Hologres BSI(位切片索引)画像分析 Skill,用于用户画像和标签计算。 适用于 BSI 表设计、数据导入、属性标签+行为标签联合人群圈选、 GMV 分析、标签分布统计、Top K 查询、分桶并行计算等场景。 Triggers: "BSI", "位切片索引", "画像分析", "用户画像", "标签计...
---
name: hologres-bsi-profile-analysis
description: |
Hologres BSI(位切片索引)画像分析 Skill,用于用户画像和标签计算。
适用于 BSI 表设计、数据导入、属性标签+行为标签联合人群圈选、
GMV 分析、标签分布统计、Top K 查询、分桶并行计算等场景。
Triggers: "BSI", "位切片索引", "画像分析", "用户画像", "标签计算", "人群圈选", "行为标签",
"bsi_build", "bsi_sum", "bsi_filter", "bsi_stat", "bsi_topk", "roaring bitmap profile",
"标签圈人", "分桶计算"
---
## Prerequisites
This skill requires **hologres-cli** to be installed first:
```bash
pip install hologres-cli
export HOLOGRES_SKILL=hologres-bsi-profile-analysis
```
All SQL execution depends on `hologres-cli` commands (`hologres sql run --write`).
# Hologres BSI 画像分析
> **参考文档**: [使用BSI进行画像分析中的标签计算](https://help.aliyun.com/zh/hologres/use-cases/profile-analysis-bsi-optimization-beta)
基于 BSI(Bit-sliced Index,位切片索引)的 Hologres 用户画像分析方案,支持对行为标签(GMV、PV、观看时长等)与属性标签(省份、性别等)进行高效联合计算。
**方案架构**: `Hologres 实例 + Roaring Bitmap 扩展 + BSI 扩展 + UID 字典编码 + 属性标签 Bitmap + 行为标签 BSI`
## ⚠️ CLI / 代码自动化限制总览
以下表格总结了本方案中各步骤的自动化可行性:
| 步骤 | 可自动化? | 说明 |
|------|-----------|------|
| 安装扩展(`CREATE EXTENSION`) | ⚠️ CLI 需 `--write` 标志 | 需要 DDL 写权限:`hologres sql run --write "CREATE EXTENSION ..."` |
| 建表(`CREATE TABLE`) | ⚠️ CLI 需 `--write` 标志 | 需要 DDL 写权限:`hologres sql run --write "CREATE TABLE ..."` |
| UID 字典编码初始化 | ⚠️ CLI 需 `--write` 标志 | 通过 SQL INSERT 完成;增量维护由用户自行管理 |
| 源数据准备 | ❓ 需用户指定 | 用户必须提供属性标签源表和行为标签源表名称。若未指定,需要求用户提供 |
| 数据导入(INSERT INTO rb_tag/bsi_gmv) | ⚠️ CLI 需 `--write` 标志 | 需要 DML 写权限:`hologres sql run --write "INSERT INTO ..."` |
| BSI/RB 查询分析 | ✅ 完全可自动化 | 所有只读查询均可通过 `hologres sql run "SELECT ..."` 执行 |
| 分桶数选择 | ❌ 不可自动化 | 取决于集群规模和数据量,需要领域知识和性能调优 |
| 增量维护 | ❌ 由用户自行管理 | 可通过 DataWorks 等调度工具实现定时增量导入 |
# 背景
Roaring Bitmap 在用户画像场景中广泛用于属性标签索引,但存在两个关键局限:
1. **多标签联合查询问题**:Roaring Bitmap 仅适用于固定的分类型"属性标签"。对于量值类"行为标签"(如 GMV、订单金额、观看时长),只能回溯明细表进行关联查询。
2. **高基数标签问题**:当某标签去重值数量(基数)很大时,Roaring Bitmap 存储会膨胀,查询性能下降。
BSI 解决了上述两个问题:
- 对量值类行为标签进行预计算,以 BSI 压缩格式存储,可与属性标签的 Roaring Bitmap 直接联合分析,无需回溯明细表。
- 通过位切片索引,最多生成 32 个位切片即可存储 INT 范围内的所有行为标签值,实现压缩存储和低延迟查询。
## 前提条件
- Hologres 实例已安装 `roaringbitmap` 扩展
- 已安装 BSI 扩展
```sql
-- 安装所需扩展
CREATE EXTENSION IF NOT EXISTS roaringbitmap;
CREATE EXTENSION IF NOT EXISTS bsi;
```
> ⚠️ **CLI 写操作**:安装扩展需要 `--write` 标志:
> ```bash
> hologres sql run --write "CREATE EXTENSION IF NOT EXISTS roaringbitmap"
