@clickzetta/cz-cli-darwin-x64 0.3.76 → 0.3.80

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

@@ -1,423 +0,0 @@
-# Lakehouse 向量索引创建指南
-
-## 概述
-
-Lakehouse 提供完整的向量检索能力，包括向量数据类型、搜索函数和专用索引。向量作为固定维度的数值集合，可以表示 LLM 生成的文本嵌入、图像特征、时序数据等多种信息。
-系统原生支持 VECTOR 类型，能够高效存储和查询由大语言模型（LLM）等深度学习模型生成的向量嵌入。这些向量嵌入将非结构化数据（如文本、图像）转化为保留语义相似性的数值表示。通过构建专门的向量索引，Lakehouse 可以在海量数据中实现毫秒级的相似性搜索，为基于 LLM 的 RAG 应用、智能问答、语义搜索等 AI 场景提供高性能的基础设施支持。
-
-## 1. 准备工作
-
-### 1.1 创建测试 Schema
-
-```sql
--- 创建一个专门用于向量索引测试的 schema
-CREATE SCHEMA IF NOT EXISTS vector_demo COMMENT '向量索引演示';
-
--- 切换到新创建的 schema
-USE SCHEMA vector_demo;
-```
-
-### 1.2 准备向量生成函数
-
-Lakehouse 支持创建 AI 函数，可以将文本转换为向量表示，请参考：[创建 Embedding 函数](https://www.yunqi.tech/documents/Create_Embeding_Function)
-
-```sql
--- 函数签名
--- fc_embeddings(mode, text, api_key, model, dimension)
--- 参数说明：
--- mode: 'text' - 文本模式
--- text: 要转换的文本内容
--- api_key: API密钥 (请替换为您的实际密钥)
--- model: 模型名称，如 'text-embedding-v4'
--- dimension: 向量维度，如 1024
-
--- 测试向量生成函数
-SELECT public.fc_embeddings(
-    'text', 
-    'hello world', 
-    '${API_KEY}', 
-    'text-embedding-v4',
-    1024
-) as embedding;
-```
-
-## 2. 创建包含向量列的表
-
-### 创建产品描述表
-
-```sql
--- 创建产品表，包含向量列（简化版本，避免IDENTITY问题）
-CREATE TABLE IF NOT EXISTS vector_demo.product_embeddings (
-    product_id INT COMMENT '产品ID',
-    product_name VARCHAR(255) NOT NULL COMMENT '产品名称',
-    category VARCHAR(100) COMMENT '产品类别',
-    description STRING COMMENT '产品描述',
-    embedding VECTOR(FLOAT, 1024) COMMENT '产品描述的向量表示',
-    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP() COMMENT '创建时间',
-    
-    -- 创建向量索引（简化的语法）
-    INDEX idx_product_embedding (embedding) USING VECTOR
-) 
-COMMENT '产品向量表';
-
-```
-
-## 3. 插入向量数据
-
-### 3.1 使用向量生成函数插入数据
-
-**重要提示**：使用 `fc_embeddings` 函数生成的向量需要显式转换为 `VECTOR` 类型。
-
-```sql
--- 插入向量数据，注意需要使用 CAST 转换
-INSERT INTO vector_demo.product_embeddings (product_id, product_name, category, description, embedding)
-VALUES 
--- 智能手机类
-(1, 'iPhone 15 Pro', '智能手机', 
-    '苹果最新旗舰手机，采用钛金属设计，A17 Pro芯片，支持光线追踪游戏，4800万像素主摄，USB-C接口',
-    CAST(public.fc_embeddings('text', 
-        '苹果最新旗舰手机，采用钛金属设计，A17 Pro芯片，支持光线追踪游戏，4800万像素主摄，USB-C接口', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(2, '小米14 Pro', '智能手机', 
-    '小米高端旗舰，骁龙8 Gen3处理器，徕卡影像系统，120W快充，2K AMOLED屏幕',
-    CAST(public.fc_embeddings('text', 
-        '小米高端旗舰，骁龙8 Gen3处理器，徕卡影像系统，120W快充，2K AMOLED屏幕', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(3, '华为Mate 60 Pro', '智能手机', 
-    '华为旗舰手机，麒麟9000S芯片，卫星通信功能，鸿蒙系统，玄武架构抗摔',
-    CAST(public.fc_embeddings('text', 
-        '华为旗舰手机，麒麟9000S芯片，卫星通信功能，鸿蒙系统，玄武架构抗摔', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
--- 笔记本电脑类
-(4, 'MacBook Pro M3 Max', '笔记本电脑', 
-    '苹果专业笔记本，M3 Max芯片，最高128GB统一内存，Mini-LED显示屏，22小时续航',
-    CAST(public.fc_embeddings('text', 
-        '苹果专业笔记本，M3 Max芯片，最高128GB统一内存，Mini-LED显示屏，22小时续航', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(5, '联想ThinkPad X1 Carbon', '笔记本电脑', 
