diff --git a/.translation-init b/.translation-init
index f513d9c7d1..a7083b74fb 100644
--- a/.translation-init
+++ b/.translation-init
@@ -1 +1 @@
-Translation initialization: 2025-10-23T05:40:09.780391
+Translation initialization: 2025-10-23T15:42:46.376452
diff --git a/docs/cn/guides/00-products/01-dee/10-enterprise-features.md b/docs/cn/guides/00-products/01-dee/10-enterprise-features.md
index 92ae832312..64c864dd89 100644
--- a/docs/cn/guides/00-products/01-dee/10-enterprise-features.md
+++ b/docs/cn/guides/00-products/01-dee/10-enterprise-features.md
@@ -4,75 +4,75 @@ title: 企业版功能
import DatabendTable from '@site/src/components/DatabendTable';
-本页面列出了当前可用的企业版功能。如需使用这些功能，您必须拥有企业版或试用版许可证。更多详情，请参阅 [Databend 许可证](20-license.md)。
+本页面提供了可用企业版功能的最新列表。要访问这些功能，您需要企业版或试用许可证。有关更多详细信息，请参阅 [Databend 许可证](20-license.md)。
### 企业版功能列表
-| 功能 | 类别 | 描述 |
-| -------------------------------------------------------------------------------- | -------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
-| [审计追踪 (Audit Trail)](/guides/security/audit-trail) | 安全与合规 | 通过全面的审计日志监控数据库活动，满足合规与安全需求。 |
-| [脱敏策略 (Masking Policy)](/sql/sql-commands/ddl/mask-policy/) | 安全与合规 | 基于角色的脱敏策略，保护敏感数据。 |
-| 存储加密 (Storage Encryption) | 安全与合规 | 使用服务托管、KMS 或客户管理的密钥对静态数据进行加密。 |
-| [BendSave](/guides/data-management/data-recovery#bendsave) | 灾难恢复 | 备份并恢复整个 Databend 集群数据，用于灾难恢复。 |
-| [故障安全 (Fail-Safe)](/guides/security/fail-safe) | 灾难恢复 | 从兼容 S3 的对象存储中恢复丢失或误删的数据。 |
-| [聚合索引 (Aggregating Index)](/sql/sql-commands/ddl/aggregating-index) | 查询性能 | 通过预计算并索引的聚合结果加速查询。 |
-| [全文索引 (Full-Text Index)](/guides/performance/fulltext-index) | 查询性能 | 利用倒排索引和相关性评分实现极速文本搜索。 |
-| [Ngram 索引 (Ngram Index)](/guides/performance/ngram-index) | 查询性能 | 通过通配符搜索加速 LIKE 模式匹配查询。 |
-| [虚拟列 (Virtual Column)](/sql/sql-commands/ddl/virtual-column) | 查询性能 | 对 VARIANT 数据零配置性能优化，自动加速 JSON 查询。 |
-| [动态列 (Dynamic Column)](/sql/sql-commands/ddl/table/ddl-create-table#computed-columns) | 查询性能 | 通过存储或虚拟计算模式，从标量表达式自动生成列。 |
-| [Python UDF](/sql/sql-commands/ddl/udf/ddl-create-function-embedded#python) | 高级分析 | 使用内置处理器在 SQL 查询中执行 Python 代码。 |
-| [ATTACH TABLE](/sql/sql-commands/ddl/table/attach-table) | 数据共享 | 创建指向现有表数据的只读链接，实现跨环境零拷贝访问。 |
-| [流 (Stream)](/sql/sql-commands/ddl/stream) | 变更数据捕获 | 跟踪并捕获表变更，用于增量数据处理。 |
-| [清理临时文件 (Vacuum Temp Files)](/sql/sql-commands/administration-cmds/vacuum-temp-files) | 存储管理 | 清理临时文件（连接、聚合、排序溢出文件），释放存储空间。 |
-| [清理已删除表 (Vacuum Dropped Table)](/sql/sql-commands/ddl/table/vacuum-drop-table) | 存储管理 | 删除已删除表的数据文件以优化存储，并提供恢复选项。 |
-| [清理历史数据 (Vacuum Historical Data)](/sql/sql-commands/ddl/table/vacuum-table) | 存储管理 | 移除孤立的段和块文件，深度清理存储空间。 |
-
-## Databend 社区版 (Community) vs. 企业版 (Enterprise)
-
-本节对比 Databend 社区版 (Community) 与 Databend 企业版 (Enterprise) 在关键能力上的差异：
+| 功能 | 类别 | 描述 |
+|------|------|------|
+| [审计追踪 (Audit Trail)](/guides/security/audit-trail) | 安全与合规 | 通过全面的审计日志监控数据库活动，满足合规性和安全性要求。 |
+| [掩码策略 (Masking Policy)](/sql/sql-commands/ddl/mask-policy/) | 安全与合规 | 通过基于角色的掩码策略保护敏感数据。 |
+| 存储加密 (Storage Encryption) | 安全与合规 | 使用服务托管、KMS 或客户托管密钥对静态数据进行加密。 |
+| [BendSave](/guides/data-management/data-recovery#bendsave) | 灾难恢复 | 备份和恢复整个 Databend 集群数据，实现灾难恢复。 |
+| [故障安全 (Fail-Safe)](/guides/security/fail-safe) | 灾难恢复 | 从 S3 兼容的对象存储中恢复丢失或意外删除的数据。 |
+| [聚合索引 (Aggregating Index)](/sql/sql-commands/ddl/aggregating-index) | 查询性能 | 通过预计算和索引聚合来加速查询。 |
+| [全文索引 (Full-Text Index)](/guides/performance/fulltext-index) | 查询性能 | 使用倒排索引和相关性评分实现极速文本搜索。 |
+| [Ngram 索引 (Ngram Index)](/guides/performance/ngram-index) | 查询性能 | 通过通配符搜索加速 LIKE 模式匹配查询。 |
+| [虚拟列 (Virtual Column)](/sql/sql-commands/ddl/virtual-column) | 查询性能 | 自动加速 JSON 查询，为 VARIANT 数据提供零配置性能优化。 |
+| [动态列 (Dynamic Column)](/sql/sql-commands/ddl/table/ddl-create-table#computed-columns) | 查询性能 | 通过存储或虚拟计算模式，从标量表达式自动生成列。 |
+| [Python UDF](/sql/sql-commands/ddl/udf/ddl-create-function-embedded#python) | 高级分析 | 使用内置处理程序在 SQL 查询中执行 Python 代码。 |
+| [ATTACH TABLE](/sql/sql-commands/ddl/table/attach-table) | 数据共享 | 创建指向现有表数据的只读链接，实现跨环境的零拷贝访问。 |
+| [流 (Stream)](/sql/sql-commands/ddl/stream) | 变更数据捕获 | 跟踪并捕获表变更，支持增量数据处理。 |
+| [清理临时文件 (Vacuum Temp Files)](/sql/sql-commands/administration-cmds/vacuum-temp-files) | 存储管理 | 清理临时文件（连接、聚合、排序溢出）以释放存储空间。 |
+| [清理已删除表 (Vacuum Dropped Table)](/sql/sql-commands/ddl/table/vacuum-drop-table) | 存储管理 | 删除已删除表的数据文件以优化存储，并提供恢复选项。 |
+| [清理历史数据 (Vacuum Historical Data)](/sql/sql-commands/ddl/table/vacuum-table) | 存储管理 | 删除孤立的段和块文件，深度清理存储空间。 |
+
+## Databend 社区版 vs. 企业版
+
+本节对比 Databend 社区版与企业版在关键功能上的差异：
### 核心数据库引擎
-### 企业级安全与合规
+### 企业安全与合规
@@ -80,13 +80,13 @@ tbody={[
@@ -94,11 +94,11 @@ tbody={[
@@ -106,27 +106,27 @@ tbody={[
-### 企业级存储与备份
+### 企业存储与备份
@@ -134,13 +134,13 @@ tbody={[
@@ -148,7 +148,7 @@ tbody={[
-### 企业级支持
+### 企业支持
+/>
\ No newline at end of file
diff --git a/docs/cn/guides/51-ai-functions/01-external-functions.md b/docs/cn/guides/51-ai-functions/01-external-functions.md
index 338283ac17..6b45db29a1 100644
--- a/docs/cn/guides/51-ai-functions/01-external-functions.md
+++ b/docs/cn/guides/51-ai-functions/01-external-functions.md
@@ -1,17 +1,17 @@
---
-title: 使用外部函数自定义 AI/ML
+title: 使用外部函数（External Functions）自定义 AI/ML
---
-# 使用外部函数自定义 AI/ML