> hologres sql run --write "CREATE EXTENSION IF NOT EXISTS bsi"
> ```
## 快速开始
### 1. 建表
```sql
-- 用户属性标签表
CREATE TABLE dws_userbase (
uid int NOT NULL PRIMARY KEY,
province text,
gender text
) WITH (distribution_key = 'uid');
-- UID 字典编码表(Roaring Bitmap / BSI 必需)
CREATE TABLE dws_uid_dict (
encode_uid serial,
uid int PRIMARY KEY
);
-- 用户行为标签表
CREATE TABLE usershop_behavior (
uid int NOT NULL,
gmv int
) WITH (distribution_key = 'uid');
-- Roaring Bitmap 属性标签表(tag_name + tag_val 复合主键)
CREATE TABLE rb_tag (
tag_name text NOT NULL,
tag_val text NOT NULL,
bitmap roaringbitmap,
PRIMARY KEY (tag_name, tag_val)
);
-- BSI 行为标签表(GMV)
CREATE TABLE bsi_gmv (
gmv_bsi bsi
);
```
> ⚠️ **CLI 写操作**:建表需要 `--write` 标志:
> ```bash
> hologres sql run --write "CREATE TABLE ..."
> ```
### 2. 数据导入
```sql
-- 构建属性标签 Roaring Bitmap
INSERT INTO rb_tag
SELECT 'province', province, rb_build_agg(b.encode_uid) AS bitmap
FROM dws_userbase a JOIN dws_uid_dict b ON a.uid = b.uid
GROUP BY province;
-- 构建行为标签 BSI(注意:bsi_build 接收 integer[] 和 bigint[] 数组,gmv 需转换为 bigint)
INSERT INTO bsi_gmv
SELECT bsi_build(array_agg(b.encode_uid), array_agg(a.gmv::bigint)) AS bitmap
FROM usershop_behavior a JOIN dws_uid_dict b ON a.uid = b.uid;
```
> ⚠️ **CLI 写操作**:数据导入需要 `--write` 标志:
> ```bash
> hologres sql run --write "INSERT INTO ..."
> ```
> ⚠️ **UID 字典维护**:`dws_uid_dict` 必须在 BSI/Roaring Bitmap 导入前完成填充。
> - **初始化**:通过 SQL INSERT 完成
> - **增量维护**:由用户自行管理(可通过 DataWorks 等调度工具实现定时增量导入)
### 3. 查询示例
```sql
-- 查询“广东”+“男性”用户的 GMV 总值和人均 GMV
SELECT
sum(kv[1]) AS total_gmv,
sum(kv[1]) / sum(kv[2]) AS avg_gmv
FROM (
SELECT bsi_sum(t1.gmv_bsi, t2.crowd) AS kv
FROM bsi_gmv t1,
(SELECT rb_and(a.bitmap, b.bitmap) AS crowd FROM
(SELECT bitmap FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a,
(SELECT bitmap FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
) t2
) t;
```
This query can be executed via CLI:
```bash
hologres sql run "SELECT sum(kv[1]) AS total_gmv, sum(kv[1])/sum(kv[2]) AS avg_gmv FROM (SELECT bsi_sum(t1.gmv_bsi, t2.crowd) AS kv FROM bsi_gmv t1, (SELECT rb_and(a.bitmap,b.bitmap) AS crowd FROM (SELECT bitmap FROM rb_tag WHERE tag_name='gender' AND tag_val='Male') a, (SELECT bitmap FROM rb_tag WHERE tag_name='province' AND tag_val='广东') b) t2) t"
```
## 表设计
### 基础版(无分桶)
| 表名 | 字段 | 说明 |
|------|------|------|
| `dws_userbase` | `(uid int, province text, gender text)` | 用户属性标签源表 |
| `dws_uid_dict` | `(encode_uid serial, uid int)` | UID 字典编码表 |