-    '商务轻薄本，第13代英特尔酷睿处理器，14英寸2.8K OLED屏，仅1.12kg重量',
-    CAST(public.fc_embeddings('text', 
-        '商务轻薄本，第13代英特尔酷睿处理器，14英寸2.8K OLED屏，仅1.12kg重量', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(6, '华硕ROG幻16', '笔记本电脑', 
-    '游戏本，RTX 4070显卡，Intel i9-13900HX处理器，240Hz电竞屏，液金散热',
-    CAST(public.fc_embeddings('text', 
-        '游戏本，RTX 4070显卡，Intel i9-13900HX处理器，240Hz电竞屏，液金散热', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
--- 耳机音频类
-(7, 'AirPods Pro 2', '耳机', 
-    '主动降噪耳机，自适应音频，空间音频功能，H2芯片，最长30小时续航',
-    CAST(public.fc_embeddings('text', 
-        '主动降噪耳机，自适应音频，空间音频功能，H2芯片，最长30小时续航', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(8, '索尼WH-1000XM5', '耳机', 
-    '头戴式降噪耳机，业界领先降噪技术，30小时续航，LDAC高音质传输',
-    CAST(public.fc_embeddings('text', 
-        '头戴式降噪耳机，业界领先降噪技术，30小时续航，LDAC高音质传输', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(9, 'Bose QC Ultra', '耳机', 
-    '旗舰降噪耳机，沉浸式空间音频，CustomTune技术，24小时续航',
-    CAST(public.fc_embeddings('text', 
-        '旗舰降噪耳机，沉浸式空间音频，CustomTune技术，24小时续航', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
--- 智能手表类
-(10, 'Apple Watch Ultra 2', '智能手表', 
-    '户外运动手表，双频GPS，100米防水，血氧监测，最深40米潜水功能',
-    CAST(public.fc_embeddings('text', 
-        '户外运动手表，双频GPS，100米防水，血氧监测，最深40米潜水功能', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(11, '华为Watch GT4', '智能手表', 
-    '全天候健康监测，14天超长续航，支持100+运动模式，科学睡眠监测',
-    CAST(public.fc_embeddings('text', 
-        '全天候健康监测，14天超长续航，支持100+运动模式，科学睡眠监测', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(12, '三星Galaxy Watch6', '智能手表', 
-    '健康追踪手表，身体成分分析，睡眠指导，5ATM+IP68防水',
-    CAST(public.fc_embeddings('text', 
-        '健康追踪手表，身体成分分析，睡眠指导，5ATM+IP68防水', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
--- 平板电脑类
-(13, 'iPad Pro 13英寸', '平板电脑', 
-    'M4芯片平板，OLED显示屏，支持Apple Pencil Pro，专业创作工具',
-    CAST(public.fc_embeddings('text', 
-        'M4芯片平板，OLED显示屏，支持Apple Pencil Pro，专业创作工具', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(14, '小米平板6 Pro', '平板电脑', 
-    '骁龙8+处理器，144Hz高刷屏，67W快充，支持小米灵感触控笔',
-    CAST(public.fc_embeddings('text', 
-        '骁龙8+处理器，144Hz高刷屏，67W快充，支持小米灵感触控笔', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
--- 智能音箱类
-(15, 'HomePod 2', '智能音箱', 
-    '智能音箱，空间音频，Siri语音助手，智能家居中枢，温湿度感应',
-    CAST(public.fc_embeddings('text', 
-        '智能音箱，空间音频，Siri语音助手，智能家居中枢，温湿度感应', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(16, '小爱音箱Pro', '智能音箱', 
-    '小爱同学语音助手，DTS音效，智能家居控制，红外遥控功能',
-    CAST(public.fc_embeddings('text', 
-        '小爱同学语音助手，DTS音效，智能家居控制，红外遥控功能', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
--- 相机类
-(17, '索尼A7R5', '相机', 
-    '全画幅微单，6100万像素，8档防抖，8K视频录制，AI对焦系统',
-    CAST(public.fc_embeddings('text', 
-        '全画幅微单，6100万像素，8档防抖，8K视频录制，AI对焦系统', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(18, '佳能EOS R5', '相机', 
-    '专业全画幅相机，4500万像素，机身防抖，8K RAW视频，双卡槽',
