XTDB项目中关于SQL查询语法的探讨与优化建议
在XTDB数据库项目中,开发者们最近针对SQL查询语法进行了一次有趣的讨论,主要围绕是否应该允许在查询中仅使用多个SELECT语句而不包含FROM子句这一特性展开。
背景分析
传统SQL语法要求查询必须包含FROM子句,即使不需要从任何表中获取数据。这种设计源于SQL最初作为关系型数据库查询语言的定位。然而,在现代数据库应用中,特别是像XTDB这样的新型数据库系统,开发者们开始思考是否应该放宽这一限制,以提供更灵活的表达方式。
当前实现与限制
在XTDB当前的SQL实现中,已经支持了"管道式"的多SELECT查询,但要求查询必须以FROM子句开头。这种设计既保留了SQL的基本结构,又提供了额外的灵活性。例如,用户可以编写如下查询:
FROM (VALUES ()) x
SELECT 1 AS a, 2 AS b
SELECT a + b AS c
这种语法允许开发者构建查询管道,每个SELECT语句都可以基于前一个SELECT的结果进行计算。
讨论焦点
有开发者提出,是否应该进一步简化语法,允许完全不使用FROM子句的多SELECT查询,例如:
SELECT 1 AS a, 2 AS b
SELECT a + b AS c
这种提议的主要出发点是提高开发者的便利性,特别是在快速测试和探索性查询时。然而,核心团队对此持谨慎态度,主要基于以下考虑:
- 语法歧义风险:如果允许这种语法,将难以区分标准SQL查询顺序和XTDB的管道式查询语法
- 认知一致性:大多数SQL用户将SELECT视为"返回"操作,在非命令式语言中通常不鼓励使用多个返回语句
- 实现复杂性:当前语法解析器的设计基于FROM优先的结构,修改可能带来不小的技术挑战
替代方案与最佳实践
对于希望简化查询的场景,XTDB团队推荐使用以下模式:
- 使用VALUES构造虚拟表:如上文示例所示,通过VALUES子句创建一个单行虚拟表作为起点
- 子查询模式:将多个计算步骤封装为子查询
SELECT 1 AS a, 2 AS b
FROM (SELECT a + b AS c) x
这些方法既保持了SQL的标准兼容性,又提供了足够的灵活性。
设计哲学思考
XTDB团队在语法设计上展现出明显的保守倾向,这反映了数据库系统开发中的一个重要原则:语法糖的增加必须谨慎权衡其带来的便利性与可能造成的混淆。特别是在查询语言这种基础组件上,保持清晰的设计边界往往比增加便利性更为重要。
这种设计哲学确保了XTDB的SQL实现既能够提供创新功能,又不会过度偏离开发者对SQL的普遍认知,降低了学习成本和潜在的错误风险。
未来展望
虽然目前团队决定保持现有语法设计,但他们也表示会持续关注用户反馈。如果确实有大量用户需求出现,可能会重新考虑这一限制。同时,团队也开放了通过文档说明现有变通方案的可能性,以帮助用户更好地利用现有功能。
这一讨论不仅体现了XTDB团队对用户体验的关注,也展示了开源项目如何通过社区互动来不断完善产品设计。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00