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

package/bin/skills/lakehouse-doc/references/UNDROP-TABLE.md

@@ -1,163 +0,0 @@
-# UNDROP TABLE 语句
-
-使用 UNDROP TABLE 语句可以恢复被删除的表、动态表和物化视图。是否可以恢复被删除的对象取决于数据的[保留周期](TIMETRAVEL.md)。
-
-**数据保留周期**
-
-对象能否被恢复取决于数据的保留周期。当前预览版本的数据保留周期默认为 7 天，未来将调整为 1 天。您可以通过执行 [ALTER 命令](alter.md) 来调整保留周期。请注意，修改保留周期可能会增加存储成本。
-
-**支持的对象类型**：
-
-* 表（TABLE）
-* 动态表（DYNAMIC TABLE）
-* 物化视图（MATERIALIZED VIEW）
-
-## 语法
-
-```sql
-UNDROP TABLE tablename;
-```
-
-## 参数说明
-
-* **tablename**：指定被删除的表的名称。支持恢复动态表、内部表、物化视图。
-
-## 示例
-
-### 示例 1：删除表后立即恢复
-
-```sql
--- 创建表
-CREATE TABLE mytable(id int, name string);
-INSERT INTO mytable VALUES(1, 'aaa');
--- 删除表
-DROP TABLE mytable;
--- 查看表删除记录，可以看到删除时间
-SHOW TABLES HISTORY;
-+---------------+------------+-------------------------+----------+------+-------+---------+----------------+-------------------------+
-| schema_name  | table_name | create_time            | creator  | rows | bytes | comment | retention_time | delete_time             |
-+---------------+------------+-------------------------+----------+------+-------+---------+----------------+-------------------------+
-| undrop_schema | mytable    | 2023-06-06 12:22:57.642 | UAT_TEST | 1    | 1348  |         | 1              | 2023-07-18 17:49:26.374 |
-+---------------+------------+-------------------------+----------+------+-------+---------+----------------+-------------------------+
--- 恢复表
-UNDROP TABLE mytable;
-```
-
-### 示例 2：删除表后创建同名表再恢复
-
-```sql
--- 创建表
-CREATE TABLE mytable(id int, name string);
-INSERT INTO mytable VALUES(1, 'aaa');
--- 删除表
-DROP TABLE mytable;
--- 查看表删除记录
-SHOW TABLES HISTORY;
--- 重复建表
-CREATE TABLE mytable(col1 int, col2 string);
--- 查看表删除记录，未删除的表delete_time是null
-SHOW TABLES HISTORY;
-+---------------+------------+-------------------------+----------+------+-------+---------+----------------+-------------------------+
-| schema_name  | table_name | create_time            | creator  | rows | bytes | comment | retention_time | delete_time             |
-+---------------+------------+-------------------------+----------+------+-------+---------+----------------+-------------------------+
-| undrop_schema | mytable    | 2023-07-18 17:51:25.978 | UAT_TEST | 0    | 0     |         | 1              |                          |
-| undrop_schema | mytable    | 2023-06-06 12:22:57.642 | UAT_TEST | 1    | 1348  |         | 1              | 2023-07-18 17:49:26.374 |
-+---------------+------------+-------------------------+----------+------+-------+---------+----------------+-------------------------+
--- 重命名未删除的表
-ALTER TABLE mytable RENAME TO mytable_back;
--- 恢复表
-UNDROP TABLE mytable;
-```
-
-### 示例 3：恢复动态表
-
-```sql
--- 创建一个基表
-DROP TABLE IF EXISTS dy_base_a;
-CREATE TABLE dy_base_a (i int, j int);
-INSERT INTO dy_base_a VALUES
-(1, 10),
-(2, 20),
-(3, 30),
-(4, 40);
--- 使用dynamic table进行加工
-DROP DYNAMIC TABLE IF EXISTS change_table;
-CREATE DYNAMIC TABLE change_table
-(i, j)
-AS SELECT * FROM dy_base_a;
--- 刷新dynamic table
-REFRESH DYNAMIC TABLE change_table;
--- 查询数据
-SELECT * FROM change_table;
-+---+----+
-| i | j  |
-+---+----+
-| 1 | 10 |
-| 2 | 20 |
-| 3 | 30 |
-| 4 | 40 |
-+---+----+
-DROP DYNAMIC TABLE IF EXISTS change_table;
-UNDROP TABLE change_table;
-SELECT * FROM change_table;
-```
-
-### 示例 4：恢复物化视图
-
-```SQL
-DROP TABLE IF EXISTS mv_base_a;
-DROP MATERIALIZED VIEW IF EXISTS mv1;
-
--- 创建一个基表
-CREATE TABLE mv_base_a (i int, j int);
-
-INSERT INTO mv_base_a
-VALUES (1, 10),
-       (2, 20),
-       (3, 30),
-       (4, 40);
-
--- 创建物化视图
-CREATE MATERIALIZED VIEW mv1 (i, j) AS
-SELECT *
-FROM mv_base_a;
-
--- 刷新物化视图
-REFRESH MATERIALIZED VIEW mv1;
-
--- 查询数据
-SELECT * FROM mv1;
-+---+----+
-| i | j  |
-+---+----+
-| 1 | 10 |
-| 2 | 20 |
-| 3 | 30 |
-| 4 | 40 |
-+---+----+
-DROP MATERIALIZED VIEW mv1;
-SHOW TABLES HISTORY WHERE table_name = 'mv1';
-+-------------+------------+-------------------------+----------+------+-------+---------+----------------+-------------------------+
-| schema_name | table_name |       create_time       | creator  | rows | bytes | comment | retention_time |       delete_time       |
-+-------------+------------+-------------------------+----------+------+-------+---------+----------------+-------------------------+
-| public      | mv1        | 2024-12-18 16:57:35.916 | UAT_TEST | 4    | 2467  |         | 1              | 2024-12-18 16:57:58.427 |
-+-------------+------------+-------------------------+----------+------+-------+---------+----------------+-------------------------+
-UNDROP TABLE mv1;
-
-SELECT * FROM mv1;
-+---+----+
-| i | j  |
-+---+----+
-| 1 | 10 |
-| 2 | 20 |
-| 3 | 30 |
-| 4 | 40 |
-+---+----+
-```
-
-## 注意事项
-
-* 请确保在数据保留周期内进行恢复操作，否则无法恢复被删除的对象。
-* 在恢复对象之前，请确保没有同名的对象存在。如有同名对象，请先重命名或删除该同名对象。
-
-