-    CAST(public.fc_embeddings('text', 
-        '专业全画幅相机，4500万像素，机身防抖，8K RAW视频，双卡槽', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
--- 游戏设备类
-(19, 'PlayStation 5 Pro', '游戏机', 
-    '次世代游戏主机，8K输出，光线追踪，超高速SSD，DualSense手柄',
-    CAST(public.fc_embeddings('text', 
-        '次世代游戏主机，8K输出，光线追踪，超高速SSD，DualSense手柄', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024))),
-
-(20, 'Nintendo Switch OLED', '游戏机', 
-    '便携游戏机，7英寸OLED屏幕，增强音频，64GB存储，可拆卸手柄',
-    CAST(public.fc_embeddings('text', 
-        '便携游戏机，7英寸OLED屏幕，增强音频，64GB存储，可拆卸手柄', 
-        '${API_KEY}', 'text-embedding-v4', 1024) AS VECTOR(FLOAT, 1024)))
-;
-
-```
-
-## 4. 构建向量索引
-
-> ### 对已有数据构建索引
->
-> 如果想对表中已经存在的数据创建索引，需要使用 BUILD INDEX 命令构建索引（新插入的数据会自动构建索引）。
->
-> ```sql
-> -- 构建向量索引（实际验证过的命令）
-> BUILD INDEX idx_embedding ON vector_demo.simple_embeddings;
->
-> -- 构建文档表的向量索引（指定范围）
-> BUILD INDEX idx_doc_embedding ON vector_demo.document_embeddings 
-> WHERE create_date >= '2024-01-01' AND create_date <= '2024-12-31';
-> ```
-
-### 4.1 监控索引构建进度
-
-```sql
--- 查看表的索引列表
-SHOW INDEXES FROM vector_demo.product_embeddings;
-
--- 查看表的详细信息，包括索引
-DESC EXTENDED vector_demo.product_embeddings ;
-```
-
-## 5. 使用向量索引进行相似度搜索
-
-### 5.1 基本向量搜索
-
-```sql
-WITH query_vector AS (
-    SELECT CAST(public.fc_embeddings(
-        'text', 
-        '拍照功能强大的手机，相机系统好，影像能力出色', 
-        '${API_KEY}', 
-        'text-embedding-v4',
-        1024
-    ) AS VECTOR(FLOAT, 1024)) as vec
-)
-SELECT 
-    p.product_id,
-    p.product_name,
-    p.category,
-    p.description,
-    cosine_distance(p.embedding, q.vec) as similarity_score
-FROM vector_demo.product_embeddings p, query_vector q
-ORDER BY similarity_score ASC
-LIMIT 5;
-
-```
-
-展示结果：
-
-### ![](.topwrite/assets/vector.jpeg)
-
-### 5.3 带过滤条件的向量搜索
-
-```sql
-WITH query_vector AS (
-    SELECT CAST(public.fc_embeddings(
-        'text', 
-        '国产高端旗舰手机', 
-        '${API_KEY}', 
-        'text-embedding-v4',
-        1024
-    ) AS VECTOR(FLOAT, 1024)) as vec
-)
-SELECT 
-    product_id,
-    product_name,
-    description,
-    ROUND(cosine_distance(embedding, vec), 4) as distance
-FROM vector_demo.product_embeddings, query_vector
-WHERE product_name NOT LIKE '%iPhone%'  -- 排除苹果产品
-ORDER BY distance ASC
-LIMIT 3;
-```
-
-展示结果：
-
-![](.topwrite/assets/vector_search_w_filter.jpeg)
-
-## 6. 向量索引优化建议
-
-### 6.1 距离函数选择
-
-| 距离函数                   | 适用场景  | 特点              |
-| ---------------------- | ----- | --------------- |
-| cosine_distance       | 文本相似度 | 不受向量长度影响，适合文本嵌入 |
-| l2_distance           | 图像特征  | 欧氏距离，对绝对差异敏感    |
-| negative_dot_product | 推荐系统  | 点积的负值，适合评分预测    |
-
-### 6.2 参数调优
-
-```sql
--- 高精度配置（查询准确但较慢）
-CREATE INDEX idx_high_precision (embedding) USING VECTOR 
-PROPERTIES(
-    "m" = "64",
-    "ef.construction" = "500",
-    "scalar.type" = "f32"
-);
-
--- 高性能配置（查询快速但精度略低）
