作者:冉攀峰 镜舟科技资深工程师
导读:同一个“销售额”,报表可能算折前金额,经营分析算折后实收,AI 生成的 SQL 还可能把取消订单包含在内。分歧来自业务定义没有进入查询执行路径。Semantic View 将表关系,指标,维度和固定过滤条件定义为数据库对象,让应用按业务名称查询,由引擎完成 SQL 展开与优化。一套零售示例串起 CREATE,QUERY 和 YAML API,展示业务口径如何落到可核验的结果与执行计划。
01 业务口径从文档进入执行路径
企业问数经常卡在三处:指标名称相同,计算公式不同;事实表与维表的连接路径分散在历史 SQL 中;排除取消订单,测试数据等规则靠每次查询重新补齐。自然语言生成 SQL 时,只有表名和列名还不够。“销售额”究竟指折前还是折后,“数量”究竟是商品件数,明细行数还是订单数,都需要业务信息。
Semantic View(SV,语义视图)把这些信息前移到定义时刻。 建模者确认数据粒度,键,表关系与指标表达式,数据库将其存储为可查询的对象。使用时,Agent 选择维度和指标,引擎按定义生成连接,过滤与聚合。同义词和注释帮助 Agent 理解问题,FILTER 与 SQL 表达式负责落实计算规则。
两者承担的责任不同。在 AI 提示词中写“销售额只算已支付订单”,是生成建议;在 SV 中定义 FILTER orders.o_status = 'PAID',则会参与每次查询的展开。一个可审查,可复用的业务定义,因而能同时服务多个分析入口。
SV 本身不物化业务数据。它在查询路径上提供语义,再由优化器和执行引擎处理普通关系运算。表裁剪减少查询需要读取的表,聚合消除利用唯一性信息去掉没有必要的分组运算。
.png)
图 1:SQL DDL 与两种 YAML 汇入同一语义对象,查询经展开和优化后读取基表。EXPLAIN INLINE 用于审查展开 SQL,EXPLAIN 用于检查最终物理计划。
02 CREATE:使用 YAML 定义业务语义
2.1 SV 使用的三张基表
示例取材于零售库 retail_db 的订单,明细和商品模型,精简为独立实验库 sv_retail_demo。以下给出该示例使用的完整基表 DDL 与数据,不依赖私有数据库。适用版本为包含 Semantic View 和 YAML API 的 MirrorShip Enterprise版。
基表 | 一行代表什么 | 业务唯一键 | 在 SV 中的作用 |
|---|---|---|---|
| 一笔订单 |
| 提供支付状态与订单日期 |
| 一个订单商品行 |
| 提供数量,单价与折扣 |
| 一个商品 |
| 提供商品品类 |

图 2:销售 SV 的基表关系。箭头表示明细到订单,商品的多对一关联;图中业务键由数据保证,不由 Duplicate Key 排序键强制执行。
明细表通过订单号关联订单,通过商品号关联商品。两条关系均为多对一:一笔订单可有多行明细,一个商品也可出现在多笔订单中。完整建表语句如下,在支持 SV 的测试集群中执行一次:
CREATE DATABASE sv_retail_demo;
USE sv_retail_demo;
CREATE TABLE fact_order (
o_order_id BIGINT NOT NULL COMMENT '订单ID',
o_order_time DATETIME COMMENT '下单时间',
o_status VARCHAR(16) COMMENT 'PAID为已支付, CANCELLED为已取消'
) DUPLICATE KEY(o_order_id)
DISTRIBUTED BY HASH(o_order_id) BUCKETS 1
PROPERTIES ("replication_num"="1");
CREATE TABLE fact_order_line (
ol_order_id BIGINT NOT NULL COMMENT '所属订单ID',
ol_line_no INT NOT NULL COMMENT '订单内行号',
ol_product_id BIGINT NOT NULL COMMENT '商品ID',
ol_quantity INT COMMENT '商品件数',
ol_unit_price DECIMAL(18,2) COMMENT '折前成交单价, 单位为元',
ol_discount_rate DECIMAL(5,4) COMMENT '折扣比例, 0.1表示打九折'
) DUPLICATE KEY(ol_order_id,ol_line_no)
DISTRIBUTED BY HASH(ol_order_id) BUCKETS 1
PROPERTIES ("replication_num"="1");
CREATE TABLE dim_product (
p_product_id BIGINT NOT NULL COMMENT '商品ID',
p_category VARCHAR(32) COMMENT '商品品类'
) DUPLICATE KEY(p_product_id)