+# 使用外部函数（External Functions）自定义 AI/ML
-通过将 Databend 与您自己的基础设施连接，构建强大的 AI/ML 能力。外部函数（External Function）让您能够部署自定义模型、利用 GPU 加速，并与任何 ML 框架集成，同时确保数据安全。
+通过将 Databend 与您自己的基础设施连接，构建强大的 AI/ML 能力。外部函数（External Functions）让您能够部署自定义模型、利用 GPU 加速，并与任何 ML 框架集成，同时确保数据安全。
## 核心能力
| 功能 | 优势 |
|---------|----------|
| **自定义模型** | 使用任何开源或专有的 AI/ML 模型 |
-| **GPU 加速** | 部署在配备 GPU 的机器上以加快推理速度 |
+| **GPU 加速** | 在配备 GPU 的机器上部署以实现更快的推理 |
| **数据隐私** | 将数据保留在您的基础设施内 |
| **可扩展性** | 独立扩展和资源优化 |
| **灵活性** | 支持任何编程语言和 ML 框架 |
@@ -20,36 +20,36 @@ title: 使用外部函数自定义 AI/ML
1. **创建 AI 服务器**：使用 Python 和 [databend-udf](https://pypi.org/project/databend-udf) 构建您的 AI/ML 服务器
2. **注册函数**：使用 `CREATE FUNCTION` 将您的服务器连接到 Databend
-3. **在 SQL 中使用**：直接在 SQL 查询中调用您的自定义 AI 函数
+3. **在 SQL 中使用**：直接在 SQL 查询（Query）中调用您的自定义 AI 函数
## 示例：文本嵌入函数
```python
-# 简单的嵌入 UDF 服务器演示
+# Simple embedding UDF server demo
from databend_udf import udf, UDFServer
from sentence_transformers import SentenceTransformer
-# 加载预训练模型
-model = SentenceTransformer('all-mpnet-base-v2') # 768 维向量
+# Load pre-trained model
+model = SentenceTransformer('all-mpnet-base-v2') # 768-dimensional vectors
@udf(
input_types=["STRING"],
result_type="ARRAY(FLOAT)",
)
def ai_embed_768(inputs: list[str], headers) -> list[list[float]]:
- """为输入文本生成 768 维嵌入"""
+ """为输入文本生成 768 维嵌入向量"""
try:
- # 单批次处理输入
+ # 在单个批次中处理输入
embeddings = model.encode(inputs)
# 转换为列表格式
return [embedding.tolist() for embedding in embeddings]
except Exception as e:
print(f"Error generating embeddings: {e}")
- # 如果出错，则返回空列表
+ # 出错时返回空列表
return [[] for _ in inputs]
if __name__ == '__main__':
- print("正在端口 8815 上启动嵌入 UDF 服务器...")
+ print("Starting embedding UDF server on port 8815...")
server = UDFServer("0.0.0.0:8815")
server.add_function(ai_embed_768)
server.serve()
@@ -63,7 +63,7 @@ CREATE OR REPLACE FUNCTION ai_embed_768 (STRING)
HANDLER = 'ai_embed_768'
ADDRESS = 'https://your-ml-server.example.com';
--- 在查询中使用自定义嵌入
+-- 在查询中使用自定义嵌入函数
SELECT
id,
title,
@@ -78,5 +78,5 @@ LIMIT 5;
## 了解更多
-- **[外部函数指南](/guides/ai-functions/external-functions)** - 完整的设置和部署说明
-- **[Databend Cloud](https://databend.cn)** - 使用免费账户试用外部函数
+- **[外部函数（External Functions）指南](/guides/ai-functions/external-functions)** - 完整的设置和部署说明
+- **[Databend Cloud](https://databend.cn)** - 使用免费账户试用外部函数（External Functions）
\ No newline at end of file
diff --git a/docs/cn/guides/54-query/00-sql-analytics.md b/docs/cn/guides/54-query/00-sql-analytics.md
new file mode 100644
index 0000000000..ef5673c240
--- /dev/null
+++ b/docs/cn/guides/54-query/00-sql-analytics.md
@@ -0,0 +1,277 @@
+---
+title: SQL 分析
+---
+
+> **场景：** EverDrive Smart Vision 分析师整理了一组共享的驾驶会话（Drive Session）和关键帧（Key Frame），使每个下游工作负载（Workload）都能查询相同的 ID，而无需在系统之间复制数据。
+
+本教程构建了一个微型 **EverDrive Smart Vision** 数据集（Dataset），并展示了 Databend 的单一优化器（Query Optimizer）如何在其余指南中工作。您在此处创建的每个 ID（`SES-20240801-SEA01`、`FRAME-0001` …）都会在 JSON、向量（Vector）、地理（Geo）和 ETL 演练中重复出现，形成一致的自动驾驶故事。
+
+## 1. 创建示例表
+两个表捕获测试会话和从行车记录仪视频中提取的重要帧。
+
+```sql
+CREATE OR REPLACE TABLE drive_sessions (
+ session_id VARCHAR,
+ vehicle_id VARCHAR,
+ route_name VARCHAR,
+ start_time TIMESTAMP,
+ end_time TIMESTAMP,
+ weather VARCHAR,
+ camera_setup VARCHAR
+);
+
+CREATE OR REPLACE TABLE frame_events (
+ frame_id VARCHAR,
+ session_id VARCHAR,
+ frame_index INT,
+ captured_at TIMESTAMP,
+ event_type VARCHAR,
+ risk_score DOUBLE
+);
+
+INSERT INTO drive_sessions VALUES
+ ('SES-20240801-SEA01', 'VEH-01', 'Seattle → Bellevue → Seattle', '2024-08-01 09:00', '2024-08-01 10:10', 'Sunny', 'Dual 1080p'),
+ ('SES-20240802-SEA02', 'VEH-02', 'Downtown Night Loop', '2024-08-02 20:15', '2024-08-02 21:05', 'Light Rain','Night Vision'),
+ ('SES-20240803-SEA03', 'VEH-03', 'Harbor Industrial Route', '2024-08-03 14:05', '2024-08-03 15:30', 'Overcast', 'Thermal + RGB');
+
+INSERT INTO frame_events VALUES
+ ('FRAME-0001', 'SES-20240801-SEA01', 120, '2024-08-01 09:32:15', 'SuddenBrake', 0.82),
+ ('FRAME-0002', 'SES-20240801-SEA01', 342, '2024-08-01 09:48:03', 'CrosswalkPedestrian', 0.67),
+ ('FRAME-0003', 'SES-20240802-SEA02', 88, '2024-08-02 20:29:41', 'NightLowVisibility', 0.59),
+ ('FRAME-0004', 'SES-20240802-SEA02', 214, '2024-08-02 20:48:12', 'EmergencyVehicle', 0.73),
+ ('FRAME-0005', 'SES-20240803-SEA03', 305, '2024-08-03 15:02:44', 'CyclistOvertake', 0.64);
+```
+
+> 需要复习表 DDL？请参阅 [CREATE TABLE](/sql/sql-commands/ddl/table/ddl-create-table)。
+
+---
+
+## 2. 过滤最近的会话
+将分析重点放在最近的驾驶上。
+
+```sql
+WITH recent_sessions AS (
+ SELECT *
+ FROM drive_sessions
+ WHERE start_time >= DATEADD('day', -7, CURRENT_TIMESTAMP)
+)
+SELECT *
+FROM recent_sessions
+ORDER BY start_time DESC;
+```
+
+提前过滤可使后续的连接（Join）和聚合（Aggregation）更快。文档：[WHERE & CASE](/sql/sql-commands/query-syntax/query-select#where-clause)。
+
+---
+
+## 3. JOIN（连接）
+### INNER JOIN ... USING（内连接）
+将会话元数据（Metadata）与帧级事件结合。
+
+```sql
+WITH recent_events AS (
+ SELECT *
+ FROM frame_events
+ WHERE captured_at >= DATEADD('day', -7, CURRENT_TIMESTAMP)
+)
+SELECT e.frame_id,
+ e.captured_at,
+ e.event_type,
+ e.risk_score,
+ s.vehicle_id,
+ s.route_name,
+ s.weather
+FROM recent_events e
+JOIN drive_sessions s USING (session_id)
+ORDER BY e.captured_at;
+```
+
+### NOT EXISTS（反连接）
+查找缺少会话元数据的事件。
+
+```sql
