资源。常见取值包括 `'256'`、`'512'`、`'1024'`、`'1536'` 等，具体支持的维度范围取决于所选模型。               |
-
-参数示例：
-
-```sql
-JSON '{
-    "input": "text",
-    "embedding.dimension": "1024"
-}'
-```
-
-### 示例
-
-```
-SELECT AI_EMBEDDING(
-    'endpoint：lis_openai_embedding',
-    '中国的首都？',
-    JSON '{
-        "input": "text",
-        "embedding.dimension": "1024"
-    }'
-);
-```

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

@@ -1,255 +0,0 @@
-## 一、产品概述
-
-### 1.1 什么是模型管理
-
-模型管理（AI Gateway）是企业级「模型统一调用与治理中枢」，默认集成限流控制、运行监控、权限隔离、成本管控核心能力，支持聚合「云服务商托管模型」与「企业自有外部模型」，实现多场景下的模型调用标准化、资源管控可视化、成本归因精细化。
-
-### 1.2 核心价值
-
-| 价值维度  | 具体说明                                                      |
-| ----- | --------------------------------------------------------- |
-| 统一入口  | 无需切换多平台，一站式管理托管 / 外部模型，降低跨平台协作成本                          |
-| 风险可控  | 基于角色的权限隔离（RBAC）+ 动态限流 + API KEY 安全管理，规避资源滥用与数据泄露          |
-| 成本透明  | 支持租户 / Endpoint 级配额管控、多维度用量统计（Token / 调用次数）、分账报表，实现成本精准归因 |
-| 低门槛调用 | 覆盖 SQL 嵌入、DataGPT 可视化、OpenAPI 开发三大场景，适配技术 / 非技术用户需求       |
-| 可追溯性  | 保留模型调用日志、用量明细、权限变更记录，满足合规审计需求                             |
-
-### 1.3 核心概念
-
-| 概念                    | 定义说明                                                                    | 适用场景                   |
-| --------------------- | ----------------------------------------------------------------------- | ---------------------- |
-| AI Gateway            | 模型调用与治理的统一入口，负责权限校验、限流执行、用量统计、请求转发                                      | 所有模型调用与管理场景            |
-| Model Endpoint（模型接入点） | 模型的唯一访问标识，租户内名称唯一（不支持中文），注册后可在多场景调用                                     | 模型创建后需生成 Endpoint 才能使用 |
-| 托管模型                  | 云服务商提供的预置模型（如阿里云 Qwen、OpenAI GPT-4o），由 AI Gateway 统一管理 Base URL/API KEY | 企业无自有模型，需快速启用通用 AI 能力  |
-| 外部模型                  | 企业自有云厂商 MaaS 模型（如自建火山引擎大模型），需手动配置 Base URL/API KEY                      | 金融、政务等需私有化部署或自有模型的场景   |
-
-## 二、使用前准备
-
-### 2.1 前置条件
-
-1. 已开通云服务商 Studio 服务，且具备「AI - 模型管理」模块访问权限（空态时仅 Instance Admin 可见「新建模型」入口）；
-2. 若使用外部模型：需提前获取云厂商提供的 **Base URL**（需符合 OpenAI 接口规范）、**API KEY**（需具备模型调用权限）；
-3. 若关联业务数据：需提前获取 Lakehouse 库表读取权限（SQL 调用场景）、AI Function 执行权限（函数调用场景）。
-
-### 2.2 角色与权限矩阵（RBAC）