DISTRIBUTED BY HASH(p_product_id) BUCKETS 1
PROPERTIES ("replication_num"="1");三张表采用 Duplicate Key 模型。这里的排序键不强制业务唯一性;SV 中的主键声明同样需要真实数据满足,建模时应验证键唯一与连接基数。
2.2 五条明细足以核对业务口径
INSERT INTO fact_order VALUES
(101,'2026-08-01 10:00:00','PAID'),
(102,'2026-08-01 11:00:00','PAID'),
(103,'2026-08-02 10:00:00','CANCELLED'),
(104,'2026-08-02 11:00:00','PAID');
INSERT INTO dim_product VALUES (1,'Electronics'),(2,'Grocery');
INSERT INTO fact_order_line VALUES
(101,1,1,1,100,0.1000),
(101,2,2,2,20,0.0000),
(102,1,1,1,100,0.2000),
(103,1,1,1,100,0.0000),
(104,1,2,3,20,0.1000);101 号订单有两行,因此五条明细对应四笔订单。取消订单 103 的金额为 100 元,后面的销售口径会排除它。初始化数据只插入一次,以免在 Duplicate Key 表中重复累计。
2.3 使用完整 SR YAML 定义 SV
SV 支持 SQL DDL 和 YAML 两种定义入口。YAML 可以直接声明基表,键,关系,行级字段,维度与指标,而不只是给 SQL 增加注释。以下是完整的 StarRocks 原生 YAML,创建对象 sv_sales_sr。第 03 章说明其 API 提交方式和 OSI 互通。
name: sv_sales_sr
description: 已支付零售销售, 明细行粒度
filter: orders.o_status = 'PAID'
ai_sql_generation: 销售额使用 net_revenue; 订单数另用订单粒度模型。
tables:
- name: order_lines
base_table: {database: sv_retail_demo, table: fact_order_line}
primary_key: {columns: [ol_order_id, ol_line_no]}
facts:
- {name: order_id, expr: ol_order_id}
- {name: line_no, expr: ol_line_no}
- {name: quantity, expr: ol_quantity}
metrics:
- name: gross_revenue
expr: SUM(ol_quantity * ol_unit_price)
- name: net_revenue
expr: SUM(ol_quantity * ol_unit_price * (1-ol_discount_rate))
synonyms: [销售额, 实收金额]
description: 已支付订单的折后金额, 单位为元
- name: discount_rate
expr: 1-order_lines.net_revenue/order_lines.gross_revenue
- name: orders
base_table: {database: sv_retail_demo, table: fact_order}
primary_key: {columns: [o_order_id]}
dimensions:
- {name: order_date, expr: DATE(o_order_time)}
- name: products
base_table: {database: sv_retail_demo, table: dim_product}
primary_key: {columns: [p_product_id]}
dimensions:
- name: category
expr: p_category
synonyms: [品类, 类目]
sample_values: [Electronics, Grocery]
relationships:
- name: line_order
left_table: order_lines
right_table: orders
join_type: LEFT
relationship_columns:
- {left_column: ol_order_id, right_column: o_order_id}
- name: line_product
left_table: order_lines
right_table: products
join_type: LEFT
relationship_columns:
- {left_column: ol_product_id, right_column: p_product_id}filter 固定只统计已支付订单,net_revenue 固定折后收入口径,discount_rate 复用收入指标计算整体折扣率。这份文件既是可评审的业务定义,也是可提交给数据库的创建输入。
2.4 等价 SQL DDL 展示语义结构
以下 DDL 创建销售 SV。TABLES 绑定基表并声明业务键,RELATIONSHIPS 固定连接路径,FACTS 暴露行级字段,DIMENSIONS 定义分组属性,METRICS 定义聚合口径。
CREATE SEMANTIC VIEW sv_retail_demo.sv_sales
TABLES (
order_lines AS sv_retail_demo.fact_order_line
PRIMARY KEY (ol_order_id,ol_line_no),
orders AS sv_retail_demo.fact_order PRIMARY KEY (o_order_id),
products AS sv_retail_demo.dim_product PRIMARY KEY (p_product_id)
)
RELATIONSHIPS (
line_order AS order_lines (ol_order_id) LEFT REFERENCES orders (o_order_id),
line_product AS order_lines (ol_product_id) LEFT REFERENCES products (p_product_id)
)
FACTS (
order_lines.order_id AS ol_order_id,
order_lines.line_no AS ol_line_no,
order_lines.quantity AS ol_quantity
)
FILTER orders.o_status = 'PAID'
DIMENSIONS (
orders.order_date AS DATE(o_order_time),
products.category AS p_category
WITH SYNONYMS = ('品类','类目')
SAMPLE_VALUES = ('Electronics','Grocery')
)
METRICS (
order_lines.gross_revenue AS SUM(ol_quantity * ol_unit_price),
order_lines.net_revenue AS
SUM(ol_quantity * ol_unit_price * (1-ol_discount_rate))
WITH SYNONYMS = ('销售额','实收金额')
COMMENT = '已支付订单的折后金额, 单位为元',
order_lines.discount_rate AS
1-order_lines.net_revenue/order_lines.gross_revenue
)
COMMENT = '已支付零售销售, 明细行粒度'
AI_SQL_GENERATION = '销售额使用 net_revenue; 订单数另用订单粒度模型。';折后金额为“数量 × 成交单价 ×(1 − 折扣率)”,单位为元;折扣率 0.1 表示打九折。整体折扣率由总实收与总折前金额计算,不对各行折扣率直接取平均。例如一件 100 元商品九折和两件 20 元商品原价成交,总折扣率为 1-130/140,约 7.14%。
对明细业务键的唯一性检查如下,正确样例返回零行。订单和商品分别按 o_order_id,p_product_id 做同样检查。
SELECT ol_order_id,ol_line_no,COUNT(*) AS n
FROM sv_retail_demo.fact_order_line
GROUP BY ol_order_id,ol_line_no HAVING COUNT(*)>1;03 YAML API:让业务语义开放融合
3.1 原生定义与开放交换连接同一个语义对象
YAML 的价值不止是少写一条 DDL。它把业务定义变成可存入 Git,可评审,可由平台读取的结构化资产。SR YAML 面向 StarRocks 原生建模,OSI(Open Semantic Interchange)YAML 面向语义定义的开放交换。两者均可经 API 创建 SV,导出后的定义也可交给外部语义工具或第三方 Agent 使用。

图 3:两种 YAML 格式通过 API 汇入同一语义对象。蓝色实线表示导入,橙色虚线表示导出,分别衔接原生发布流程与兼容的外部语义工具。
开放融合发生在两端:定义侧通过 YAML 与已有建模和发布流程衔接,使用侧由 Agent 或 BI 消费数据库中的语义对象。收入公式,关系与固定过滤仍由数据库解释执行,调用方共享同一业务定义。本文采用 OSI 0.1.1 的结构;向其他系统交换时,需要逐项确认接收方支持的字段和 StarRocks 扩展。
第 2.3 节给出了完整 SR YAML。将其作为请求正文,即可通过以下接口创建 sv_sales_sr:
项目 | 内容 |
|---|---|
方法 |
|
路径 |
|
认证 | HTTP Basic,使用目标 FE 的账号和密码 |
Content-Type |
|
请求正文 | 第 2.3 节的完整 SR YAML |
接口基址是目标 FE 的 HTTP 地址,默认端口为 8030。成功响应包含 "code":"0" 与 "result":"created";调用方同时检查 HTTP 状态和响应中的 code,message。
3.2 完整 OSI YAML 定义相同的销售口径
以下是可独立提交的完整 OSI 定义,不需要先导出或补齐字段。它使用同一组基表,创建名为 sv_sales_osi 的模型,保留已支付过滤,品类维度与三项收入指标。
version: '0.1.1'
semantic_model:
- name: sv_sales_osi
description: 已支付零售销售, 明细行粒度
filter: orders.o_status = 'PAID'
ai_context:
ai_sql_generation: 销售额使用 net_revenue; 订单数另用订单粒度模型。
datasets:
- name: order_lines
source: sv_retail_demo.fact_order_line
primary_key: [ol_order_id, ol_line_no]
fields:
- name: order_id
expression:
dialects: [{dialect: ANSI_SQL, expression: ol_order_id}]
- name: line_no
expression:
dialects: [{dialect: ANSI_SQL, expression: ol_line_no}]
- name: quantity
expression:
dialects: [{dialect: ANSI_SQL, expression: ol_quantity}]
- name: orders
source: sv_retail_demo.fact_order
primary_key: [o_order_id]
fields:
- name: order_date
dimension: {is_time: false}
expression:
dialects: [{dialect: ANSI_SQL, expression: 'DATE(o_order_time)'}]
- name: products
source: sv_retail_demo.dim_product
primary_key: [p_product_id]
fields:
- name: category
dimension: {is_time: false}
ai_context: {synonyms: [品类, 类目]}
expression:
dialects: [{dialect: ANSI_SQL, expression: p_category}]
relationships:
- name: line_order
from: order_lines
to: orders
join_type: LEFT
from_columns: [ol_order_id]
to_columns: [o_order_id]
- name: line_product
from: order_lines
to: products
join_type: LEFT
from_columns: [ol_product_id]
to_columns: [p_product_id]
metrics:
- name: gross_revenue
ai_context: {table: order_lines}
expression:
dialects:
- {dialect: ANSI_SQL, expression: 'SUM(ol_quantity * ol_unit_price)'}
- name: net_revenue
description: 已支付订单的折后金额, 单位为元
ai_context: {table: order_lines, synonyms: [销售额, 实收金额]}
expression:
dialects:
- {dialect: ANSI_SQL, expression: 'SUM(ol_quantity * ol_unit_price * (1-ol_discount_rate))'}
- name: discount_rate
expression:
dialects:
- {dialect: ANSI_SQL, expression: '1-order_lines.net_revenue/order_lines.gross_revenue'}
custom_extensions:
- vendor_name: STARROCKS
data: '{"temporary":false}'提交方式与 SR YAML 相同,路径中的格式参数改为 type=osi:
POST /api/v2/catalogs/default_catalog/databases/sv_retail_demo/semantic_views?type=osi
Content-Type: text/plain请求正文就是上面的完整 OSI YAML,认证沿用 HTTP Basic。其中 datasets.source 绑定基表,fields 声明行级字段和维度,relationships 给出连接键,metrics 定义聚合表达式。expression.dialects 为表达式标记方言;ai_context 携带语义描述与同义词。filter 和 STARROCKS 扩展按本实现解释,不等于所有 OSI 接收方都具备相同执行能力。
3.3 导入导出使定义可迁移,查询验证使口径可核对
下表的相对路径均追加到第 3.1 节的集合路径 /api/v2/catalogs/default_catalog/databases/sv_retail_demo/semantic_views 之后,认证仍采用 HTTP Basic。
操作 | HTTP 方法与路径 |
|---|---|
导出 SR YAML |
|
导出 OSI YAML |
|
从 SR YAML 创建 |
|
从 OSI YAML 创建 |
|
导出返回完整 YAML 正文。迁移到同一数据库时,先将模型 name 改为未占用的新名字,再以对应格式导入;需要替换原对象时显式追加 &replace=true。跨库迁移还应调整基表位置。不同格式支持的辅助元数据可能有差异,导入后应同时核对模型定义与查询结果。
SQL DDL,SR YAML 和 OSI YAML 在本文分别创建 sv_sales,sv_sales_sr,sv_sales_osi。下章给出同一条查询在这三个对象上的结果核验,用可执行计算确认交换前后的业务口径一致。这使 YAML 既能进入企业现有的定义管理流程,也能与第三方语义生态衔接。
04 QUERY:从语义查询到展开 SQL
4.1 按品类统计已支付销售额
业务问题是“各品类实收了多少”。查询选择品类维度与收入指标,无需重复连接条件,聚合公式和支付状态过滤。
SELECT category,ROUND(net_revenue,2) AS revenue
FROM SEMANTIC_VIEW(sv_retail_demo.sv_sales
DIMENSIONS products.category
METRICS order_lines.net_revenue)
ORDER BY category;category | revenue |
|---|---|
Electronics | 170.00 |
Grocery | 94.00 |
SR YAML 和 OSI YAML 创建的对象也可以直接查询,不需要另外编写收入公式:
SELECT category,ROUND(net_revenue,2) AS revenue
FROM SEMANTIC_VIEW(sv_retail_demo.sv_sales_sr
DIMENSIONS products.category
METRICS order_lines.net_revenue)
ORDER BY category;
SELECT category,ROUND(net_revenue,2) AS revenue
FROM SEMANTIC_VIEW(sv_retail_demo.sv_sales_osi
DIMENSIONS products.category
METRICS order_lines.net_revenue)
ORDER BY category;这两条查询均应返回上表中的 170 元与 94 元。
电子类是 90+80=170,食品类是 40+54=94;取消订单的 100 元没有计入。全部已支付收入为 264 元,折前金额为 300 元,整体折扣率为 12%。
需要限定日期时,在 SEMANTIC_VIEW(...) 内加入 WHERE orders.order_date = '2026-08-01',两类收入分别变为 170 元,40 元。内层 WHERE 在聚合前过滤,HAVING 过滤聚合后的指标;外层仍可使用普通 SQL 的排序,连接和子查询。
SV 也支持普通表名入口,列名按“逻辑表别名 + 双下划线 + 字段名”暴露,便于使用标准 SQL 的工具接入:
SELECT products__category,
ROUND(order_lines__net_revenue,2) AS revenue
FROM sv_retail_demo.sv_sales
ORDER BY products__category;在这个聚合模型中,普通表名入口会按模型声明的全部维度分组,包括日期与品类。上述结果有 Electronics/170,Grocery/40,Grocery/54 三行。只按品类汇总时,使用前一条显式指定维度的查询。两种入口共用指标定义,查询粒度需要分别确认。
4.2 EXPLAIN INLINE 展示查询如何落到底表
对同一条品类销售查询直接执行:
EXPLAIN INLINE
SELECT category,ROUND(net_revenue,2) AS revenue
FROM SEMANTIC_VIEW(sv_retail_demo.sv_sales
DIMENSIONS products.category
METRICS order_lines.net_revenue)
ORDER BY category;
图 4:语义查询引用品类和收入,SV 提供关系,公式与支付过滤。EXPLAIN INLINE 展示中间的展开 SQL,结果由执行该查询获得。
返回的展开 SQL 如下。为便于阅读,仅整理缩进并省略表达式中重复的数据库限定名;表,列,子查询和运算逻辑保持原样。
SELECT sv_sales.category,
ROUND(sv_sales.net_revenue,2) AS revenue
FROM (
SELECT products.p_category AS category,
SUM(order_lines.ol_quantity * order_lines.ol_unit_price
* (1-order_lines.ol_discount_rate)) AS net_revenue
FROM sv_retail_demo.fact_order_line AS order_lines
LEFT OUTER JOIN sv_retail_demo.fact_order AS orders
ON order_lines.ol_order_id=orders.o_order_id
LEFT OUTER JOIN sv_retail_demo.dim_product AS products
ON order_lines.ol_product_id=products.p_product_id
WHERE orders.o_status='PAID'
GROUP BY 1
) AS sv_sales
ORDER BY sv_sales.category ASC;字段绑定:products.category 对应 dim_product.p_category,order_lines.net_revenue 展开为 SV 中定义的折后金额求和。查询消费的是业务字段名,引擎负责找到其底层表达式。
连接与过滤:品类来自商品表,金额来自明细表,因而保留明细到商品的关系。支付状态来自订单表,即使用户没有选择订单维度,全局 FILTER 仍要求连接订单并添加 WHERE orders.o_status='PAID'。未匹配到订单的明细也会因该条件被排除。
分组与输出:GROUP BY 1 按内层第一个投影列,即商品品类聚合。外层保留查询要求的两位小数和品类排序。用户 SQL 没有手写 JOIN,SUM 或支付过滤,这些计算均由已定义的语义补齐。
EXPLAIN INLINE 返回的是可继续执行的普通 SQL,适合审查“这个数怎么计算”。最终 JOIN 的实现方式,扫描节点和聚合算子是否被消除,由普通 EXPLAIN 查看;语义展开与物理优化是两个不同层次。
05 表裁剪:查询只连接需要的表
一个 SV 描述完整业务模型,一条查询通常只使用其中一部分。Table pruning 会收集查询投影,过滤,排序,指标依赖和视图级 FILTER 所引用的表,再保留连接它们所必需的中间表。因此,没有出现在输出列中的表,仍可能因口径或连接路径被保留。

图 5:总收入查询需要明细和订单,品类查询再加入商品。订单表提供固定支付过滤,不能随商品表一起裁掉。
SET enable_semantic_view_table_pruning=true;
EXPLAIN INLINE
SELECT * FROM SEMANTIC_VIEW(sv_retail_demo.sv_sales
METRICS order_lines.net_revenue);开启裁剪后的展开 SQL 如下,同样只整理限定名和排版:
SELECT sv_sales.net_revenue
FROM (
SELECT SUM(order_lines.ol_quantity * order_lines.ol_unit_price
* (1-order_lines.ol_discount_rate)) AS net_revenue
FROM sv_retail_demo.fact_order_line AS order_lines
LEFT OUTER JOIN sv_retail_demo.fact_order AS orders
ON order_lines.ol_order_id=orders.o_order_id
WHERE orders.o_status='PAID'
) AS sv_sales;与第 4.2 节的品类查询相比,这里没有商品维度,因而 dim_product 及其 JOIN 被裁掉,也没有按品类分组。明细表提供收入表达式,订单表提供固定过滤,两者都被保留。在前面第 4.1 节的品类查询中,商品维度被使用,三张表均保留。若暂时关闭裁剪再展开同一条总收入查询,商品连接会重新出现:
SET enable_semantic_view_table_pruning=false;
EXPLAIN INLINE
SELECT * FROM SEMANTIC_VIEW(sv_retail_demo.sv_sales
METRICS order_lines.net_revenue);
SET enable_semantic_view_table_pruning=true;本样例商品键唯一且引用完整,开关前后总收入都为 264 元。差异是展开阶段从三张表减少到两张表;物理执行上的扫描与连接变化继续通过 EXPLAIN 验证。数据量,缓存和后续优化都会影响实际耗时,小样例不用于得出性能倍数。
此构建默认开启表裁剪。使用已声明的限定语义字段,能帮助系统定位依赖;无法归属到具体表的裸物理列引用可能导致保守回退。采用 INNER 关系并依赖其过滤未匹配行时,还需核对 enable_semantic_view_table_pruning_on_inner_join 的设置和业务意图。本例显式使用 LEFT 关系,支付条件单独由全局过滤表达。
06 聚合消除:唯一粒度上的分组变成逐行计算
Aggregation elimination 利用的是另一类信息:当分组列已覆盖输入的一个完整唯一键,每个分组最多一行。对这一行求 SUM(quantity) 等于读取数量,COUNT(*) 等于 1,无需再执行分组聚合。
本例明细键为 (ol_order_id, ol_line_no)。仅有订单号不够,因为 101 号订单有两行。下面显式使用 FACTS 查询行级字段,再在外层分组。FACTS 与同一语义查询内的 METRICS,DIMENSIONS 不混用。
SET enable_semantic_view_deferred_inline=false;
EXPLAIN
SELECT order_id,line_no,SUM(quantity) AS units,COUNT(*) AS n
FROM SEMANTIC_VIEW(sv_retail_demo.sv_sales
FACTS order_lines.order_id,order_lines.line_no,order_lines.quantity)
GROUP BY order_id,line_no;将延迟展开打开后,重跑完全相同的 EXPLAIN:
SET enable_semantic_view_deferred_inline=true;
SET enable_eliminate_agg=true;前一份计划应有 AGGREGATE,后一份应不再包含该算子。延迟展开让语义对象先保留在优化器中,使其能够读取声明的键,证明分组已唯一,再将聚合改写为投影。随后语义扫描继续展开,按普通计划执行。

图 6:聚合消除先证明唯一性,再做等价替换。无法证明时保留聚合,不靠数据样本猜测唯一性。
去掉 EXPLAIN,并在查询末尾增加 ORDER BY order_id,line_no,两种设置应返回相同结果:
order_id | line_no | units | n |
|---|---|---|---|
101 | 1 | 1 | 1 |
101 | 2 | 2 | 1 |
102 | 1 | 1 | 1 |
104 | 1 | 3 | 1 |
将分组改为仅订单号,FACTS 改为只取订单号和数量时,101 号订单需要合并两行,聚合必须保留。此时结果为 101/3/2,102/1/1,104/3/1。这个反向检查能区分“利用完整键消除聚合”与“不加判断地去掉聚合”。
规则还需要证明连接保持根表键的唯一性,并限制可改写的聚合函数。COUNT(quantity) 遇到 NULL 时为 0,不能直接改为常数 1;分组键不完整,存在无法证明的关系或不支持的函数时,应保留聚合。唯一性声明失真也会损害推导前提,因而键检查是上线前的建模工作。
此构建 enable_semantic_view_deferred_inline 默认关闭,表裁剪默认开启,两者不是同一个开关。检查完计划后可执行 SET enable_semantic_view_deferred_inline=false;,恢复本会话默认行为。本例没有更改全局设置。
07 结语
一份业务语义定义,同时承担查询契约与优化依据:CREATE 固化粒度,关系和口径,QUERY 按业务字段消费,YAML API 让定义进入版本管理与系统交换。对零售销售,“只算已支付,使用折后金额”从口头约定变为执行中的过滤和表达式;对数据库,查询依赖与键声明又提供了表裁剪和聚合消除的依据。
落地可以从一个已确认的业务域开始。先验证底表键和连接基数,再固化高频指标,用预期结果,展开 SQL 与物理计划建立回归样例。订单数在订单粒度模型中定义,销售金额在明细粒度模型中定义,由同一套治理规则管理多个 SV,而不是把全公司的事实表塞进一个视图。
后续的建设重点是减少建模与维护成本:从历史查询中推荐关系和指标,让 AI 起草,业务人员确认;将数据质量检查,定义演进和查询血缘纳入同一流程。在此基础上,业务定义能够被持续复用,数据库负责把它转换为可审查,可执行的计算。