+SELECT frame_id
+FROM frame_events e
+WHERE NOT EXISTS (
+ SELECT 1
+ FROM drive_sessions s
+ WHERE s.session_id = e.session_id
+);
+```
+
+### LATERAL FLATTEN（JSON 展开）
+将事件与存储在 JSON 负载（Payload）中的检测对象结合。
+
+```sql
+SELECT e.frame_id,
+ obj.value['type']::STRING AS object_type
+FROM frame_events e
+JOIN frame_payloads p USING (frame_id),
+ LATERAL FLATTEN(p.payload['objects']) AS obj;
+```
+
+更多模式：[JOIN 参考](/sql/sql-commands/query-syntax/query-join)。
+
+---
+
+## 4. GROUP BY（分组）
+### GROUP BY route_name, event_type
+标准 `GROUP BY` 用于比较路线和事件类型。
+
+```sql
+WITH recent_events AS (
+ SELECT *
+ FROM frame_events
+ WHERE captured_at >= DATEADD('week', -4, CURRENT_TIMESTAMP)
+)
+SELECT route_name,
+ event_type,
+ COUNT(*) AS event_count,
+ AVG(risk_score) AS avg_risk
+FROM recent_events
+JOIN drive_sessions USING (session_id)
+GROUP BY route_name, event_type
+ORDER BY avg_risk DESC, event_count DESC;
+```
+
+### GROUP BY ROLLUP
+添加路线小计和总计。
+
+```sql
+SELECT route_name,
+ event_type,
+ COUNT(*) AS event_count,
+ AVG(risk_score) AS avg_risk
+FROM frame_events
+JOIN drive_sessions USING (session_id)
+GROUP BY ROLLUP(route_name, event_type)
+ORDER BY route_name NULLS LAST, event_type;
+```
+
+### GROUP BY CUBE
+生成路线和事件类型的所有组合。
+
+```sql
+SELECT route_name,
+ event_type,
+ COUNT(*) AS event_count,
+ AVG(risk_score) AS avg_risk
+FROM frame极events
+JOIN drive_sessions USING (session_id)
+GROUP BY CUBE(route_name, event_type)
+ORDER BY route_name NULLS LAST, event_type;
+```
+
+---
+
+## 5. WINDOW FUNCTION（窗口函数）
+### SUM(...) OVER（累计总和）
+使用累计 `SUM` 跟踪每次驾驶的累积风险。
+
+```sql
+WITH session_event_scores AS (
+ SELECT session极id,
+ captured_at,
+ risk_score
+ FROM frame_events
+)
+SELECT session_id,
+ captured_at,
+ risk_score,
+ SUM(risk_score) OVER (
+ PARTITION BY session_id
+ ORDER BY captured_at
+ ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
+ ) AS cumulative_risk
+FROM session_event_scores
+ORDER BY session_id, captured_at;
+```
+
+### AVG(...) OVER（移动平均）
+显示最近三个事件的风险移动平均值：
+
+```sql
+WITH session_event_scores AS (
+ SELECT session_id,
+ captured_at,
+ risk_score
+ FROM frame_events
+)
+SELECT session_id,
+ captured_at,
+ risk_score,
+ AVG(risk_score) OVER (
+ PARTITION BY session_id
+ ORDER BY captured极at
+ ROWS BETWEEN 3 PRECEDING AND CURRENT ROW
+ ) AS moving_avg_risk
+FROM session_event_scores
+ORDER BY session_id, captured_at;
+```
+
+窗口函数允许您内联表达滚动总计或平均值。完整列表：[窗口函数](/sql/sql-functions/window-functions)。
+
+---
+
+## 6. 聚合索引（Aggregating Index）加速
+使用[聚合索引](/guides/performance/aggregating-index)缓存繁重的汇总，使仪表盘保持快速响应。
+
+```sql
+CREATE OR REPLACE AGGREGATING INDEX idx_route_event_summary ON frame_events
+AS
+SELECT session_id,
+ event_type,
+ COUNT(*) AS event_count,
+ AV极G(risk_score) AS avg_risk
+FROM frame_events
+GROUP BY session_id, event_type;
+```
+
+现在运行与之前相同的汇总查询——优化器将自动从索引中提取结果：
+
+```sql
+SELECT s.route_name,
+ e.event_type,
+ COUNT(*) AS event_count,
+ AVG(e.risk_score) AS avg_risk
+FROM frame_events e
+JOIN drive_sessions s USING (session_id)
+WHERE s.start_time >= DATEADD('week', -8, CURRENT_TIMESTAMP)
+GROUP BY s.route_name, e.event_type
+ORDER BY avg_risk DESC;
+```
+
+使用 `EXPLAIN` 查看语句，可以看到 `AggregatingIndex` 节点而不是全表扫描（Full Scan）。Databend 会在新帧到达时保持索引的新鲜度，无需额外的 ETL 作业即可提供亚秒级仪表盘。
+
+---
+
+## 7. 存储过程（Stored Procedure）自动化
+您还可以将报告逻辑包装在存储过程中，以便在计划作业期间按预期方式运行。
+
+```sql
+CREATE OR REPLACE PROCEDURE generate_weekly_route_report(days_back INT)
+RETURNS TABLE(route_name VARCHAR, event_count BIGINT, avg_risk DOUBLE)
+LANGUAGE SQL
+AS
+$$
+BEGIN
+ RETURN TABLE (
+ SELECT s.route_name,
+ COUNT(*) AS event_count,
+ AVG(e.risk_score) AS avg_risk
+ FROM frame_events e
+ JOIN drive_sessions s USING (session_id)
+ WHERE e.captured_at >= DATEADD('day', -days_back, CURRENT_TIMESTAMP)
+ GROUP BY s.route_name
+ );
+END;
+$$;
+
+CALL PROCEDURE generate_weekly_route_report(28);
+```
+
+在笔记本、ETL 任务或自动警报中直接使用返回的结果集（Result Set）。了解更多：[存储过程脚本](/sql/stored-procedure-scripting)。
+
+---
+
+您现在拥有一个完整的循环：摄取会话数据、过滤、连接、聚合、加速繁重查询、随时间趋势分析和发布。交换过滤器或连接以将相同的方法应用于其他智能驾驶 KPI，如驾驶员评分、传感器退化或算法比较。
\ No newline at end of file
diff --git a/docs/cn/guides/54-query/01-json-search.md b/docs/cn/guides/54-query/01-json-search.md
new file mode 100644
index 0000000000..7142870e93
--- /dev/null
+++ b/docs/cn/guides/54-query/01-json-search.md
@@ -0,0 +1,140 @@
+---
+title: JSON 与搜索
+---
+
+> **场景：** EverDrive Smart Vision 的感知服务为每个观测帧生成 JSON 负载，安全分析师需要在不将数据移出 Databend 的情况下搜索检测结果。
+
+EverDrive 的感知流水线生成 JSON 负载，我们使用类似 Elasticsearch 的语法进行查询。通过将负载存储为 VARIANT 类型并在创建表时声明倒排索引（Inverted Index），Databend 允许您直接在数据上运行 Lucene `QUERY` 过滤器。
+
+## 1. 创建示例表
+每个帧携带来自感知模型的结构化元数据（边界框、速度、分类）。
+
+```sql
+CREATE OR REPLACE TABLE frame_payloads (
+ frame_id VARCHAR,
+ run_stage VARCHAR,
+ payload VARIANT,
+ logged_at TIMESTAMP,
+ INVERTED INDEX idx_frame_payloads(payload)
+);
+
+INSERT INTO frame_payloads VALUES
+ ('FRAME-0001', 'detection', PARSE_JSON('{
+ "objects": [
+ {"type":"vehicle","bbox":[545,220,630,380],"confidence":0.94},
+ {"type":"pedestrian","bbox":[710,200,765,350],"confidence":0.88}
+ ],
+ "ego": {"speed_kmh": 32.5, "accel": -2.1}
+ }'), '2024-08-01 09:32:16'),
+ ('FRAME-0002', 'detection', PARSE_JSON('{
+ "objects": [
