SQL Queries — Data Plugin

所属插件：Data · 来源：Anthropic knowledge-work-plugins · 兼容：Cowork + Claude Code

---

概述

SQL Queries 是 Data 插件中最核心的背景技能。它不是一个"教你写 SQL"的教程，而是一个多方言 SQL 专家参考——覆盖 PostgreSQL、Snowflake、BigQuery、Redshift、Databricks 五种主流数仓的语法差异、性能优化技巧和常见陷阱。当你在写查询、优化慢 SQL、在方言间翻译、或构建复杂分析查询时，它会自动激活。

与通用的 SQL 编辑器或 ORM 不同，这个技能理解数仓之间的根本差异——它知道 BigQuery 按字节计费所以应该避免 SELECT *，也知道 Snowflake 用 clustering keys 而不是传统索引。

---

基本信息

属性	值
技能名称	sql-queries
插件	Data
触发方式	自动（背景知识，无 slash 命令）
用户可调用	否（作为其他技能的背景知识）
官方源码	GitHub

触发短语

当出现以下场景时，技能自动激活：

• 写 SQL 查询（"帮我写个查询..."）
• 优化慢 SQL（"这个查询太慢了..."）
• 在方言间翻译（"把这个 Snowflake 查询改成 BigQuery..."）
• 构建复杂分析查询（CTEs、窗口函数、聚合）

---

架构设计

这个技能是一个纯背景知识技能——它不提供 slash 命令，而是作为 Data 插件中其他技能（如 explore-data、analyze）的知识底座。

┌─────────────────────────────────────────────────────────────────┐
│                      SQL QUERIES                                 │
├─────────────────────────────────────────────────────────────────┤
│  方言参考（5 种主流数仓）                                         │
│  ✓ PostgreSQL / Aurora / Supabase / Neon                        │
│  ✓ Snowflake                                                     │
│  ✓ BigQuery (Google Cloud)                                      │
│  ✓ Redshift (Amazon)                                            │
│  ✓ Databricks SQL                                               │
├─────────────────────────────────────────────────────────────────┤
│  通用模式库                                                      │
│  ✓ 窗口函数（排名、运行总计、LAG/LEAD）                          │
│  ✓ CTE 链式查询（可读性优化）                                     │
│  ✓ Cohort 留存分析                                               │
│  ✓ 漏斗分析                                                      │
│  ✓ 去重                                                          │
├─────────────────────────────────────────────────────────────────┤
│  调试与优化                                                      │
│  ✓ 方言特定陷阱                                                  │
│  ✓ EXPLAIN 计划解读                                              │
│  ✓ 性能优化清单                                                  │
└─────────────────────────────────────────────────────────────────┘

---

核心能力

1. 五方言参考

每个方言覆盖日期/时间、字符串、JSON/半结构化数据和性能优化。

日期/时间对比：

操作	PostgreSQL	Snowflake	BigQuery
当前时间	NOW()	CURRENT_TIMESTAMP()	CURRENT_TIMESTAMP()
加 7 天	+ INTERVAL '7 days'	DATEADD(day, 7, col)	DATE_ADD(col, INTERVAL 7 DAY)
截断到月	DATE_TRUNC('month', col)	DATE_TRUNC('month', col)	DATE_TRUNC(col, MONTH)
提取年份	EXTRACT(YEAR FROM col)	YEAR(col)	EXTRACT(YEAR FROM col)

字符串/JSON 对比：

操作	PostgreSQL	Snowflake	BigQuery
大小写不敏感匹配	ILIKE	ILIKE	LOWER(col) LIKE
JSON 字段访问	data->>'key'	data:key::STRING	JSON_QUERY(data, '$.key')
正则匹配	~ 'pattern'	REGEXP_LIKE(col, 'pattern')	REGEXP_CONTAINS(col, r'pattern')

2. 通用模式库

窗口函数：

-- 排名
ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY created_at DESC)
RANK() OVER (PARTITION BY category ORDER BY revenue DESC)

-- 运行总计
SUM(revenue) OVER (ORDER BY date_col
  ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) as running_total

-- 移动平均（7 天）
AVG(revenue) OVER (ORDER BY date_col
  ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) as moving_avg_7d

-- 前后对比
LAG(value, 1) OVER (PARTITION BY entity ORDER BY date_col) as prev_value
LEAD(value, 1) OVER (PARTITION BY entity ORDER BY date_col) as next_value