-CREATE INDEX idx_high_performance (embedding) USING VECTOR 
-PROPERTIES(
-    "m" = "8",
-    "ef.construction" = "100",
-    "scalar.type" = "f16",
-    "compress.codec" = "lz4"
-);
-```
-
-### 6.3 存储优化
-
-```sql
--- 使用向量列复用减少存储
-CREATE INDEX idx_storage_optimized (embedding) USING VECTOR 
-PROPERTIES(
-    "reuse.vector.column" = "true",
-    "scalar.type" = "i8"  -- 使用8位整数进一步压缩
-);
-```
-
-## 7. 管理向量索引
-
-### 7.1 查看索引信息
-
-```sql
--- 查看表的所有索引
-SHOW INDEXES FROM vector_demo.product_embeddings;
-
--- 查看索引详细信息
-DESC INDEX idx_product_embedding ON vector_demo.product_embeddings;
-```
-
-### 7.2 删除和重建索引
-
-```sql
--- 删除索引
-DROP INDEX idx_product_embedding ON vector_demo.product_embeddings;
-
--- 重新创建索引（使用新参数）
-CREATE INDEX idx_product_embedding_v2 ON vector_demo.product_embeddings(embedding) 
-USING VECTOR PROPERTIES(
-    "distance.function" = "negative_dot_product",
-    "m" = "24",
-    "ef.construction" = "300"
-);
-
--- 构建新索引
-BUILD INDEX idx_product_embedding_v2 ON vector_demo.product_embeddings;
-```
-
-## 8. 性能监控和故障排查
-
-### 8.1 查询性能分析
-
-```sql
--- 使用 EXPLAIN 分析查询计划
-EXPLAIN 
-WITH query_vector AS (
-    SELECT public.fc_embeddings('text', '测试查询', '${API_KEY}', 'text-embedding-v4', 1024) as vec
-)
-SELECT * FROM vector_demo.product_embeddings p, query_vector q
-ORDER BY cosine_distance(p.embedding, q.vec) ASC
-LIMIT 10;
-```
-
-### 8.2 常见问题处理
-
-1. **索引构建失败**
-   * 检查内存是否充足
-   * 确认向量维度一致
-   * 验证向量数据完整性
-
-2. **查询性能慢**
-   * 调整 m 和 ef.construction 参数
-   * 考虑使用更小的 scalar.type
-   * 检查是否正确使用了索引
-
-3. **精度不足**
-   * 增加 m 值
-   * 提高 ef.construction
-   * 使用 f32 而非压缩格式
-
-## 重要注意事项
-
-1. **向量类型转换**：使用 `fc_embeddings` 函数生成的向量结果为 String 类型，需使用 `CAST` 转换为 `VECTOR(FLOAT, 1024)` 类型。
-
-2. **BUILD INDEX**：对于已有数据的表，必须执行 BUILD INDEX 命令来构建索引，否则向量搜索性能会受影响。
-
-3. **距离函数选择**：
-   * `cosine_distance`：适用于文本嵌入，值越小越相似
-   * `l2_distance`：欧氏距离，适用于图像特征
-   * `negative_dot_product`：点积的负值，适用于推荐系统
-
-4. **向量检索查询时支持的参数**
-
-   | 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：使用SQL查询时选中一起执行。
-
-   ```
-   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
-   ```
-
-5. **计费**
-
-   存储资源：向量索引会创建向量索引文件，该文件和数据文件都保存在对象存储中，统一计费。
-
-^

package/bin/skills/lakehouse-doc/references/version-update.md

@@ -1,21 +0,0 @@
-# SDK更新记录
-
-本文为您介绍Java SDK近期版本的更新说明和下载地址，基于此您可以了解Java SDK对应版本的变更点。
-
-Java SDK近期版本的更新说明如下，详细信息请单击对应版本链接获取。下面版本SDK无法保证是最新的版本建议您直接点击[maven库](<https://mvnrepository.com/artifact/com.clickzetta/clickzetta-java>),在库中搜索
-`clickzetta-java`可以获取到最新的更新版本记录
-- [下载地址一](<https://mvnrepository.com/artifact/com.clickzetta/clickzetta-java>)
-- [下载地址二](<https://central.sonatype.com/artifact/com.clickzetta/clickzetta-java/versions>)
-
-| 版本                                                                                                            | 变更类型 | 描述                                                                                                                                                                                                         |