+ {"type":"pedestrian","bbox":[620,210,670,360],"confidence":0.91}
+ ],
+ "scene": {"lighting":"daytime","weather":"sunny"}
+ }'), '2024-08-01 09:48:04'),
+ ('FRAME-0003', 'tracking', PARSE_JSON('{
+ "objects": [
+ {"type":"vehicle","speed_kmh": 18.0,"distance_m": 6.2},
+ {"type":"emergency_vehicle","sirens":true}
+ ],
+ "scene": {"lighting":"night","visibility":"low"}
+ }'), '2024-08-02 20:29:42');
+```
+
+## 2. 选择 JSON 路径
+查看负载以确认结构。
+
+```sql
+SELECT frame_id,
+ payload['objects'][0]['type']::STRING AS first_object,
+ payload['ego']['speed_kmh']::DOUBLE AS ego_speed,
+ payload['scene']['lighting']::STRING AS lighting
+FROM frame_payloads
+ORDER BY logged_at;
+```
+
+使用 `::STRING` / `::DOUBLE` 进行类型转换可将 JSON 值暴露给常规 SQL 过滤器。Databend 还通过 `QUERY` 函数支持在此数据之上进行类似 Elasticsearch 的搜索——通过在变体字段前加上列名来引用它们（例如 `payload.objects.type`）。更多提示：[半结构化数据](https://docs.databend.cn/guides/load-data/load-semistructured/load-ndjson)。
+
+---
+
+## 3. 类似 Elasticsearch 的搜索
+`QUERY` 使用 Elasticsearch/Lucene 语法，因此您可以组合布尔逻辑、范围、权重提升和列表。以下是在 EverDrive 负载上的几种模式：
+
+### 数组匹配
+查找检测到行人的帧：
+
+```sql
+SELECT frame_id
+FROM frame_payloads
+WHERE QUERY('payload.objects.type:pedestrian')
+ORDER BY logged_at DESC
+LIMIT 10;
+```
+
+### 布尔 AND
+车辆行驶速度超过 30 km/h **且**检测到行人：
+
+```sql
+SELECT frame_id,
+ payload['ego']['speed_kmh']::DOUBLE AS ego_speed
+FROM frame_payloads
+WHERE QUERY('payload.objects.type:pedestrian AND payload.ego.speed_kmh:[30 TO *]')
+ORDER BY ego_speed DESC;
+```
+
+### 布尔 OR / 列表
+夜间驾驶遇到紧急车辆或骑行者：
+
+```sql
+SELECT frame_id
+FROM frame_payloads
+WHERE QUERY('payload.scene.lighting:night AND payload.objects.type:(emergency_vehicle OR cyclist)');
+```
+
+### 数值范围
+速度在 10–25 km/h 之间（包含边界）或严格在 25–40 km/h 之间：
+
+```sql
+SELECT frame_id,
+ payload['ego']['speed_kmh'] AS speed
+FROM frame_payloads
+WHERE QUERY('payload.ego.speed_kmh:[10 TO 25] OR payload.ego.speed_kmh:{25 TO 40}')
+ORDER BY speed;
+```
+
+### 权重提升
+优先处理同时出现行人和车辆的帧，但强调行人项：
+
+```sql
+SELECT frame_id,
+ SCORE() AS relevance
+FROM frame_payloads
+WHERE QUERY('payload.objects.type:pedestrian^2 AND payload.objects.type:vehicle')
+ORDER BY relevance DESC
+LIMIT 10;
+```
+
+查看[搜索函数](https://docs.databend.cn/sql/sql-functions/search-functions)了解 `QUERY`、`SCORE()` 和相关辅助函数支持的完整 Elasticsearch 语法。
+
+---
+
+## 4. 交叉引用帧事件
+将查询结果与分析指南中创建的帧级风险评分进行关联。
+
+```sql
+WITH risky_frames AS (
+ SELECT frame_id,
+ payload['ego']['speed_kmh']::DOUBLE AS ego_speed
+ FROM frame_payloads
+ WHERE QUERY('payload.objects.type:pedestrian AND payload.ego.speed_kmh:[30 TO *]')
+)
+SELECT r.frame_id,
+ e.event_type,
+ e.risk_score,
+ r.ego_speed
+FROM risky_frames r
+JOIN frame_events e USING (frame_id)
+ORDER BY e.risk_score DESC;
+```
+
+由于 `frame_id` 在表之间共享，您可以立即从原始负载跳转到精选分析。
\ No newline at end of file
diff --git a/docs/cn/guides/54-query/02-vector-db.md b/docs/cn/guides/54-query/02-vector-db.md
new file mode 100644
index 0000000000..9b56245372
--- /dev/null
+++ b/docs/cn/guides/54-query/02-vector-db.md
@@ -0,0 +1,100 @@
+---
+title: 向量搜索（Vector Search）
+---
+
+> **场景：** EverDrive Smart Vision 为风险帧附加紧凑的视觉嵌入向量（Embedding），以便调查团队可以直接在 Databend 中检索相似情况。
+
+每个提取的帧都附带视觉嵌入向量，方便感知工程师发现相似场景。本指南展示如何插入这些向量并在相同的 EverDrive ID 上执行语义搜索。
+
+## 1. 创建示例表
+为提升可读性，我们使用四维向量存储紧凑示例。在生产环境中，您可能需要保存来自 CLIP 或自监督模型的 512 维或 1536 维嵌入向量。
+
+```sql
+CREATE OR REPLACE TABLE frame_embeddings (
+ frame_id VARCHAR,
+ session_id VARCHAR,
+ embedding VECTOR(4),
+ model_version VARCHAR,
+ created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
+ VECTOR INDEX idx_frame_embeddings(embedding) distance='cosine'
+);
+
+INSERT INTO frame_embeddings VALUES
+ ('FRAME-0001', 'SES-20240801-SEA01', [0.18, 0.42, 0.07, 0.12]::VECTOR(4), 'clip-mini-v1', DEFAULT),
+ ('FRAME-0002', 'SES-20240801-SEA01', [0.20, 0.38, 0.12, 0.18]::VECTOR(4), 'clip-mini-v1', DEFAULT),
+ ('FRAME-0003', 'SES-20240802-SEA02', [0.62, 0.55, 0.58, 0.61]::VECTOR(4), 'night-fusion-v2', DEFAULT),
+ ('FRAME-0004', 'SES-20240802-SEA02', [0.57, 0.49, 0.52, 0.55]::VECTOR(4), 'night-fusion-v2', DEFAULT);
+```
+
+文档：[向量数据类型（Vector）](/sql/sql-reference/data-types/vector) 和 [向量索引（Vector Index）](/sql/sql-reference/data-types/vector#vector-indexing)。
+
+---
+
+## 2. COSINE_DISTANCE 搜索
+搜索与 `FRAME-0001` 最相似的帧。
+
+```sql
+WITH query_embedding AS (
+ SELECT embedding
+ FROM frame_embeddings
+ WHERE frame_id = 'FRAME-0001'
+ LIMIT 1
+)
+SELECT e.frame_id,
+ e.session_id,
+ cosine_distance(e.embedding, q.embedding) AS distance
+FROM frame_embeddings e
+CROSS JOIN query_embedding q
+ORDER BY distance
+LIMIT 3;
+```
+
+余弦距离计算利用先前创建的 HNSW 索引（Index），优先返回最相似的帧。
+
+---
+
+## 3. WHERE 过滤 + 相似度
+将相似度搜索与传统谓词结合以缩小结果范围。
+
+```sql
+WITH query_embedding AS (
+ SELECT embedding
+ FROM frame_embeddings
+ WHERE frame_id = 'FRAME-0003'
+ LIMIT 1
+)
+SELECT e.frame_id,
+ cosine_distance(e.embedding, q.embedding) AS distance
+FROM frame_embeddings e
+CROSS JOIN query_embedding q
+WHERE e.session_id = 'SES-20240802-SEA02'
+ORDER BY distance;
+```
+
+---
+
+## 4. 连接（JOIN）语义 + 风险元数据
+将语义搜索结果与风险评分或检测负载关联，以支持更深入的调查分析。
+
+```sql
+WITH query_embedding AS (
+ SELECT embedding FROM frame_embeddings WHERE frame_id = 'FRAME-0001' LIMIT 1
+ ),
+ similar_frames AS (
+ SELECT frame_id,
