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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00