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

@@ -1,70 +0,0 @@
-# 更新表记录
-
-## 功能描述
-更新数据库表中的记录，将指定的字段值修改为新的值。
-
-## 语法格式
-```SQL
-UPDATE target_table
-       SET column_name1 = new_value1 [ , column_name2 = new_value2 , ... ]
-  [ WHERE condition ]
-[ORDER BY ...] 
-[LIMIT row_count]
-```
-
-**必选参数**
-
-- `target_table`：需要更新记录的目标表名。
-- `column_name`：需要更新的列名。
-- `new_value`：新的值，可以是常量、变量、函数调用、算术运算符、字符串操作等。支持子查询。
-
-**可选参数**
-- `condition`：更新操作的条件，用于限定哪些记录需要被更新。条件可以包含子查询和表达式。
-- `ORDER BY ...`‌按指定列排序后更新：
-  * 通常与 `LIMIT` 配合使用，控制更新顺序。
-  * 适用于分批更新或按优先级处理数据（如先处理最新记录）。
-- `LIMIT row_count`：限制更新的最大行数：
-  * 常用于分批更新大数据表，避免锁表或事务过长。
-  * 需配合 `ORDER BY` 确保更新顺序的确定性。
-
-
-## 使用示例
-
-### 示例1：更新单个字段值
-假设我们有一个名为`employees`的表，包含员工的ID、姓名和工资。现在我们要将ID为1的员工的工资增加1000元。
-
-```SQL
-UPDATE employees
-SET salary = salary + 1000
-WHERE id = 1;
-```
-
-### 示例2：同时更新多个字段值
-继续使用`employees`表，现在我们要将ID为1的员工的工资增加1000元，并将职位从"Developer"更改为"Senior Developer"。
-
-```SQL
-UPDATE employees
-SET salary = salary + 1000, position = 'Senior Developer'
-WHERE id = 1;
-```
-
-### 示例3：使用子查询更新字段值
-假设我们有一个名为`orders`的表，包含订单ID、客户ID和订单金额。我们还有一个名为`customers`的表，包含客户ID、姓名和会员等级。现在我们要将所有VIP客户的订单金额增加10%。
-
-```SQL
-UPDATE orders
-SET amount = amount * 1.1
-WHERE customer_id IN (
-  SELECT id
-  FROM customers
-  WHERE membership_level = 'VIP'
-);
-```
-### 示例4：UPDATE语句带有ORDER BY
-```
-UPDATE t SET id = id + 1 ORDER BY id DESC;
-```
-
-## 注意事项
-- 在执行更新操作时，请确保`WHERE`子句正确无误，以免错误地更新了不应该更新的记录。
-- 在对生产环境进行更新操作之前，建议先在测试环境中进行验证。