+ cosine_distance(e.embedding, q.embedding) AS distance
+ FROM frame_embeddings e
+ CROSS JOIN query_embedding q
+ ORDER BY distance
+ LIMIT 5
+ )
+SELECT sf.frame_id,
+ fe.event_type,
+ fe.risk_score,
+ sf.distance
+FROM similar_frames sf
+LEFT JOIN frame_events fe USING (frame_id)
+ORDER BY sf.distance;
+```
+
+该混合视图（View）可呈现“视觉特征与 FRAME-0001 相似且触发了高风险事件”的帧。
\ No newline at end of file
diff --git a/docs/cn/guides/54-query/03-geo-analytics.md b/docs/cn/guides/54-query/03-geo-analytics.md
new file mode 100644
index 0000000000..b566a0a555
--- /dev/null
+++ b/docs/cn/guides/54-query/03-geo-analytics.md
@@ -0,0 +1,139 @@
+---
+title: 地理分析（Geo Analytics）
+---
+
+> **场景：** EverDrive Smart Vision 为每个关键帧记录 GPS 坐标，以便运营团队能够绘制城市范围内的危险驾驶热点区域。
+
+每一帧都标记了 GPS 坐标，因此我们可以在城市范围内绘制危险情况的分布图。本指南添加了一个地理空间表，并演示了使用相同 EverDrive 会话 ID 的空间过滤器、多边形和 H3 分桶（Bucketing）。
+
+## 1. 创建示例表
+每条记录代表捕获关键帧时的本车位置。将坐标存储为 `GEOMETRY` 类型，以便您可以重用本工作负载中展示的 `ST_X`、`ST_Y` 和 `HAVERSINE` 等函数。
+
+```sql
+CREATE OR REPLACE TABLE drive_geo (
+ frame_id VARCHAR,
+ session_id VARCHAR,
+ location GEOMETRY,
+ speed_kmh DOUBLE,
+ heading_deg DOUBLE
+);
+
+INSERT INTO drive_geo VALUES
+ ('FRAME-0001', 'SES-20240801-SEA01', TO_GEOMETRY('SRID=4326;POINT(-122.3321 47.6062)'), 28.0, 90),
+ ('FRAME-0002', 'SES-20240801-SEA01', TO_GEOMETRY('SRID=4326;POINT(-122.3131 47.6105)'), 35.4, 120),
+ ('FRAME-0003', 'SES-20240802-SEA02', TO_GEOMETRY('SRID=4326;POINT(-122.3419 47.6205)'), 18.5, 45),
+ ('FRAME-0004', 'SES-20240802-SEA02', TO_GEOMETRY('SRID=4326;POINT(-122.3490 47.6138)'), 22.3, 60),
+ ('FRAME-0005', 'SES-20240803-SEA03', TO_GEOMETRY('SRID=4326;POINT(-122.3610 47.6010)'), 30.极 210);
+```
+
+文档：[地理空间数据类型](/sql/sql-reference/data-types/geospatial)。
+
+---
+
+## 2. ST_DISTANCE 半径过滤
+`ST_DISTANCE` 函数测量几何图形之间的距离。将帧位置和热点都转换为 Web 墨卡托投影（SRID 3857），使结果以米为单位表示，然后过滤到 500 米范围内。
+
+```sql
+SELECT g.frame_id,
+ g.session_id,
+ e.event_type,
+ e.极_score,
+ ST_DISTANCE(
+ ST_TRANSFORM(g.location, 3857),
+ ST_TRANSFORM(TO_GEOMETRY('SRID=4326;POINT(-122.3350 47.6080)'), 3857)
+ ) AS meters_from_hotspot
+FROM drive_geo g
+JOIN frame_events e USING (frame_id)
+WHERE ST极STANCE(
+ ST_TRANSFORM(g.location, 3857),
+ ST_TRANSFORM(TO_GEOMETRY('SRID=4326;POINT(-122.3350 47.6080)'), 3857)
+ ) <= 500
+ORDER BY meters_from_hotspot;
+```
+
+需要原始几何图形进行调试？在投影中添加 `ST_ASTEXT(g.location)`。更喜欢直接的大圆距离计算？换用 `HAVERSINE` 函数，它对 `ST_X`/`ST_Y` 坐标进行操作。
+
+---
+
+## 3. ST_CONTAINS 多边形过滤
+检查事件是否发生在定义的安全区域内（例如学校区域）。
+
+```sql
+WITH school_zone AS (
+ SELECT TO_GEOMETRY('SRID=4326;POLYGON((
+ -122.3415 47.6150,
+ -122.3300 47.6150,
+ -极.3300 47.6070,
+ -122.3415 47.6070,
+ -122.3415 47.6150
+ ))') AS poly
+)
+SELECT g.frame_id,
+ g.session_id,
+ e.event_type
+FROM drive_geo g
+JOIN frame_events e USING (frame_id)
+CROSS JOIN school_zone
+WHERE ST_CONTAINS(poly, g.location);
+```
+
+---
+
+## 4. GEO_TO_H3 热力图
+按六边形单元聚合事件以构建路线热力图。
+
+```sql
+SELECT GEO_TO_H3(ST_X(location), ST_Y(location), 8) AS h3_cell,
+ COUNT(*) AS frame_count,
+ AVG(e.极_score) AS avg_极
+FROM drive_geo
+JOIN frame_events e USING (frame极)
+GROUP BY h3_cell
+ORDER BY avg_极 DESC;
+```
+
+文档：[H3 函数](/sql/sql-functions/geospatial-functions#h3-indexing--conversion)。
+
+---
+
+## 5. ST_DISTANCE + JSON 查询
+结合空间距离检查与丰富的检测元数据（来自 JSON 指南）以构建精确的警报。
+
+```sql
+WITH near_intersection AS (
+ SELECT frame_id
+ FROM drive_geo
+ WHERE ST_DISTANCE(
+ ST_TRANSFORM(location, 3857),
+ ST_TRANSFORM(TO_GEOMETRY('SRID=4326;POINT(-122.3410 47.6130)'), 3857)
+ ) <= 200
+)
+SELECT n.frame_id,
+ p.payload['objects'][0]['type']::STRING AS first_object,
+ e.event_type,
+ e.极_score
+FROM near_intersection n
+JOIN frame_payloads p USING (frame_id)
+JOIN frame_events e USING (frame_id)
+WHERE QUERY('payload.objects.type:pedestrian');
+```
+
+空间过滤器、JSON 操作符和经典 SQL 都在一条语句中运行。
+
+---
+
+## 6. 创建视图热力图
+将六边形级别的摘要导出到可视化工具或地图图层。
+
+```sql
+CREATE OR REPLACE VIEW v_route_heatmap AS (
+ SELECT GEO_TO_H3(ST_X(location), ST_Y(location), 7) AS h3_cell,
+ COUNT(*) AS frames,
+ AVG(e.极_score) AS avg_极
+ FROM drive_geo
+ JOIN frame_events e USING (frame_id)
+ GROUP BY h3_cell
+);
+```
+
+下游系统可以直接查询 `v_route_heatmap` 以在地图上渲染风险热点，而无需重新处理原始遥测数据。
\ No newline at end of file
diff --git a/docs/cn/guides/54-query/04-lakehouse-etl.md b/docs/cn/guides/54-query/04-lakehouse-etl.md
new file mode 100644
index 0000000000..c45d6068d0
--- /dev/null
+++ b/docs/cn/guides/54-query/04-lakehouse-etl.md
@@ -0,0 +1,186 @@
+---
+title: 湖仓 ETL
+---
+
+> **场景：** EverDrive Smart Vision 的数据工程团队将每批道路测试数据导出为 Parquet 文件，以便统一工作负载可以在 Databend 中加载、查询和丰富相同的遥测数据。
+
+EverDrive 的数据摄取流程非常简单：
+
+```
+对象存储导出（例如 Parquet）→ 暂存区（Stage）→ COPY INTO → （可选）流（Stream）和任务（Task）
+```
+
+调整存储桶路径/凭证（如果格式不同，请将 Parquet 替换为实际格式），然后粘贴以下命令。所有语法与官方[加载数据指南](/cn/guides/load-data/)一致。
+
+---
+
+## 1. 暂存区（Stage）
+EverDrive 的数据工程团队将每批四个文件——会话、帧事件、检测负载（包含嵌套 JSON 字段）和帧嵌入——导出到 S3 存储桶。本指南使用 Parquet 作为示例格式，但您可以通过调整 `FILE_FORMAT` 子句来使用 CSV、JSON 或其他支持的格式。创建一次命名连接，然后在各个暂存区中重复使用。
+
+```sql
+CREATE OR REPLACE CONNECTION everdrive_s3
+ STORAGE_TYPE = 's3'
+ ACCESS_KEY_ID = ''
+ SECRET_ACCESS_KEY = '';
+
+CREATE OR REPLACE STAGE drive_stage
+ URL = 's3://everdrive-lakehouse/raw/'
+ CONNECTION = (CONNECTION_NAME = 'everdrive_s3')
+ FILE_FORMAT = (TYPE = 'PARQUET');
