redshift

Redshift 技能

通过 AWS Data API 以只读方式探索 Redshift 并进行业务分析。支持预置集群和 Redshift Serverless。跨平台（Mac + Windows）。适用于任何 AI 编码 Agent。

所有脚本都位于 ${CLAUDE_SKILL_DIR}/scripts/，只需要 Python 3 + AWS CLI。

Python 命令

读取 ~/.redshift-skill/config.json，并使用 "python" 键指定的 Python 命令。 如果配置文件尚不存在，请先尝试 python3 --version，失败时再尝试 python --version。 本文档中的 PYTHON 均指检测到的 Python 命令。

首次设置

你无法直接运行设置向导——它需要在交互式终端中输入。

检查 ~/.redshift-skill/config.json 是否存在：

• **如果存在：**读取该文件以确认连接详情。
• **如果不存在：**告诉用户在终端中运行设置向导：

在终端中运行以下命令以配置 Redshift 连接：

python3 scripts/setup.py

（在 Windows 上，请使用 python 代替 python3）

在用户确认设置完成之前，不要运行任何查询。

连接选择

此技能支持多个命名连接（例如，每个 AWS 账户对应一个连接）。配置结构：

{
  "default": "prod",
  "connections": {
    "prod": { "profile": "...", "region": "eu-west-1", "workgroup": "...", "database": "dev" },
    "other": { "profile": "...", "region": "eu-west-1", "cluster": "...", "db_user": "...", "database": "main" }
  },
  "python": "/usr/bin/python3"
}

• 每个脚本都接受 --connection NAME；如果未指定，则使用 default 连接。
• 列出连接：PYTHON /Users/dobo/.claude/skills/redshift/scripts/setup.py --list
• 切换默认连接：PYTHON /Users/dobo/.claude/skills/redshift/scripts/setup.py --set-default NAME
• 移除连接：PYTHON /Users/dobo/.claude/skills/redshift/scripts/setup.py --remove NAME
• 添加连接：重新运行 setup.py（交互式——请用户运行）；程序会询问名称，并保留其他连接。
• 命名连接功能推出前的配置（字段位于顶层）会被读取为一个名为 main 的连接。

当用户提到账户、集群或项目时，将其映射到匹配的连接，并在每次调用时传入 --connection NAME。否则使用默认连接，并说明使用的是哪个连接。

快速参考

任务	脚本	使用场景	关键参数
运行 SQL	query.py	执行任意只读查询	"SELECT ..." 或 --sql-file=PATH
列出架构	schemas.py	入门起点——查看有哪些架构
列出表	tables.py	浏览表，并在查询前检查行数和大小	--schema=NAME
列出列	columns.py	了解列类型、编码、分布键/排序键	--schema=NAME --table=NAME
表 DDL	ddl.py	获取完整的 CREATE TABLE 定义，包括编码、分布键和排序键	--schema=NAME --name=NAME
视图 DDL	ddl.py	获取 CREATE VIEW 定义	--type=view --schema=NAME --name=NAME
架构 DDL	ddl.py	获取带授权信息的 CREATE SCHEMA 语句	--type=schema [--name=NAME]
数据库 DDL	ddl.py	获取 CREATE DATABASE 语句	--type=database
UDF DDL	ddl.py	获取函数定义（SQL + Python）	--type=udf [--schema=NAME]
外部 DDL	ddl.py	获取 Spectrum 外部表 DDL	--type=external [--schema=NAME]
用户组 DDL	ddl.py	获取用户组定义	--type=group
表元数据	table_info.py	在编写大型查询前检查大小、行数、数据倾斜和编码	--schema=NAME --table=NAME
搜索对象	search.py	不知道确切名称时查找表或列	--pattern=TEXT
采样数据	sample.py	快速查看实际值——编写查询前务必执行此操作	--schema=NAME --table=NAME
磁盘用量	space.py	找出最大的表并识别存储问题	[--schema=NAME] [--top=N]
数据概况	profile.py	按列统计数据（空值、基数、最小值/最大值/平均值）	--schema=NAME --table=NAME
本地分析	analyze.py	在本地分析保存的结果，无需访问 Redshift	FILE --describe