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

@@ -1,53 +0,0 @@
-### 功能描述
-
-`USE SCHEMA` 语句旨在改变当前会话的默认 SCHEMA 设置。当您执行此操作后，所有未明确指定 SCHEMA 的 SQL 查询和命令都将在新设定的 SCHEMA 范围内执行。这有助于简化 SQL 语句的编写，提高工作效率。
-
-### 语法
-
-```SQL
-USE [SCHEMA] schema_name;
-```
-
-### 参数说明
-
-- `schema_name`: 您希望切换至的目标 SCHEMA 名称。
-
-### 使用示例
-
-1. 切换至名为 `reporting` 的 SCHEMA：
-
-   ```SQL
-   USE reporting;
-   ```
-
-2. 在执行一系列针对 `sales` 数据表的操作时，首先切换至相应的 SCHEMA：
-
-   ```SQL
-   USE sales_schema;
-   SELECT * FROM sales_data;
-   UPDATE sales_data SET quantity = 100 WHERE product_id = 12;
-   ```
-
-3. 当需要在不同的 SCHEMA 之间频繁切换时，可以通过 `USE` 语句快速定位至特定的数据集合：
-
-   ```SQL
-   -- 从当前的 sales_schema 切换至 customer_schema
-   USE customer_schema;
-   -- 查询客户信息
-   SELECT * FROM customers;
-   -- 切换回 sales_schema
-   USE sales_schema;
-   ```
-
-4. 如果您希望在创建表时指定 SCHEMA，但不想立即切换至该 SCHEMA，可以在创建表的语句中包含 SCHEMA 名称，而无需使用 `USE` 语句：
-
-   ```SQL
-   CREATE TABLE finance_schema.ledger (
-     id INT PRIMARY KEY,
-     amount DECIMAL(10, 2) NOT NULL
-   );
-   ```
-
-## 注意事项
-- 在使用客户端工具（如[客户端SQLLine](<connect-with-cli.md>)、[DBeaver](<eco_integration/dbeaver-lakehouse.md>)等）连接时，相关操作会在整个会话期间生效。而如果您使用 Lakehouse Studio 界面，建议优先通过页面来切换 Schema 和计算集群。需要说明的是，若直接使用相关命令，其效果仅临时生效，且要和需要执行的SQL一起选中执行方可生效。
-![](.topwrite/assets/image_1741317824124.png)