+```
+
+有关更多选项，请参阅[创建暂存区](/cn/sql/sql-commands/ddl/stage/ddl-create-stage)。
+
+列出导出文件夹（本演练中为 Parquet）以确认它们可见：
+
+```sql
+LIST @drive_stage/sessions/;
+LIST @drive_stage/frame-events/;
+LIST @drive_stage/payloads/;
+LIST @drive_stage/embeddings/;
+```
+
+---
+
+## 2. 预览
+在加载任何数据之前，查看 Parquet 文件内部以验证架构和样本记录。
+
+```sql
+SELECT *
+FROM @drive_stage/sessions/session_2024_08_16.parquet
+LIMIT 5;
+
+SELECT *
+FROM @drive_stage/frame-events/frame_events_2024_08_16.parquet
+LIMIT 5;
+```
+
+根据需要对负载和嵌入重复预览。Databend 会自动使用暂存区上指定的文件格式。
+
+---
+
+## 3. COPY INTO
+将每个文件加载到本指南中使用的表中。使用内联类型转换将传入列映射到表列；以下投影假定为 Parquet，但相同的结构适用于其他格式。
+
+### 会话
+```sql
+COPY INTO drive_sessions (session_id, vehicle_id, route_name, start_time, end_time, weather, camera_setup)
+FROM (
+ SELECT session_id::STRING,
+ vehicle_id::STRING,
+ route_name::STRING,
+ start_time::TIMESTAMP,
+ end_time::TIMESTAMP,
+ weather::STRING,
+ camera_setup::STRING
+ FROM @drive_stage/sessions/
+)
+FILE_FORMAT = (TYPE = 'PARQUET');
+```
+
+### 帧事件
+```sql
+COPY INTO frame_events (frame_id, session_id, frame_index, captured_at, event_type, risk_score)
+FROM (
+ SELECT frame_id::STRING,
+ session_id::STRING,
+ frame_index::INT,
+ captured_at::TIMESTAMP,
+ event_type::STRING,
+ risk_score::DOUBLE
+ FROM @drive_stage/frame-events/
+)
+FILE_FORMAT = (TYPE = 'PARQUET');
+```
+
+### 检测负载
+负载文件包含嵌套列（`payload` 列是一个 JSON 对象）。使用相同的投影将它们复制到 `frame_payloads` 表中。
+
+```sql
+COPY INTO frame_payloads (frame_id, run_stage, payload, logged_at)
+FROM (
+ SELECT frame_id::STRING,
+ run_stage::STRING,
+ payload,
+ logged_at::TIMESTAMP
+ FROM @drive_stage/payloads/
+)
+FILE_FORMAT = (TYPE = 'PARQUET');
+```
+
+### 帧嵌入
+```sql
+COPY INTO frame_embeddings (frame_id, session_id, embedding, model_version, created_at)
+FROM (
+ SELECT frame_id::STRING,
+ session_id::STRING,
+ embedding::VECTOR(4), -- 将 4 替换为您的实际嵌入维度
+ model_version::STRING,
+ created_at::TIMESTAMP
+ FROM @drive_stage/embeddings/
+)
+FILE_FORMAT = (TYPE = 'PARQUET');
+```
+
+所有下游指南（分析/搜索/向量/地理）现在都可以看到此批次数据。
+
+---
+
+## 4. 流（Stream）（可选）
+如果您希望下游作业在每次 `COPY INTO` 后对新行做出反应，请在关键表（例如 `frame_events`）上创建流。流的使用遵循[持续数据流水线 → 流](/cn/guides/load-data/continuous-data-pipelines/stream)指南。
+
+```sql
+CREATE OR REPLACE STREAM frame_events_stream ON TABLE frame_events;
+
+SELECT * FROM frame_events_stream; -- 显示自上次消费以来的新行
+```
+
+处理流后，调用 `CONSUME STREAM frame_events_stream;`（或将行插入另一个表）以推进偏移量。
+
+---
+
+## 5. 任务（Task）（可选）
+任务按计划执行**一条 SQL 语句**。为每个表创建一个小任务（或者如果您更喜欢单个入口点，可以调用存储过程）。
+
+```sql
+CREATE OR REPLACE TASK task_load_sessions
+ WAREHOUSE = 'default'
+ SCHEDULE = 5 MINUTE
+AS
+ COPY INTO drive_sessions (session_id, vehicle_id, route_name, start_time, end_time, weather, camera_setup)
+ FROM (
+ SELECT session_id::STRING,
+ vehicle_id::STRING,
+ route_name::STRING,
+ start_time::TIMESTAMP,
+ end_time::TIMESTAMP,
+ weather::STRING,
+ camera_setup::STRING
+ FROM @drive_stage/sessions/
+ )
+ FILE_FORMAT = (TYPE = 'PARQUET');
+
+ALTER TASK task_load_sessions RESUME;
+
+CREATE OR REPLACE TASK task_load_frame_events
+ WAREHOUSE = 'default'
+ SCHEDULE = 5 MINUTE
+AS
+ COPY INTO frame_events (frame_id, session_id, frame_index, captured_at, event_type, risk_score)
+ FROM (
+ SELECT frame_id::STRING,
+ session_id::STRING,
+ frame_index::INT,
+ captured_at::TIMESTAMP,
+ event_type::STRING,
+ risk_score::DOUBLE
+ FROM @drive_stage/frame-events/
+ )
+ FILE_FORMAT = (TYPE = 'PARQUET');
+
+ALTER TASK task_load_frame_events RESUME;
+
+-- 对 frame_payloads 和 frame_embeddings 重复此操作
+```
+
+有关 cron 语法、依赖项和错误处理，请参阅[持续数据流水线 → 任务](/cn/guides/load-data/continuous-data-pipelines/task)。
\ No newline at end of file
diff --git a/docs/cn/guides/54-query/_category_.json b/docs/cn/guides/54-query/_category_.json
index c512ee2022..eceb721ed2 100644
--- a/docs/cn/guides/54-query/_category_.json
+++ b/docs/cn/guides/54-query/_category_.json
@@ -1,3 +1,3 @@
{
- "label": "查询"
+ "label": "统一工作负载（Unified Workloads）"
}
\ No newline at end of file
diff --git a/docs/cn/guides/54-query/index.md b/docs/cn/guides/54-query/index.md
index b1dab4a9cc..4e9a5d7075 100644
--- a/docs/cn/guides/54-query/index.md
+++ b/docs/cn/guides/54-query/index.md
@@ -1,124 +1,15 @@
---
-title: 在 Databend 中查询数据
+title: 统一工作负载（Unified Workloads）
---
-Databend 支持标准 SQL，并带有 ANSI SQL:2003 分析扩展。本指南涵盖从基础到高级的核心查询技术，按学习路径组织，便于高效掌握。
+Databend 现已成为统一引擎，支持 SQL 分析（SQL Analytics）、多模态搜索（Multimodal Search）、向量相似度计算（Vector Similarity）、地理空间分析（Geospatial Analysis）和持续 ETL（Continuous ETL）。本迷你系列教程使用 **EverDrive Smart Vision** 场景（会话 ID 如 `SES-20240801-SEA01`，帧 ID 如 `FRAME-0001`）展示如何让单一数据集流经所有工作负载，无需在系统间复制数据。
-## 学习路径
+| 指南 | 涵盖内容 |
+|-------|----------------|
+| [SQL 分析](./00-sql-analytics.md) | 构建共享表，切分会话，添加窗口/聚合加速 |
+| [JSON 与搜索](./01-json-search.md) | 存储检测负载并 `QUERY` 风险场景 |
+| [向量搜索](./02-vector-db.md) | 保存帧嵌入并查找语义邻居 |
+| [地理分析](./03-geo-analytics.md) | 使用 `HAVERSINE`、多边形、H3 映射事件 |
+| [湖仓 ETL](./04-lakehouse-etl.md) | 暂存文件，`COPY INTO` 表，可选流/任务 |
-**📚 SQL 新手？** 从[基础查询](./00-basics/index.md)开始
-**🔗 需要连接数据？** 前往[组合数据](./01-combining-data/index.md)
-**⚡ 需要自定义逻辑？** 查看[高级功能](./02-advanced/index.md)
-**🚀 遇到性能问题？** 访问[查询优化（Query Optimization）](./03-optimization/index.md)
-
----
-