| `usershop_behavior` | `(uid int, gmv int)` | 用户行为标签源表 |
| `rb_tag` | `(tag_name text, tag_val text, bitmap roaringbitmap)` PK=(tag_name, tag_val) | 属性标签 Roaring Bitmap 表 |
| `bsi_gmv` | `(gmv_bsi bsi)` | 行为标签 BSI 表 |
### 进阶版(分桶并行计算)
不分桶时,所有 BSI/Roaring Bitmap 数据集中在少数节点上。分桶可将数据分布到集群各节点,实现并行计算。
| 表名 | 字段 | 说明 |
|------|------|------|
| `dws_userbase` | `(uid int, province text, gender text)` | 用户属性标签源表 |
| `dws_uid_dict` | `(encode_uid serial, uid int)` | UID 字典编码表 |
| `usershop_behavior` | `(uid int, category text, gmv int, ds date)` | 用户行为标签源表(含分类、日期) |
| `rb_tag` | `(tag_name text, tag_val text, bucket int, bitmap roaringbitmap)` PK=(tag_name, tag_val, bucket) | 带分桶的属性标签 Roaring Bitmap 表 |
| `bsi_gmv` | `(ds text, category text, bucket int, gmv_bsi bsi)` | 带分桶、分类、日期的行为标签 BSI 表 |
关键区别:增加 `bucket` 字段,并设置 `distribution_key = 'bucket'` 确保数据均匀分布。
```sql
-- 分桶 Roaring Bitmap 属性标签表(复合主键)
CREATE TABLE rb_tag (
tag_name text NOT NULL,
tag_val text NOT NULL,
bucket int NOT NULL,
bitmap roaringbitmap,
PRIMARY KEY (tag_name, tag_val, bucket)
) WITH (distribution_key = 'bucket');
-- 分桶 BSI 行为标签表
CREATE TABLE bsi_gmv (
category text,
bucket int,
gmv_bsi bsi,
ds date
) WITH (distribution_key = 'bucket');
```
## 常用查询模式
### 模式一:人群圈选 + 行为标签分析
**求和与均值**:查询圈选人群的 GMV 总值和人均 GMV。
```sql
-- 基础版:广东+男性用户的 GMV 总值和均值
SELECT
sum(kv[1]) AS total_gmv,
sum(kv[1]) / sum(kv[2]) AS avg_gmv
FROM (
SELECT bsi_sum(t1.gmv_bsi, t2.crowd) AS kv
FROM bsi_gmv t1,
(SELECT rb_and(a.bitmap, b.bitmap) AS crowd FROM
(SELECT bitmap FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a,
(SELECT bitmap FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
) t2
) t;
-- 分桶版:广东+男性用户、3C 品类、昨日的 GMV 总值和均值
SELECT
sum(kv[1]) AS total_gmv,
sum(kv[1]) / sum(kv[2]) AS avg_gmv
FROM (
SELECT bsi_sum(t1.gmv_bsi, t2.crowd) AS kv, t1.bucket
FROM (SELECT gmv_bsi, bucket FROM bsi_gmv WHERE category = '3C' AND ds = CURRENT_DATE - interval '1 day') t1
JOIN
(SELECT rb_and(a.bitmap, b.bitmap) AS crowd, a.bucket FROM
(SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a
JOIN
(SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
ON a.bucket = b.bucket
) t2
ON t1.bucket = t2.bucket
) t;
```
**分布统计**:按指定边界值统计 GMV 分布。
```sql
-- 基础版:按边界值 [100, 300, 500] 统计 GMV 分布
SELECT bsi_stat('{100,300,500}', filter_bsi)
FROM (
SELECT bsi_filter(t1.gmv_bsi, t2.crowd) AS filter_bsi
FROM bsi_gmv t1,
(SELECT rb_and(a.bitmap, b.bitmap) AS crowd FROM
(SELECT bitmap FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a,