-
-| 角色                 | 核心权限                                                                  | 适用人群            | 典型操作场景          |
-| ------------------ | --------------------------------------------------------------------- | --------------- | --------------- |
-| Account Admin      | 1. 初始化 Gateway Admin（首次使用自动同步）；2. 处理计费账单与服务开通                         | 企业云账号管理员（低频操作）  | 企业首次接入时配置初始管理员  |
-| Gateway Admin      | 1. 配置租户级配额与限流策略；2. 管理全量 Endpoint/API KEY；3. 添加 / 删除管理员；4. 查看全量用量与分账数据 | 企业 IT 管理员、模型负责人 | 企业成本预算分配、全局权限管控 |
-| Endpoint Admin     | 1. 管理指定 Endpoint（查看用量、修改配置、删除）；2. 授予他人该 Endpoint 权限                   | 业务线负责人（如电商、金融）  | 业务线模型权限分配、用量监控  |
-| ENDPOINT\_VIEWER   | 只读模型元数据，不可调用                                                          | 运营分析师           | 模型调用开发、数据分析生成   |
-| ENDPOINT\_USER     | 仅可调用模型                                                                | 开发工程师           | 模型调用开发、数据分析生成   |
-| ENDPOINT\_OPERATOR | 调用 + 修改模型配置                                                           | 开发工程师           | 模型调用开发、数据分析生成   |
-
-## 三、核心操作指南
-
-### 3.1 Endpoint 全生命周期管理（模型接入与监控）
-
-#### 3.1.1 托管模型管理（快速启用预置模型）
-
-**业务价值**：无需配置，直接使用云服务商预置模型，适用于快速验证业务需求（如临时数据分析、Demo 开发）。
-**操作步骤**：
-
-1. 进入「模型管理 → Endpoint」页面，系统默认展示租户内已配置的托管模型列表；
-2. 核心操作（角色权限差异）：
-   * 操作步骤：
-     * 进入「模型管理 → Endpoint」页面；
-     * 在 Endpoint 列表找到目标模型，可执行以下操作：
-       * 新建 Endpoint（仅 Gateway Admin）：点击右侧新建，可创建 Endpoint![](/.topwrite/assets/1.png)
-       * 复制 Endpoint：点击「复制」，可复制一个已经生成的 Endpoint 信息，并对其中内容修改后，生成一个新的 Endpoint；![](/.topwrite/assets/ScreenShot_2026-03-10_191249_127.png)
-       * 测试连通：点击测试连接，会触发一次真实大模型调用用于验证连通性，该操作会消耗极少量 Token。![](/.topwrite/assets/image_1769764093331.png)
-       * 查看详情：点击 Endpoint 名称，查看模型版本、调用量、有权限用户、历史变更记录；\</.topwrite/assets/image (1).png>
-       * 删除模型（仅 Gateway Admin 和 Endpoint Admin）：点击「删除」→ 确认弹窗点击「确定」（删除后不可恢复）。
-
-#### 3.1.2 外部模型接入（企业自有模型集成）
-
-**业务价值**：支持企业将私有化部署或自有版权的模型接入 AI Gateway，实现统一管控（如金融风控模型、电商推荐模型）。
-分两类场景接入，满足不同模型规范需求：
-**场景一：标准厂商接入（如火山引擎、Anthropic）**
-优势：模型符合云厂商标准接口规范，无需自定义 URL
-
-1. 进入「模型管理 → Endpoint → 新建 → 外部模型」；
-2. 填写配置：
-   * 输入「Endpoint 名称」（租户内唯一，如 “finance-risk-model”）；
-   * 选择「厂商」（系统自动填充标准 Base URL）；