-| ------------------------------------------------------------------------------------------------------------- | ---- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
-| [Version3.0.4](<https://mvnrepository.com/artifact/com.clickzetta/clickzetta-java/3.0.4>) | 新功能  | 实时接口支持vector类型写入                                                                                                                                                                                      |
-| [Version2.0.0](<https://repo1.maven.org/maven2/com/clickzetta/clickzetta-java/2.0.0/>) | 变更  | 本地 COPY 命令已被弃用。我们建议您使用 PUT 方法将数据上传到 volume 中，然后使用服务器端的 COPY 命令进行导入。                                                                                                                                                                                      |
-| [Version1.4.0](https://repo1.maven.org/maven2/com/clickzetta/clickzetta-java/1.4.3/clickzetta-java-1.4.3.jar) | 新功能  | 支持TIMESTAMP\_NTZ类型 ，支持PUT上传命令                                                                                                                                                                                        |
-| [Version1.3.0](https://repo1.maven.org/maven2/com/clickzetta/clickzetta-java/1.3.0/)                          | 新功能  | 支持JSON类型                                                                                                                                                                                                   |
-| [Version1.2.7](https://repo1.maven.org/maven2/com/clickzetta/clickzetta-java/1.2.7/)                          | 功能优化 | jdbc优化use schema，不存在的schema会报错                                                                                                                                                                             |
-| [Version1.2.4](https://repo1.maven.org/maven2/com/clickzetta/clickzetta-java/1.2.4/)                          | 新功能  | jdbc客户端跨时区时保证和服务端时区一致，修复jdbc客户端和服务端不在一个时区显示结果不一致&#xA;                                                                                                                                                      |
-|                                                                                                               | 缺陷修复 | 1. 实时写入修改commit逻辑，修复并发重连问题 修复过期stream的相关问题&#xA; 2\. 实时写入优化grpc连接存活时间，优化realtimestream和bulkloadstream接口实现&#xA; 3.jdbc修复仅有token情况下，创建连接耗时过长的问题&#xA;4.jdbc 优化服务端丢失连接时的重连逻辑&#xA;5.jdbc 修复copy from后立即查询结果失败的问题 |
-| [Version1.1.4](https://repo1.maven.org/maven2/com/clickzetta/clickzetta-java/1.1.4)                           | 缺陷修复 | 1.修复jdbc内存泄漏问题&#xA; 2\. 修复实时写入SDK写入失败问题"Error details: InvalidArgumen：Passedtoken:, serverToken";&#xA;3.修复实时写入SDK兼容PK表问题                                                                                   |
-
-