(SELECT bitmap FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
) t2
) t;
-- 分桶版:聚合 BSI 后统计 GMV 分布
SELECT bsi_stat('{100,300,500}', bsi_add_agg(filter_bsi))
FROM (
SELECT bsi_filter(t1.gmv_bsi, t2.crowd) AS filter_bsi, t1.bucket
FROM (SELECT gmv_bsi, bucket FROM bsi_gmv WHERE category = '3C' AND ds = CURRENT_DATE - interval '1 day') t1
JOIN
(SELECT rb_and(a.bitmap, b.bitmap) AS crowd, a.bucket FROM
(SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a
JOIN
(SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
ON a.bucket = b.bucket
) t2
ON t1.bucket = t2.bucket
) t;
```
**Top K**:按行为标签值查询 Top K 用户。
```sql
-- 基础版:GMV Top 10 用户
SELECT rb_to_array(bsi_topk(filter_bsi, 10))
FROM (
SELECT bsi_filter(t1.gmv_bsi, t2.crowd) AS filter_bsi
FROM bsi_gmv t1,
(SELECT rb_and(a.bitmap, b.bitmap) AS crowd FROM
(SELECT bitmap FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a,
(SELECT bitmap FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
) t2
) t;
-- 分桶版:昨日 GMV Top 10 用户
SELECT bsi_topk(bsi_add_agg(filter_bsi), 10)
FROM (
SELECT bsi_filter(t1.gmv_bsi, t2.crowd) AS filter_bsi, t1.bucket
FROM (SELECT bsi_add_agg(gmv_bsi) AS gmv_bsi, bucket FROM bsi_gmv WHERE ds = CURRENT_DATE - interval '1 day' GROUP BY bucket) t1
JOIN
(SELECT rb_and(a.bitmap, b.bitmap) AS crowd, a.bucket FROM
(SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a
JOIN
(SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
ON a.bucket = b.bucket
) t2
ON t1.bucket = t2.bucket
) t;
```
### 模式二:基于行为标签的人群圈选
根据行为标签阈值圈选用户。
```sql
-- 基础版:圈选 GMV > 1000 的用户
SELECT rb_to_array(bsi_gt(gmv_bsi, 1000)) AS crowd
FROM bsi_gmv;
-- 分桶版:圈选过去一个月内 3C 品类 GMV > 1000 的用户
SELECT rb_to_array(bsi_gt(bsi_add_agg(gmv_bsi), 1000)) AS crowd
FROM bsi_gmv
WHERE category = '3C'
AND ds BETWEEN CURRENT_DATE - interval '30 day' AND CURRENT_DATE - interval '1 day';
```
其他比较函数:
```sql
-- GMV >= 1000
SELECT rb_to_array(bsi_ge(gmv_bsi, 1000)) FROM bsi_gmv;
-- GMV < 500
SELECT rb_to_array(bsi_lt(gmv_bsi, 500)) FROM bsi_gmv;
-- GMV between 100 and 500 (inclusive)
SELECT rb_to_array(bsi_range(gmv_bsi, 100, 500)) FROM bsi_gmv;
-- GMV == 200
SELECT rb_to_array(bsi_eq(gmv_bsi, 200)) FROM bsi_gmv;
-- GMV != 0
SELECT rb_to_array(bsi_neq(gmv_bsi, 0)) FROM bsi_gmv;
```
## BSI 函数快速参考
完整函数参考请见 [references/bsi-functions.md](references/bsi-functions.md)。
| 函数 | 输入 | 输出 | 说明 |
|------|------|------|------|
| `bsi_build` | `integer[], bigint[]` | `bsi` | 从键值数组创建 BSI |