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

@@ -1,31 +0,0 @@
-# AI + BI 统一工作流
-
-云器 Lakehouse 创新性地提供了 **AI + BI 统一工作流**解决方案，将传统的数据处理流程与 AI 数据应用流程无缝整合在同一平台上，实现真正的数据智能融合。
-
-### 传统分离式架构的痛点
-
-1.  **技术栈割裂**
-    *   BI 系统：基于 SQL、ETL 工具、报表平台。
-    *   AI 应用：基于 Python、向量数据库、推理服务。
-    *   两套系统独立运行，数据难以共享。
-
-2.  **数据孤岛问题**
-    *   结构化数据存储在数据仓库。
-    *   非结构化数据分散在对象存储。
-    *   向量数据独立存储在专门的向量数据库中。
-
-3.  **工作流程断层**
-    *   ETL 流程和 AI 应用流程相互独立。
-    *   数据需要在多个系统间复制和转换。
-    *   维护成本高，数据一致性难保证。
-
-## 云器 Lakehouse 统一工作流方案
-
-### 核心理念
-
-云器 Lakehouse 通过统一的数据湖仓架构，支持在同一平台上运行传统 ETL 工作流和 AI 数据应用工作流，实现：
-
-*   **统一存储**：结构化、非结构化、向量数据统一管理。
-*   **统一计算**：SQL 分析与 AI 推理共享计算资源。
-*   **统一编排**：ETL 任务与 AI 应用统一调度。
-*   **统一治理**：数据血缘、权限、质量统一管控。