通用选项（适用于所有 Redshift 脚本）

选项	说明
--format=txt|csv|json	终端显示格式（默认：txt）
--save-format=txt|csv|json	文件保存格式（默认：csv）
--save=PATH	保存到指定文件路径
--no-save	不自动保存到 ~/redshift-exports/
--save-sql	将 SQL 查询与结果一同保存为 .sql 文件
--sql-file=PATH	从文件读取 SQL（仅限 query.py）
--connection=NAME	从 ~/.redshift-skill/config.json 中选择已命名的连接（默认使用已保存的 default）
--profile=NAME	覆盖 AWS 配置文件
--cluster=NAME	覆盖集群（预置集群）
--workgroup=NAME	覆盖工作组（无服务器）
--database=NAME	覆盖数据库
--db-user=NAME	覆盖数据库用户（仅限预置集群）
--timeout=N	最长等待秒数（默认：120）
--max-rows=N	最多获取行数（默认：1000）

输出与文件保存

所有查询结果都会自动保存到 ~/redshift-exports/query-{timestamp}.csv。 终端会显示对齐的 txt 格式预览（前 200 行）。保存文件默认采用 CSV 格式，以便与电子表格兼容。

这意味着你始终可以获得：

• 内联预览（txt 格式的 200 行）——足以了解数据结构并回答快速问题
• 磁盘上的完整 CSV 文件——用于通过 analyze.py 进行深入分析，或供用户在电子表格中打开

--format 控制终端显示格式（默认：txt）。--save-format 控制保存文件格式（默认：csv）。使用 --save-sql 还可将 SQL 查询另存为对应的 .sql 文件。使用 --no-save 可跳过自动保存。使用 --save=PATH 可保存到指定位置。

---

防护措施

这些规则可保护集群免受高开销查询的影响。请遵循这些规则，但也要灵活判断。如果用户明确要求执行可能违反规则的操作，请说明其中的权衡；在用户确认后继续操作。

• 绝不对超过 10K 行的表使用 SELECT *——此工具用于探索和分析，而非导出数据。请改用聚合、筛选或 sample.py。对于较小的表，使用 SELECT * 没问题。
• 探索不熟悉的表时，始终添加 LIMIT（默认 LIMIT 为 100）。
• 先检查行数——编写查询前，先运行 tables.py --schema=X，了解数据情况。
• 大型表优先使用聚合——使用带 GROUP BY 的 COUNT、SUM、AVG，而不是提取原始行。对于小型表，以及探索或了解数据时，直接使用原始数据完全没问题。
• 超大型事实表应按排序键筛选——尤其是在按特定时间段筛选按日期/时间戳排序的表时。Redshift 会使用区域映射跳过数据块，因此日期范围筛选效率很高。并非严格要求，但对于超过 100M 行的表，强烈建议这样做。
• 可以使用联接——只要联接条件正确，并且对结果进行适当聚合或筛选，Redshift 就能很好地处理大型表联接。风险不在联接本身，而在于从联接结果中返回不受限制的原始数据。
• 避免意外的交叉联接——除非确实需要笛卡尔积（例如按设计展开数据），否则始终添加 ON/USING。
• 探索时，优先使用 LIMIT + ORDER BY，而非不受限制的查询。

规模参考：

表大小	方法
<10K 行	可自由探索，使用 SELECT * 没问题
10K–1M 行	添加 WHERE 或 LIMIT；查询整张表时优先使用聚合
>1M 行	始终进行聚合或筛选，绝不使用 SELECT *；大型事实表应使用排序键筛选

---

SQL 规范

你编写的每条 SQL 查询都必须遵循以下规则：

始终为 SQL 添加注释

说明业务意图，而不只是操作方式。对于复杂查询，请使用分节标题。

始终向用户展示 SQL

• 短查询（<10 行）： 在内联内容中展示完整 SQL，并添加注释
• 长查询（>10 行）： 保存到 ~/redshift-exports/query-{timestamp}.sql，在内联内容中展示关键部分，并引用保存的文件

对复杂查询使用 --sql-file

对于较长的 SQL，先将其写入文件，再使用 --sql-file 执行：

PYTHON ${CLAUDE_SKILL_DIR}/scripts/query.py --sql-file=~/redshift-exports/my_query.sql

