AI Translate 01-dee to Simplified-Chinese

.translation-init

@@ -1 +1 @@
-Translation initialization: 2025-10-23T05:40:09.780391
+Translation initialization: 2025-10-23T15:42:46.376452

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）

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。