Cohort 留存分析：

WITH cohorts AS (
  SELECT user_id, DATE_TRUNC('month', first_activity) as cohort_month FROM users
),
activity AS (
  SELECT user_id, DATE_TRUNC('month', activity_date) as activity_month FROM user_activity
)
SELECT c.cohort_month, COUNT(DISTINCT c.user_id) as cohort_size,
  COUNT(DISTINCT CASE WHEN a.activity_month = c.cohort_month THEN a.user_id END) as month_0,
  COUNT(DISTINCT CASE WHEN a.activity_month = c.cohort_month + INTERVAL '1 month' THEN a.user_id END) as month_1
FROM cohorts c LEFT JOIN activity a ON c.user_id = a.user_id
GROUP BY c.cohort_month ORDER BY c.cohort_month;

漏斗分析：

WITH funnel AS (
  SELECT user_id,
    MAX(CASE WHEN event = 'page_view' THEN 1 ELSE 0 END) as step_1,
    MAX(CASE WHEN event = 'signup_start' THEN 1 ELSE 0 END) as step_2,
    MAX(CASE WHEN event = 'signup_complete' THEN 1 ELSE 0 END) as step_3
  FROM events WHERE event_date >= CURRENT_DATE - 30
  GROUP BY user_id
)
SELECT COUNT(*) as total,
  SUM(step_1) as viewed, SUM(step_2) as started, SUM(step_3) as completed,
  ROUND(100.0 * SUM(step_2) / NULLIF(SUM(step_1), 0), 1) as view_to_start_pct
FROM funnel;

3. 方言特定陷阱

问题	说明
BigQuery 无 ILIKE	使用 LOWER(col) LIKE '%pattern%'
PostgreSQL 引号大小写敏感	"ColumnName" 与 columnname 不同
Snowflake VARIANT 访问	使用冒号语法 data:key::TYPE
Redshift 缺少 PRIMARY KEY 约束	分布键和排序键才是性能关键
Databricks Delta Lake	支持 TIME TRAVEL 和 MERGE INTO

---

使用场景与案例

场景 1：方言翻译

输入：

帮我把这个 Snowflake 查询改成 BigQuery 版本。

输出：BigQuery 兼容的查询，自动替换 ILIKE 为 LOWER() LIKE、DATEADD 为 DATE_ADD、SPLIT_PART 为 SPLIT 等。

关键价值：不需要记住每种方言的细微差异，AI 自动处理语法转换。

场景 2：查询优化

输入：

这个查询跑得很慢，帮我看看怎么优化。

输出：分析查询计划，识别全表扫描、缺失索引、N+1 模式，给出具体优化建议和改写后的查询。

关键价值：AI 理解你的数仓类型（BigQuery 应减少扫描量，Snowflake 应利用 clustering keys），给出针对性的优化。

场景 3：复杂分析查询构建

输入：

帮我写一个用户留存 Cohort 分析查询，按注册月份分组，计算第 0、1、3 个月的留存率。

输出：完整的 CTE 链式查询，包含 cohorts 定义、活动匹配、留存率计算，适配你指定的方言。

关键价值：从自然语言到可执行查询，零手动编写。

---

与其他工具对比

维度	SQL Queries（本技能）	dbt	传统 SQL 编辑器	手动编写
方言支持	5 种内置	通过 adapter 支持	通常一种	需自行查阅文档
优化建议	上下文感知，理解数仓类型	仅模型层面	无	经验驱动
模式库	内置 Cohort/漏斗/去重	需自定义 macro	无	需自行积累
学习成本	自然语言描述即可	需学 dbt 语法	需熟悉界面	无
输出速度	秒级	分钟级（需编译）	手动编写	取决于复杂度

---

连接工具后的增强能力

连接的 MCP	分类	增强效果
Snowflake	数据仓库	直接查询数据、获取表结构、探查 schema
BigQuery	数据仓库	直接查询、预览查询成本、dry run
Databricks	数据平台	直接查询 Unity Catalog、Delta Lake 表

连接方式：在 Data 插件的 .mcp.json 中配置对应的 MCP 服务器。

---

最佳实践

1. 指定方言 — 描述问题时带上你的数仓类型（"在 BigQuery 上..."），AI 会使用对应的语法和优化策略
2. 提供表结构 — 粘贴 CREATE TABLE 语句或 DESCRIBE 输出，AI 能写出更准确的查询
3. 说明数据量级 — "这张表有 5 亿行"会让 AI 更注意性能优化
4. 先用 EXPLAIN — 让 AI 先分析查询计划再提优化建议，比凭空猜测更有效

---

参考链接

• Data Plugin 完整文档
• Anthropic 官方源码
• Standalone vs Supercharged