-   * 单选「模型分类」（LLM/Embedding/Image Generation）；
-   * 输入「模型版本」（如 “risk-v2.1”）；
-   * 填写「API KEY ID」（仅调用外部模型时需要 API Key 信息，您可在 API KEY 界面创建，并根据生成的 API Key 查看具体 ID 信息）；
-3. AI Gateway 配置：
-   * 设置「访问限流」（如 TPM=1000，RPM=50）
-   * 「访问配额」（如每月 10 万 Token）；
-4. 点击「测试连接」，验证连通性（失败排查见第四章）；
-5. 测试通过后点击「确定」，Endpoint 加入列表。
-   \</.topwrite/assets/image (2).png>)
-
-**场景二：自定义接入（符合 OpenAI 规范）**
-优势：企业自研模型、第三方非标准厂商模型
-
-1. 进入「模型管理 → Endpoint → 新建 → 外部模型 → 自定义」；
-2. 填写配置：
-   * 输入「Endpoint 名称」（如 “custom-ocr-model”）；
-   * 填写「模型厂商」（如 “企业自研”）；
-   * 单选「模型分类」（如 “Image Generation”）；
-   * 输入「模型版本」（自定义，如 “20260120-beta”）；
-   * 填写「Base URL」（如 “<https://internal-ocr.example.com/v1/chat/completions>”）；
-   * 填写「API KEY ID」（仅调用外部模型时需要 API Key 信息，您可在 API KEY 界面创建，并根据生成的 API Key 查看具体 ID 信息）；
-3. 后续步骤同 “标准厂商接入” 3-5 步。
-   \</.topwrite/assets/image (3).png>)
-
-#### 3.1.3 模型监控（实时掌握运行状态）
-
-**业务价值**：实时监控模型调用成功率、延迟、错误率，及时发现异常（如模型宕机、限流触发）。
-**操作步骤**：
-
-1. 进入「模型管理 → Endpoint」，选择目标 Endpoint，点击「更多 → 监控」；
-   \</.topwrite/assets/image (4).png>)
-2. 配置查询条件：
-   * 时间范围：默认近 1 天，支持 1 分钟～60 天（不同范围数据粒度不同，如 1 天内为 1 分钟 / 点，30 天内为 1 小时 / 点）；
-   * 指标维度：默认展示「请求次数、成功率、端到端延迟、Token 总用量」；
-3. 查看数据：
-   * 概览面板：展示核心 KPI（Token 总量、成功率、错误率、平均延迟）；
-   * 趋势图表：折线图展示指标变化（如成功率骤降需排查模型连通性）；
-   * 错误明细：点击「错误率」可查看错误类型（如限流、权限不足）；
-
-### 3.2 API KEY 管理（安全访问凭证）
-
-**业务价值**：API KEY 是模型外部调用的唯一凭证，严格管理可防止资源滥用与数据泄露。
-**操作步骤（仅 Gateway Admin）**：
-
-1. 进入「模型管理 → API KEY」页面；
-2. 新建 API KEY：
-   * 点击「新建 KEY」→ 输入名称（需关联业务场景，如 “ecommerce-recommend-key”）；
-   * 点击「确认」，系统生成 KEY；
-3. 日常管理：
-   * 禁用/启用：点击「禁用」（禁用后无法调用，适用于临时停用），需用时点击「启用」；
-   * 删除：需先停用关联调用（如 SQL/OpenAPI 调用），点击「删除」→ 确认（KEY 立即失效）；
-   * 筛选：通过「状态（正常 / 禁用）」「负责人」快速定位目标 KEY；
-4. 安全注意事项：
-   * 避免明文存储（如代码仓库、配置文件）；
-   * 定期轮换（建议每 3 个月）；
-   * 泄露后需立即删除并新建，更新所有关联调用配置；
-     \</.topwrite/assets/image (5).png>)
-
-### 3.3 权限管理（精细化资源控制）
-
-#### 3.3.1 Gateway Admin 管理（全局权限管控）
-
-**业务价值**：确保企业有且仅有授权人员负责全局配置，避免权限混乱。
-**操作步骤（仅当前 Gateway Admin）**：
-
-1. 进入「模型管理 → 权限 → Gateway 管理员」；
-2. 添加管理员：
-   * 点击「添加」→ 勾选目标用户（需在租户内已注册）；
-   * 点击「确认」，用户立即获得 Gateway Admin 全量权限；
-3. 删除管理员：
-   * 在列表找到目标用户，点击「移除」；
-   * 系统校验：① 不可删除当前登录用户；② 删除后需至少保留 1 名 Admin；