| `bsi_add_value` | `bsi, integer, bigint` | `bsi` | 向 BSI 添加一个键值对 |
| `bsi_iterate` | `bsi` | `set of integer[]` | 展开 BSI 为键值对 |
| `bsi_show` | `bsi/bytea, integer` | `text` | 显示前 N 个键值对 |
| `bsi_ebm` | `bsi/bytea` | `roaringbitmap` | 获取所有键作为 Roaring Bitmap |
| `bsi_eq` | `bsi, bigint [, bytea]` | `roaringbitmap` | 值 == N 的键 |
| `bsi_neq` | `bsi, bigint [, bytea]` | `roaringbitmap` | 值 != N 的键 |
| `bsi_gt` | `bsi, bigint [, bytea]` | `roaringbitmap` | 值 > N 的键 |
| `bsi_ge` | `bsi, bigint [, bytea]` | `roaringbitmap` | 值 >= N 的键 |
| `bsi_lt` | `bsi, bigint [, bytea]` | `roaringbitmap` | 值 < N 的键 |
| `bsi_le` | `bsi, bigint [, bytea]` | `roaringbitmap` | 值 <= N 的键 |
| `bsi_range` | `bsi, bigint, bigint [, bytea]` | `roaringbitmap` | 值在 [N, M] 范围内的键 |
| `bsi_filter` | `bsi/bytea, bytea` | `bsi` | 通过 Roaring Bitmap 交集过滤 BSI |
| `bsi_sum` | `bsi/bytea [, bytea]` | `bigint[]` | 返回 `[总和, 基数]` |
| `bsi_stat` | `bigint[], bsi/bytea [, bytea]` | `text` | 按边界值统计分布。**第一个参数是边界数组**,如 `'{100,300,500}'` |
| `bsi_topk` | `bsi/bytea, [bytea,] integer` | `roaringbitmap` | 按值取 Top K 键 |
| `bsi_transpose` | `bsi/bytea [, bytea]` | `roaringbitmap` | 去重值作为 Roaring Bitmap |
| `bsi_transpose_with_count` | `bsi/bytea [, bytea]` | `bsi` | 去重值及其计数作为 BSI |
| `bsi_add` | `bsi, bsi` | `bsi` | 相同键的两个 BSI 值相加 |
| `bsi_add_agg` | `bsi` | `bsi` | 跨行求和聚合 |
| `bsi_merge` | `bsi, bsi` | `bsi` | 合并两个 BSI(键不可重叠) |
| `bsi_merge_agg` | `bsi` | `bsi` | 合并聚合(键不可重叠) |
| `bsi_compare` | `text, bsi, [bytea,] bigint, bigint` | `roaringbitmap` | 比较过滤(LT/LE/GT/GE/EQ/NEQ/RANGE) |
> **可选 `bytea` 参数**:许多函数支持可选的 Roaring Bitmap(`bytea`)参数,先做交集再计算。这可以避免单独调用 `bsi_filter`。
## 数据导入模式
### 基础导入
```sql
-- 属性标签导入 Roaring Bitmap
INSERT INTO rb_tag
SELECT 'province', province, rb_build_agg(b.encode_uid) AS bitmap
FROM dws_userbase a JOIN dws_uid_dict b ON a.uid = b.uid
GROUP BY province;
-- 行为标签导入 BSI(bsi_build 需要 integer[] + bigint[] 数组参数)
INSERT INTO bsi_gmv
SELECT bsi_build(array_agg(b.encode_uid), array_agg(a.gmv::bigint)) AS bitmap
FROM usershop_behavior a JOIN dws_uid_dict b ON a.uid = b.uid;
```
### 分桶导入
```sql
-- 带分桶的属性标签导入
INSERT INTO rb_tag
SELECT 'province', province, encode_uid / 65536 AS bucket,
rb_build_agg(b.encode_uid) AS bitmap
FROM dws_userbase a JOIN dws_uid_dict b ON a.uid = b.uid
GROUP BY province, bucket;
-- 带分桶的行为标签导入
INSERT INTO bsi_gmv
SELECT a.category, b.encode_uid / 65536 AS bucket,
bsi_build(array_agg(b.encode_uid), array_agg(a.gmv::bigint)) AS bitmap, a.ds