提示 — 无需在 LLM 上下文中读写，即可内联多行 SQL： 如果需要在一次 Bash 调用中写入 SQL 文件并运行查询：

Mac/Linux — heredoc：

cat > "/path/to/query.sql" << 'EOSQL'
-- Your SQL here
SELECT ...
EOSQL
PYTHON ${CLAUDE_SKILL_DIR}/scripts/query.py --sql-file="/path/to/query.sql" --save="/path/to/results.csv" --save-sql

'EOSQL' 引号可防止 Shell 变量在 SQL 中展开。

跨平台 — Python：

PYTHON -c "
sql = '''
-- Your SQL here
SELECT ...
'''
open('/path/to/query.sql', 'w').write(sql.strip())
"
PYTHON ${CLAUDE_SKILL_DIR}/scripts/query.py --sql-file="/path/to/query.sql" --save="/path/to/results.csv" --save-sql

提示 — 通过替换值重复使用 SQL 文件： 如果已有 SQL 文件，只需更改特定值（例如将滚动日期向后推一周），可以使用单行命令替换，而不必在 LLM 上下文中重写整个文件：

Mac/Linux — sed：

sed "s/2026-03-15/2026-03-22/g; s/2026-03-21/2026-03-28/g" original_query.sql > query.sql

跨平台 — Python：

PYTHON -c "open('query.sql','w').write(open('original_query.sql').read().replace('2026-03-15','2026-03-22').replace('2026-03-21','2026-03-28'))"

然后执行：

PYTHON ${CLAUDE_SKILL_DIR}/scripts/query.py --sql-file=query.sql --save="/path/to/results.csv" --save-sql

对于需要进行多处替换的模板，可以使用 {{WC_START}} 之类的命名占位符，而不是具体日期。

格式规范

------------------------------------------------------------------------------------------------------------------------
-- Monthly revenue by region
-- Purpose: Aggregate order line items by region for the last 12 months
-- Filters: Excludes cancelled orders and zero-quantity items
------------------------------------------------------------------------------------------------------------------------
WITH monthly_revenue AS (
    SELECT  r.region_name,                                                           -- region dimension
            DATE_TRUNC('month', o.order_date) :: DATE                                AS month_nk,
            SUM(o.quantity)                                                          AS total_quantity,
            SUM(o.line_total)                                                        AS total_revenue,
            SUM(o.margin)                                                            AS total_margin,
            COUNT(DISTINCT o.customer_id)                                            AS unique_customers
    FROM    sales.fact_order_lines o
    JOIN    sales.dim_regions r                     USING (region_id)
    WHERE   o.order_date >= DATEADD(month, -12, CURRENT_DATE)
            AND o.quantity > 0
            AND o.order_status <> 'cancelled'
    GROUP   BY 1, 2
)
SELECT  region_name,
        month_nk,
        total_quantity,
        total_revenue,
        total_margin,
        unique_customers,
        -- margin percentage
        ROUND(total_margin / NULLIF(total_revenue, 0) * 100, 2)                     AS margin_pct
FROM    monthly_revenue
ORDER   BY region_name, month_nk

主要格式规则：

• 在查询上方使用 -- 短划线作为分节标题
• SELECT、FROM、JOIN、WHERE、GROUP BY、ORDER BY 左对齐
• 每行一个列——绝不将多个列写在同一行。每个列表达式都应独占一行，并包含其 AS 别名。
• 列别名中的 AS 应对齐到统一的列位置
• 对不明显的业务逻辑添加行内注释
• CTE 名称应描述业务概念，而不是技术操作

充分添加注释

每个查询都必须包含解释原因的注释，而不只是说明内容。应将 SQL 视作文档，以便下一位阅读它的人（或下一个 Agent）理解。

• 每个查询顶部的标题块：用途、数据源、关键假设、参数
• 逻辑块之间的分节符（由短划线 -- 组成的行），例如实际值、预算、透视 CTE 之间
• 为不明显的表达式添加行内注释，例如客户估算公式、业务规则、筛选条件的原因
• 添加 CTE 级注释，说明每个 CTE 生成的内容，以及将其作为独立步骤的原因

------------------------------------------------------------------------------------------------------------------------
-- Weekly Sales Scorecard
-- Purpose: Core trading metrics with TY/LP/LY comparisons and BU/LV variances
-- Source:  fact_basket_items (actuals), fact_commercial_budget_all (BU)
-- Params:  Change the date in the periods CTE to set the reporting period
-- Notes:
--   - Customer estimation done per channel first, then summed to total
--   - BU/LV only have sales and margin — derivative ratios are actuals-only
------------------------------------------------------------------------------------------------------------------------