-4. 查看记录：页面展示所有 Admin 的「用户名、添加时间、操作人」；
-   \</.topwrite/assets/image (6).png>)
-
-#### 3.3.2 Endpoint 权限管理（业务线权限隔离）
-
-**业务价值**：按业务线分配 Endpoint 权限，避免跨业务资源滥用（如电商 Endpoint 仅电商团队可调用）。
-**操作步骤（仅 Endpoint Admin）**：
-
-1. 进入「模型管理 → 权限 → Endpoint 权限」；
-2. 授权操作：
-   * 点击「添加」→ 选择目标用户 → 勾选权限类型（参考 2.2 角色权限）；
-   * 选择需授权的 Endpoint（可多选）；
-   * 点击「确认」，用户获得对应权限；
-3. 收回权限：
-   * 在「已授权列表」找到目标用户与 Endpoint；
-   * 点击「移除」→ 确认，权限立即失效；
-     \</.topwrite/assets/image (7).png>)
-
-### 3.4 配额与用量管理（成本控制）
-
-#### 3.4.1 租户配额配置（企业级预算管控）
-
-**业务价值**：设置企业月度 Token 总上限，避免超预算（如每月 500 万 Token，覆盖全业务线）。
-**操作步骤（仅 Gateway Admin）**：
-
-1. 进入「模型管理 → 用量 → 租户配额」；
-2. 首次配置：
-   * 若为空态（提示 “当前租户尚未设置配额”），点击「设置租户配额」；
-   * 填写配置：粒度默认「租户级别」、周期默认「每月」、Token 配额（如 5000000，即 500 万 / 月）；
-   * 点击「保存」，跳转至配额页查看「总配额、已用量、剩余量、每日用量趋势」；
-3. 调整配额：点击「编辑配额」→ 修改数值 → 保存（实时生效）；
-   \</.topwrite/assets/image (8).png>)
-
-#### 3.4.2 Endpoint 配额配置（业务线预算分配）
-
-**业务价值**：为单个 Endpoint 分配独立配额（如电商推荐模型每月 100 万 Token），实现业务线成本隔离。
-**操作步骤（Gateway Admin/Endpoint Admin）**：
-
-1. 进入「模型管理 → Endpoint」，选择目标 Endpoint，点击「编辑」；
-2. 找到「AI Gateway → 访问配额」模块；
-3. 填写配置：粒度默认「Endpoint 级别」、周期「每月」、Token 配额（如 1000000）；
-4. 关键规则：实际可用配额 = 租户配额与 Endpoint 配额的较小值（如租户剩 50 万，Endpoint 配额 100 万，实际可用 50 万）；
-5. 点击「保存」，在 Endpoint 详情页查看配额使用情况；
-   \</.topwrite/assets/image (9).png>)
-
-#### 3.4.3 用量统计查询（多维度成本归因）
-
-**业务价值**：按 Endpoint / 用户 / API KEY 维度查询用量，定位高成本资源（如某用户调用量异常）。
-**操作步骤（角色权限差异）**：
-
-1. 进入「模型管理 → 用量 → 用量统计」；
-2. 配置查询条件：
-   * 时间范围：默认近 1 月，支持切换「近 1 周 / 自定义」；
-   * 统计维度：
-     * 普通用户：仅查看「自身关联的 Endpoint / 用户」；
-     * Gateway Admin：查看「Endpoint / 用户 / API KEY / 账户 / 账号明细」；
-3. 查看数据：
-   * 列表视图：展示「统计维度、日期、调用次数、输入 Token、输出 Token、总用量」；
-   * 图表视图：点击「切换图表」，通过折线图 / 柱状图查看用量趋势；
-4. 下载明细（仅 Gateway Admin）：
-   * 点击「下载明细」→ 选择年月（支持最近 1 年）→ 确认；
-     \</.topwrite/assets/image (10).png>)
-
-### 3.5 多场景模型调用（适配不同用户需求）
-
-#### 3.5.1 SQL 调用（数据分析师 / 开发工程师）
-
-**业务价值**：直接在 SQL 中调用模型，实现 “数据查询 + AI 分析” 一体化（如订单文本嵌入、用户评论情感分析）。
-您可以在SQL中直接调用，例如：
-
-```Plain
-select ai_complete('endpoint\:lis\_aliyun\_qwen\_max','中国首都是哪里？')
-```
-
-#### 3.5.2 DataGPT 调用（所有角色操作）
-
-DataGPT 通过标准化接口实现 AI 模型调用，可快速完成模型对接与替换。您只需在 DataGPT 的模型配置界面，将我方提供的专属调用地址（Base URL）与访问凭证（API Key），替换平台现有模型配置，即可完成模型调用链路的切换，依托 AI Gateway 实现稳定、可管控的 AI 能力调用。