-## 📚 [基础查询](./00-basics/index.md)
-
-掌握数据选择与聚合的基本 SQL 操作。
-
-### [筛选与选择](./00-basics/filtering-selection.md)
-```sql
--- 选择与筛选数据
-SELECT name, salary FROM employees
-WHERE department = 'Engineering'
-ORDER BY salary DESC;
-```
-
-### [聚合数据](./00-basics/aggregating-data.md)
-```sql
--- 分组并汇总数据
-SELECT department,
- COUNT(*) as emp_count,
- AVG(salary) as avg_salary
-FROM employees
-GROUP BY department;
-```
-
-### [高级分组](./00-basics/groupby/index.md)
-使用 CUBE、ROLLUP 和 GROUPING SETS 进行多维分析
-
----
-
-## 🔗 [组合数据](./01-combining-data/index.md)
-
-通过 JOIN 和 CTE 连接多源数据。
-
-### [JOIN](./01-combining-data/joins.md)
-```sql
--- 关联相关表
-SELECT e.name, d.department_name
-FROM employees e
-JOIN departments d ON e.department_id = d.id;
-```
-
-### [公用表表达式（CTE）](./01-combining-data/cte.md)
-```sql
--- 构建复杂查询
-WITH high_earners AS (
- SELECT * FROM employees WHERE salary > 75000
-)
-SELECT department, COUNT(*) as count
-FROM high_earners GROUP BY department;
-```
-
----
-
-## ⚡ [高级功能](./02-advanced/index.md)
-
-通过自定义函数与外部集成扩展能力。
-
-### [用户自定义函数（User-Defined Functions）](./02-advanced/udf.md)
-```sql
--- 创建可复用函数
-CREATE FUNCTION calculate_bonus(salary FLOAT, rating FLOAT)
-RETURNS FLOAT AS $$ salary * rating * 0.1 $$;
-```
-
-### 更多高级功能
-- [外部函数（External Functions）](./02-advanced/external-function.md) - 云端机器学习集成
-- [存储过程（Stored Procedures）](./02-advanced/stored-procedure.md) - 多步操作
-- [序列（Sequences）](./02-advanced/sequences.md) - 唯一 ID 生成
-
----
-
-## 🚀 [查询优化（Query Optimization）](./03-optimization/index.md)
-
-利用分析工具诊断并提升查询性能。
-
-### [查询画像（Query Profile）](./03-optimization/query-profile.md)
-可视化执行计划分析（Databend Cloud：监控 → SQL 历史）
-
-### [性能分析](./03-optimization/query-hash.md)
-```sql
--- 分析查询执行
-EXPLAIN SELECT * FROM orders o
-JOIN customers c ON o.customer_id = c.id
-WHERE o.order_date >= '2023-01-01';
-```
-
----
-
-## 快速参考
-
-### 最常用模式
-```sql
--- Top N 查询
-SELECT * FROM employees ORDER BY salary DESC LIMIT 10;
-
--- 筛选并聚合
-SELECT department, AVG(salary)
-FROM employees
-WHERE hire_date >= '2023-01-01'
-GROUP BY department
-HAVING AVG(salary) > 70000;
-
--- 使用 CTE 进行连接
-WITH recent_orders AS (
- SELECT * FROM orders WHERE order_date >= '2023-01-01'
-)
-SELECT c.name, COUNT(*) as order_count
-FROM customers c
-JOIN recent_orders o ON c.id = o.customer_id
-GROUP BY c.name;
-```
\ No newline at end of file
+按顺序完成这些教程，了解 Databend 的单一优化器（Query Optimizer）如何在同一车队数据上为分析、搜索、向量、地理和加载流水线提供支持。
\ No newline at end of file
diff --git a/docs/cn/guides/55-performance/03-fulltext-index.md b/docs/cn/guides/55-performance/03-fulltext-index.md
index 55899d699e..083bb0d2fa 100644
--- a/docs/cn/guides/55-performance/03-fulltext-index.md
+++ b/docs/cn/guides/55-performance/03-fulltext-index.md
@@ -1,32 +1,36 @@
---
-title: 全文索引
+title: 全文索引（Full-Text Index）
---
-# 全文索引：实现闪电般快速的自动文本搜索
+:::info
+想要实践操作？请参阅 [JSON 与搜索指南](/guides/query/json-search)。
+:::
+
+# 全文索引（Full-Text Index）：自动化的闪电般快速文本搜索
import EEFeature from '@site/src/components/EEFeature';
-全文索引（倒排索引）通过建立词条到文档的映射关系，自动实现海量文档集合的闪电式文本检索，无需执行缓慢的全表扫描。
+全文索引（Full-Text Index，也称倒排索引 Inverted Index）通过将词条映射到文档，自动实现对大型文档集合的闪电般快速文本搜索，无需进行缓慢的全表扫描。
-## 解决哪些问题？
+## 解决什么问题？
-大规模数据集上的文本搜索面临显著性能挑战：
+大型数据集上的文本搜索操作面临显著的性能挑战：
-| 问题 | 影响 | 全文索引解决方案 |
+| 问题 | 影响 | 全文索引（Full-Text Index）解决方案 |
|---------|--------|-------------------------|
-| **LIKE 查询缓慢** | `WHERE content LIKE '%keyword%'` 需扫描整表 | 直接词条定位，跳过无关文档 |
-| **全表扫描** | 每次文本搜索都需读取所有行 | 仅读取包含搜索词条的文档 |
-| **搜索体验差** | 用户需等待数秒/分钟获取结果 | 亚秒级搜索响应时间 |
-| **搜索功能有限** | 仅支持基础模式匹配 | 支持高级功能：模糊搜索、相关性评分 |
-| **资源消耗高** | 文本搜索过度消耗 CPU/内存 | 索引搜索仅需最少资源 |
+| **LIKE 查询缓慢** | `WHERE content LIKE '%keyword%'` 扫描整个表 | 直接词条查找，跳过无关文档 |
+| **全表扫描** | 每次文本搜索读取所有行 | 仅读取包含搜索词条的文档 |
+| **搜索体验差** | 用户等待数秒/数分钟才能获得搜索结果 | 亚秒级搜索响应时间 |
+| **搜索能力有限** | 仅支持基本模式匹配 | 高级功能：模糊搜索、相关性评分 |
+| **资源使用率高** | 文本搜索消耗过多 CPU/内存 | 索引搜索所需资源极少 |
-**示例**：在 1000 万条日志中搜索 "kubernetes error"。无全文索引时需扫描全部 1000 万行，使用全文索引可直接定位约 1000 个匹配文档，瞬间返回结果。
+**示例**：在 1000 万条日志记录中搜索 "kubernetes error"。没有全文索引时，需要扫描全部 1000 万行。使用全文索引后，可以直接找到约 1000 个匹配文档，瞬间完成。
## 工作原理
-全文索引创建词条到文档的反向映射：
+全文索引（Full-Text Index）创建从词条到文档的倒排映射：
| 词条 | 文档 ID |
|------|-------------|
@@ -34,66 +38,66 @@ import EEFeature from '@site/src/components/EEFeature';
| "error" | 101, 892, 1847 |
| "pod" | 205, 1847, 2901 |
-搜索 "kubernetes error" 时，索引直接定位同时包含两个词条的文档 (101, 1847)，无需扫描整表。
+搜索 "kubernetes error" 时，索引会找到包含这两个词条的文档（101, 1847），无需扫描整个表。
-## 快速配置
+## 快速设置
```sql
--- 创建含文本字段的表
+-- 创建包含文本内容的表
CREATE TABLE logs(id INT, message TEXT, timestamp TIMESTAMP);
--- 创建全文索引 - 自动索引新数据
+-- 创建全文索引（Full-Text Index）- 自动索引新数据
CREATE INVERTED INDEX logs_message_idx ON logs(message);
--- 仅需对索引创建前已存在的数据执行一次性刷新
+-- 仅对索引创建前的现有数据需要一次性刷新
REFRESH INVERTED INDEX logs_message_idx ON logs;
--- 使用 MATCH 函数搜索 - 自动优化执行
+-- 使用 MATCH 函数搜索 - 完全自动优化
SELECT * FROM logs WHERE MATCH(message, 'error kubernetes');
```
**自动索引管理**：
-- **新数据**：插入时自动索引，无需人工干预
-- **存量数据**：仅需对索引创建前存在的数据执行一次性刷新
-- **持续维护**：Databend 自动维护最优搜索性能
+- **新数据**：插入时自动索引 - 无需手动操作
+- **现有数据**：仅对索引创建前存在的数据需要一次性刷新
+- **持续维护**：Databend 自动维护最佳搜索性能
## 搜索函数
| 函数 | 用途 | 示例 |
|----------|---------|---------|
-| `MATCH(column, 'terms')` | 基础文本搜索 | `MATCH(content, 'database performance')` |