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

@@ -1,175 +0,0 @@
-# 基于云器 Lakehouse 的车辆图像智能识别案例
-
-### 概述
-
-云器 Lakehouse 创新性地提供了 **AI + BI 统一工作流**解决方案，将传统的数据处理流程与 AI 数据应用流程无缝整合在同一平台上，实现真正的数据智能融合。本文以车辆图像识别为例，展示如何构建一个完整的 AI + BI 统一工作流。
-
-### 业务场景
-
-某智慧交通管理平台需要：
-
-* 实时处理来自各路口摄像头的车辆图像
-* 自动识别车辆型号、颜色、年份等信息
-* 构建车辆特征数据库，支持后续的交通分析和管理决策
-
-### 架构设计
-
-```
-OSS 图像存储 →  Volume 数据湖 →  AI 识别处理  →  结构化存储  →   BI 分析展示
-     ↓              ↓              ↓            ↓            ↓
-  原始图像         增量检测       AI UDF调用     数据解析入库   可视化报表
-```
-
-### 工作流实现
-
-![](.topwrite/assets/AIworkflow.png =743)
-
-#### **Task 1: 数据源刷新与增量检测**
-
-```sql
--- 刷新 Volume，检测新增图像文件
-ALTER VOLUME sg_volume_images REFRESH;
-
--- 记录刷新时间点，用于后续增量处理
-SET refresh_timestamp = CURRENT_TIMESTAMP();
-```
-
-**最佳实践要点**：
-
-* 定期刷新 Volume 以发现新文件
-* 使用时间戳记录刷新点，支持增量处理
-* 建议根据业务需求设置合理的刷新频率（如每 5 分钟）
-
-#### **Task 2: AI 识别与结构化处理**
-
-```sql
--- 增量处理最近 ${last_min} 分钟内的新图像
-WITH check_new_files AS (
-    SELECT COUNT(*) AS file_count
-    FROM DIRECTORY(VOLUME sg_volume_images)
-    WHERE last_modified_time >= DATEADD(MINUTE, -${last_min}, CURRENT_TIMESTAMP())
-),
--- AI 识别处理
-recognition AS (
-    SELECT *
-    FROM (
-        SELECT 
-            relative_path as vehicle_images,
-            pre_signed_url,
-            -- 调用 AI 外部函数进行车辆识别
-            public.fc_image_to_text('vehicle_type', pre_signed_url) as vehicle_recognition,
-            last_modified_time
-        FROM (
-            SELECT 
-                relative_path,
-                -- 生成临时访问 URL，有效期 2 小时
-                get_presigned_url(volume sg_volume_images, relative_path, 7200) as pre_signed_url,
-                last_modified_time
-            FROM DIRECTORY(VOLUME sg_volume_images)
-            WHERE last_modified_time >= DATEADD(MINUTE, -${last_min}, CURRENT_TIMESTAMP())
-        )
-    ) subq
-    WHERE EXISTS (SELECT 1 FROM check_new_files WHERE file_count > 0)
-)
--- 解析 AI 返回的 JSON 结果并入库
-INSERT INTO vehicle_type_data (
-    car_model, car_color, year, score, 
-    vehicle_recognition, pre_signed_url, last_modified_time, process_time
-)
-SELECT 
-    get_json_object(regexp_replace(vehicle_recognition, "'", '"'), '$.result[0].name') as car_model,
-    get_json_object(regexp_replace(vehicle_recognition, "'", '"'), '$.color_result') as car_color,
-    get_json_object(regexp_replace(vehicle_recognition, "'", '"'), '$.result[0].year') as year,
-    cast(get_json_object(regexp_replace(vehicle_recognition, "'", '"'), '$.result[0].score') as decimal(16,6)) as score,
-    vehicle_recognition,
-    r.pre_signed_url,
-    last_modified_time,
-    CURRENT_TIMESTAMP() as process_time
-FROM recognition r
-WHERE EXISTS (SELECT 1 FROM check_new_files WHERE file_count > 0);
-```
-
-**最佳实践要点**：
-
-* 使用 CTE 进行增量检测，避免处理已识别的图像
-* 生成预签名 URL 供 AI 服务访问，确保安全性
-* JSON 解析时注意引号转换和数据类型转换
-* 记录处理时间，便于监控和审计
-
-#### **Task 3: 数据质量控制与异常处理**
-
-```sql
--- 数据质量检查和异常处理
-WITH quality_check AS (
-    -- 检查识别失败的记录
-    SELECT 
-        vehicle_images,
-        pre_signed_url,
-        vehicle_recognition,
-        CASE 
-            WHEN vehicle_recognition IS NULL THEN 'AI服务调用失败'
-            WHEN score < 0.6 THEN '识别置信度过低'
-            WHEN car_model IS NULL THEN '车型识别失败'
-            ELSE '正常'
-        END as quality_status
-    FROM vehicle_type_data
-    WHERE process_time >= DATEADD(MINUTE, -${last_min}, CURRENT_TIMESTAMP())
-)
--- 将异常记录写入错误日志表
-INSERT INTO vehicle_recognition_errors (
-    vehicle_images, pre_signed_url, error_type, 
-    error_details, retry_count, created_time
-)
-SELECT 
-    vehicle_images,
-    pre_signed_url,
-    quality_status as error_type,
-    vehicle_recognition as error_details,
-    0 as retry_count,
-    CURRENT_TIMESTAMP() as created_time
-FROM quality_check
-WHERE quality_status != '正常';
-
--- 更新处理统计信息
-MERGE INTO vehicle_process_stats AS target
-USING (
-    SELECT 
-        DATE(CURRENT_TIMESTAMP()) as process_date,
-        COUNT(*) as total_processed,
-        SUM(CASE WHEN quality_status = '正常' THEN 1 ELSE 0 END) as success_count,
-        SUM(CASE WHEN quality_status != '正常' THEN 1 ELSE 0 END) as error_count
-    FROM quality_check
-) AS source
-ON target.process_date = source.process_date
-WHEN MATCHED THEN UPDATE SET
-    total_processed = target.total_processed + source.total_processed,
-    success_count = target.success_count + source.success_count,
-    error_count = target.error_count + source.error_count,
-    last_update_time = CURRENT_TIMESTAMP()
-WHEN NOT MATCHED THEN INSERT (
-    process_date, total_processed, success_count, 
-    error_count, last_update_time
-) VALUES (
-    source.process_date, source.total_processed, 
-    source.success_count, source.error_count, CURRENT_TIMESTAMP()
-);
-```
-
-**最佳实践要点**：
-
-* 实施数据质量检查，识别低质量结果
-* 建立错误处理机制，支持后续重试
-* 维护处理统计信息，便于监控系统健康度
-
-### 最佳实践总结
-
-1.  **统一平台优势**
-    * 数据存储、AI 处理、BI 分析在同一平台完成
-    * 避免数据搬迁，降低延迟和成本
-    * 统一的权限管理和数据治理
-
-2.  **增量处理策略**
-    * 使用时间戳实现增量识别，避免重复处理
-    * 设置合理的处理批次大小，平衡实时性和资源消耗
-
-通过这个完整的 AI + BI 统一工作流，企业可以快速构建从数据采集、AI 处理到业务分析的端到端智能应用，真正实现数据驱动的业务决策。