-
-#### 3.5.3 OpenAPI 标准调用（开发场景）
-
-* 调用地址：Endpoint 列表中的 “访问地址”；
-* API KEY：从「API KEY 管理」中获取（仅 Gateway Admin 可创建）；
-* 调用方式：
-  * 进入「模型管理 → Endpoint」页面，点击 Endpoint 名称，进入详情页；
-  * 在详情页的下方，「Endpoint 调用示例」部分，为您展示 OpenAI-python 和 REST API-cURL 两种调用方式的示例。
-
-## 四、关键注意事项
-
-1. **权限控制**：操作前确认自身角色权限（如普通用户不可删除 Endpoint），避免因权限不足导致操作失败；如需扩展权限，联系对应 Admin（Gateway Admin 负责全局权限，Endpoint Admin 负责业务线权限）。
-
-2. **数据留存**：
-   * 账号明细数据：仅保留最近 1 年，需长期存储需每月下载备份（Gateway Admin 操作）；
-   * 用量监控数据：最多保留 60 天，关键指标（如月度配额使用情况）需定期截图存档。
-
-3. **模型删除风险**：
-   * Endpoint 删除后不可恢复，删除前需：① 停用所有关联调用（SQL/OpenAPI/DataGPT）；② 通知所有有权限用户；
-   * 内置托管模型删除后，需重新使用时联系技术支持（不可自行恢复）。
-
-4. **API KEY 安全**：
-   * 避免泄露（如明文分享、存储在代码仓库）；
-   * 定期轮换（建议每 3 个月）；
-   * 泄露后需立即在「API KEY 管理」中删除并重新创建，更新所有关联配置。
-
-5. **配额生效规则**：Endpoint 实际可用配额 = 租户配额与 Endpoint 配额的较小值，设置时避免 Endpoint 配额远超租户配额（如租户每月 100 万，Endpoint 设 200 万，实际仅 100 万可用，造成配置浪费）。
-
-6. **兼容性注意**：外部模型需符合 OpenAI 接口规范，否则无法接入（如不支持 “messages” 参数的模型需厂商适配）；编辑模型版本时，需确认下游调用系统是否支持新版本（避免兼容性问题）。
-
-^

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

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

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

@@ -1,25 +0,0 @@
-# AI 函数
-
-## 概述
-
-在云器 Lakehouse 中，AI 函数的实现**依托于**外部函数（External Function）的框架。外部函数（亦称远程函数，Remote Function）是一种特殊的自定义函数（UDF），它允许用户通过 Python 或 Java 语言定义函数逻辑，但其核心计算任务会被\*\*卸载（offload）\*\*到外部的远程服务执行（支持的远程服务包括：阿里云的函数计算 FC、腾讯云的云函数 SCF）。在执行过程中可调用：
-
-* **在线服务**：以 API 形式对外提供的在线服务，如 AI 在线模型服务（例如大语言模型 API、云平台提供的在线 AI API 服务）。
-* **离线功能**：将特定功能函数代码、依赖库、模型和数据等文件打包成的离线服务包，如从 Hugging Face 下载的图像识别模型等。
-
-云器 Lakehouse 通过创建 API Connection，在元数据中保存外部函数计算服务的连接和访问信息。外部函数通过 HTTP 协议调用外部函数计算服务，实现数据处理并返回结果。
-![](.topwrite/assets/a7546df1-be39-41e9-9c80-e0e90ce3d353.svg)
-Lakehouse 平台在获得用户预先授权后，于创建外部函数时，将自动在客户账号下的函数计算服务中部署该函数。当用户在 SQL 查询中使用外部函数时，由外部函数实现与外部计算服务的安全连接、数据处理并返回查询结果。
-
-## 外部函数创建主要流程
-
-请参考：[使用流程: External Function](RemoteFunctionBestPractice.md)
-
-## 使用外部函数开发 AI 函数
-
-请参考以下开发指南：
-
-* [External Function(Python3)](RemoteFunctionDevGuidePython3.md)
-* [External Function(Java)](ExternalFunctionDevGuideJava.md)
-
-^