FROM usershop_behavior a JOIN dws_uid_dict b ON a.uid = b.uid
WHERE ds = CURRENT_DATE - interval '1 day'
GROUP BY category, bucket, ds;
```
## 实施说明
### ⚠️ 需要 `--write` 标志的操作(通过 CLI)
以下操作修改数据,通过 `hologres sql run` 执行时需要 `--write` 标志:
| 操作 | CLI 命令 | 备注 |
|------|---------|------|
| 安装扩展 | `hologres sql run --write "CREATE EXTENSION IF NOT EXISTS bsi"` | DDL 写 |
| 建表 | `hologres sql run --write "CREATE TABLE ..."` | DDL 写 |
| 数据导入 (INSERT) | `hologres sql run --write "INSERT INTO ..."` | DML 写 |
### ✅ 可以只读执行的操作(通过 CLI)
所有 BSI/Roaring Bitmap 查询函数均为只读,完全可自动化:
```bash
# 求和与基数
hologres sql run "SELECT bsi_sum(gmv_bsi) FROM bsi_gmv"
# Top K 查询
hologres sql run "SELECT rb_to_array(bsi_topk(gmv_bsi, 10)) FROM bsi_gmv"
# 分布统计
hologres sql run "SELECT bsi_stat('{100,300,500}', gmv_bsi) FROM bsi_gmv"
# 人群过滤
hologres sql run "SELECT rb_to_array(bsi_gt(gmv_bsi, 1000)) FROM bsi_gmv"
# 比较查询(均为只读)
hologres sql run "SELECT rb_to_array(bsi_ge(gmv_bsi, 1000)) FROM bsi_gmv"
hologres sql run "SELECT rb_to_array(bsi_lt(gmv_bsi, 500)) FROM bsi_gmv"
hologres sql run "SELECT rb_to_array(bsi_range(gmv_bsi, 100, 500)) FROM bsi_gmv"
hologres sql run "SELECT rb_to_array(bsi_eq(gmv_bsi, 200)) FROM bsi_gmv"
hologres sql run "SELECT rb_to_array(bsi_neq(gmv_bsi, 0)) FROM bsi_gmv"
```
### ❌ 不可通过 CLI 或代码自动化的操作
以下步骤需要手动设置或超出 CLI 范围:
| 步骤 | 原因 | 解决方案 |
|------|--------|------------|
| UID 字典编码(`dws_uid_dict`) | 需在 BSI/RB 导入前完成填充 | 初始化通过 SQL INSERT 完成;增量维护由用户自行管理 |
| 源数据准备 | 用户需指定属性标签源表和行为标签源表 | 用户需指定属性标签源表和行为标签源表;若未指定,必须要求用户提供 |
| 分桶数选择 | 取决于集群规模和数据量,需要领域知识 | 推荐使用 `encode_uid / 65536` 作为分桶键,具体需结合业务调优 |
| 增量维护 | 由用户自行管理 | 可通过 DataWorks 等调度工具实现定时增量导入 |
## 最佳实践
1. **始终使用 UID 字典编码**:BSI 和 Roaring Bitmap 需要连续整数键。导入前先构建 `dws_uid_dict`。
2. **大数据量时使用分桶**:不分桶时数据集中在少数节点。使用 `encode_uid / 65536` 作为分桶键实现均匀分布。
3. **设置 `distribution_key = 'bucket'`**:确保数据分片与分桶边界对齐,实现本地计算。
4. **分桶聚合时使用 `bsi_add_agg`**:分析前先跨分桶聚合 BSI。
5. **优先使用可选 `bytea` 参数**:不必 `bsi_filter` + `bsi_sum` 分开调用,直接用 `bsi_sum(bsi, crowd_bytea)` 性能更优。
6. **使用 `bsi_stat` 做分布统计**:比明细表的多个 `CASE WHEN` 查询更高效。
7. **使用 `bsi_topk` 做排序**:将全局排序转化为位交集运算,比 `ORDER BY ... LIMIT` 快得多。
8. **BSI 值范围限制在 INT 内**:BSI 以 32 位切片存储值,值必须在整数范围内。
## 参考文档
| 文档 | 说明 |
|------|------|
| [references/bsi-functions.md](references/bsi-functions.md) | 完整的 BSI 函数参考,含语法和示例 |
| [references/table-design.md](references/table-design.md) | 基础版和分桶版的表设计模式和 DDL |don't have the plugin yet? install it then click "run inline in claude" again.