-| `QUERY('column:terms')` | 高级查询语法 | `QUERY('title:"full text" AND content:search')` |
+| `MATCH(column, 'terms')` | 基本文本搜索 | `MATCH(content, 'database performance')` |
+| `QUERY('column:terms')` | 高级查询（Query）语法 | `QUERY('title:"full text" AND content:search')` |
| `SCORE()` | 相关性评分 | `SELECT *, SCORE() FROM docs WHERE MATCH(...)` |
## 高级搜索功能
### 模糊搜索
```sql
--- 支持容错匹配（fuzziness=1 允许 1 个字符差异）
-SELECT * FROM logs WHERE MATCH(message, 'kuberntes', 'fuzziness=1');
+-- 即使有拼写错误也能找到文档（fuzziness=1 允许 1 个字符差异）
+SELECT * FROM logs WHERE MATCH(message, 'kubernetes', 'fuzziness=1');
```
### 相关性评分
```sql
--- 获取带相关性评分的结果，按阈值过滤
+-- 获取带有相关性评分的结果，按最低分数过滤
SELECT id, message, SCORE() as relevance
FROM logs
WHERE MATCH(message, 'critical error') AND SCORE() > 0.5
ORDER BY SCORE() DESC;
```
-### 复合查询
+### 复杂查询（Query）
```sql
--- 支持布尔运算符的高级查询语法
+-- 使用布尔运算符的高级查询（Query）语法
SELECT * FROM docs WHERE QUERY('title:"user guide" AND content:(tutorial OR example)');
```
## 完整示例
-此示例演示在 Kubernetes 日志数据上创建全文索引并执行多样化搜索：
+此示例演示了在 Kubernetes 日志数据上创建全文搜索索引（Full-Text Index）并使用各种函数进行搜索：
```sql
--- 创建含计算列的表
+-- 创建带有计算列的表
CREATE TABLE k8s_logs (
event_id INT,
event_data VARIANT,
@@ -101,24 +105,24 @@ CREATE TABLE k8s_logs (
event_message VARCHAR AS (event_data['message']::VARCHAR) STORED
);
--- 在 event_message 列创建倒排索引
+-- 在 "event_message" 列上创建倒排索引（Inverted Index）
CREATE INVERTED INDEX event_message_fulltext ON k8s_logs(event_message);
--- 插入示例数据
+-- 插入综合示例数据
INSERT INTO k8s_logs (event_id, event_data, event_timestamp)
VALUES
(1,
PARSE_JSON('{
"message": "Pod scheduled",
"object_type": "Pod",
- "name": "frontend-1",
+ "name": "极速-1",
"namespace": "production",
"node": "node-01",
"status": "Scheduled"
}'),
'2024-04-08T08:00:00Z');
-INSERT INTO k8s_logs (event_id, event_data, event_timestamp)
+INSERT INTO k8s_logs (极速_id, event_data, event_timestamp)
VALUES
(2,
PARSE_JSON('{
@@ -128,13 +132,13 @@ VALUES
"namespace": "development",
"replicas": 3
}'),
- '2024-04-08T09:15:00Z');
+ '2024-极速-08T09:15:00Z');
INSERT INTO k8s_logs (event_id, event_data, event_timestamp)
VALUES
(3,
PARSE_JSON('{
- "message": "Node condition changed",
+极速 "message": "Node condition changed",
"object_type": "Node",
"name": "node-02",
"condition": "Ready",
@@ -165,9 +169,9 @@ VALUES
"status": "Bound",
"volume": "pv-logs"
}'),
- '2024-04-08T12:00:00Z');
+ '202极速-04-08T12:00:00Z');
--- 基础搜索：查找含 "PersistentVolume" 的事件
+-- 基本搜索包含 "PersistentVolume" 的事件
SELECT
event_id,
event_message
@@ -180,7 +184,7 @@ WHERE
event_id: 5
event_message: PersistentVolume claim created
--- 使用 EXPLAIN 验证索引使用
+-- 使用 EXPLAIN 验证索引（Index）使用情况
EXPLAIN SELECT event_id, event_message FROM k8s_logs WHERE MATCH(event_message, 'PersistentVolume');
-[ EXPLAIN ]-----------------------------------
@@ -193,13 +197,13 @@ Filter
├── output columns: [event_id (#0), event_message (#3), _search_matched (#4)]
├── read rows: 1
├── read size: < 1 KiB
- ├── partitions total: 5
+ ├── partitions total: 5极速
├── partitions scanned: 1
├── pruning stats: [segments: , blocks: ]
├── push downs: [filters: [k8s_logs._search_matched (#4)], limit: NONE]
└── estimated rows: 5.00
--- 带相关性评分的高级搜索
+-- 带有相关性评分的高级搜索
SELECT
event_id,
event_message,
@@ -217,7 +221,7 @@ WHERE
event_timestamp: 2024-04-08 12:00:00
score(): 0.86304635
--- 模糊搜索示例（支持拼写容错）
+-- 模糊搜索示例（处理拼写错误）
SELECT
event_id, event_message, event_timestamp
FROM
@@ -231,49 +235,49 @@ WHERE
event_timestamp: 2024-04-08 12:00:00
```
-**示例核心要点**：
-- `inverted pruning: 5 to 1` 表明索引将扫描块数从 5 降至 1
-- 相关性评分实现按匹配质量排序结果
-- 模糊搜索支持拼写差异（如 "create" 与 "created"）
+**示例要点**：
+- `inverted pruning: 5 to 1` 显示索引（Index）将扫描的块从 5 个减少到 1 个
+- 相关性评分有助于按匹配质量对结果进行排序
+- 模糊搜索即使有拼写错误也能找到结果（"create" vs "created"）
## 最佳实践
-| 实践方案 | 优势 |
+| 实践 | 优势 |
|----------|---------|
-| **为高频搜索列创建索引** | 聚焦搜索查询中的目标列 |
-| **使用 MATCH 替代 LIKE** | 充分发挥索引性能优势 |
-| **监控索引使用状态** | 通过 EXPLAIN 验证索引生效情况 |
-| **考虑多索引方案** | 不同列可建立独立索引 |
+| **索引（Index）常用搜索列** | 专注于搜索查询（Query）中使用的列 |
+| **使用 MATCH 而非 LIKE** | 利用自动索引（Index）性能 |
+| **监控索引（Index）使用情况** | 使用 EXPLAIN 验证索引（Index）利用率 |
+| **考虑多个索引（Index）** | 不同列可以有单独的索引（Index） |
-## 核心命令
+## 基本命令
-| 命令 | 用途 | 使用场景 |
+| 命令 | 用途 | 使用时机 |
|---------|---------|-------------|
-| `CREATE INVERTED INDEX name ON table(column)` | 新建全文索引 | 初始配置 - 新数据自动索引 |
-| `REFRESH INVERTED INDEX name ON table` | 索引存量数据 | 仅需对索引前数据执行一次 |
-| `DROP INVERTED INDEX name ON table` | 删除索引 | 不再需要索引时 |
+| `CREATE INVERTED INDEX name ON table(column)` | 创建新的全文索引（Full-Text Index） | 初始设置 - 对新数据自动生效 |
+| `极速REFRESH INVERTED INDEX name ON table` | 索引（Index）现有数据 | 仅对预先存在的数据一次性使用 |
+| `DROP INVERTED INDEX name ON table` | 删除索引（Index） | 不再需要索引（Index）时 |
## 重要说明
:::tip
-**适用场景**：
-- 海量文本数据集（文档/日志/评论）
-- 高频文本搜索操作
-- 需要高级搜索功能（模糊匹配/相关性评分）
-- 性能敏感的搜索应用
+**何时使用全文索引（Full-Text Index）：**
+- 大型文本数据集（文档、日志、评论）
+- 频繁的文本搜索操作
+- 需要高级搜索功能（模糊、评分）
+- 性能关键的搜索应用
-**非适用场景**：
+**何时不使用：**
- 小型文本数据集
-- 仅需精确字符串匹配
-- 低频搜索操作
+- 仅精确字符串匹配
+- 不频繁的搜索操作
:::
-## 索引限制
+## 索引（Index）限制
-- 单列仅能归属一个倒排索引
-- 数据插入后需手动刷新（针对索引创建前已存在的数据）
-- 需额外存储空间存放索引数据
+- 每列只能在一个倒排索引（Inverted Index）中
+- 需要在数据插入后刷新（如果数据在索引创建前存在）
+- 索引（Index）数据使用额外的存储空间
---
-*全文索引是处理海量文档集合并实现高速、复杂文本搜索的关键组件。*
\ No newline at end of file
+*全文索引（Full-Text Index）对于需要在大型文档集合中进行快速、复杂文本搜索的应用至关重要。*
\ No newline at end of file