------------------------------------------------------------------------------------------------------------------------
-- ACTUALS: per channel for correct customer estimation
------------------------------------------------------------------------------------------------------------------------

利用 Redshift 别名重用

Redshift 允许在同一个 SELECT 中引用后续使用的列别名。利用这一点，避免为派生列创建不必要的中间 CTE。

应这样做——在单个 SELECT 中重用别名：

SELECT  SUM(quantity)                              AS volume,
        COUNT(DISTINCT basket_sk)                  AS orders,
        1.0 * volume / NULLIF(orders, 0)           AS ipb
FROM    fact_basket_items

不要这样做——仅为计算派生列而额外创建 CTE：

-- BAD: extra CTE only needed because standard SQL can't reuse aliases
base AS (
    SELECT SUM(quantity) AS volume, COUNT(DISTINCT basket_sk) AS orders
    FROM   fact_basket_items
)
SELECT volume, orders, 1.0 * volume / NULLIF(orders, 0) AS ipb
FROM   base

这适用于所有派生列：比率、差异、客户估算、利润率等。如果某个 CTE 的唯一作用是引用上一步中的别名，就应将其合并到来源 SELECT 中。

使用 GROUP BY ALL 或位置式 GROUP BY

Redshift 支持 GROUP BY ALL（按 SELECT 中所有非聚合列分组）和位置式 GROUP BY 1, 2, 3。优先使用这些方式，而不是在 GROUP BY 子句中重复冗长的 CASE 表达式。

应这样做：

SELECT  dp.period_name,
        f.country_sk,
        CASE WHEN ps.composite_rnk <= 100 THEN 'Top 100 SKUs'
             ELSE 'Other SKUs' END                              AS sku_segment,
        SUM(f.revenue_excl_vat_all_gbp)                         AS sales
FROM    ...
GROUP BY ALL

不要这样做——在 GROUP BY 中重复 CASE 表达式：

GROUP BY dp.period_name, f.country_sk,
         CASE WHEN ps.composite_rnk <= 100 THEN 'Top 100 SKUs' ELSE 'Other SKUs' END

当所有非聚合列都应参与分组时，使用 GROUP BY ALL。当需要对特定位置使用 ROLLUP 或 GROUPING SETS 时，使用 GROUP BY 1, 2, 3。使用 ROLLUP 时，位置引用最清晰：GROUP BY ROLLUP(1, 2), 3。

---

架构探索工作流

探索陌生架构时，采用循序渐进的方法。不必严格遵循此顺序——如果用户的意图明确具体，可以直接跳到相关步骤。尽可能并行执行各步骤。

1. 了解整体情况 — schemas.py → 查看有哪些架构
2. 浏览表 — tables.py --schema=X → 查看行数和大小
3. 了解结构 — columns.py --schema=X --table=Y → 查看列类型和键
4. 检查元数据 — table_info.py → 查看分布、排序键和未排序百分比
5. 先抽样 — sample.py --limit=5 → 查看实际数据值
6. 按需分析 — profile.py → 查看每列的空值、基数、最小值和最大值
7. 编写有针对性的查询 — 现在你已掌握足够信息，可以编写安全、高效的 SQL
8. 在本地分析 — 使用 analyze.py 分析保存的结果，以便后续跟进

快捷方式： 如果用户问“上个月有多少订单？”，不必运行 6 个探索脚本。查看表大小、编写查询并运行即可。

---

业务分析工作流

以下是处理常见业务问题的思路。像产品分析师、商业分析师或 BI 开发人员一样思考。

了解业务表现

1. 从核心指标入手 — 该时段的总收入、订单数、客户数
2. 按维度细分 — 时间（日／周／月）、地区、渠道、产品类别
3. 比较不同时段 — 本月与上月、本年与去年、与去年同期比较
4. 找出异常值 — 哪些细分群体明显高于或低于预期？

根因分析

当出现异常时（“上周收入下降了 15%”）：

1. 确认异常 — 异常是否真实？检查数据源，并与其他指标比较
2. 拆解指标 — 是数量（订单减少）还是金额（平均订单金额下降）导致的？
3. 按维度切分 — 哪个地区／渠道／类别导致了变化？
4. 深入分析异常细分 — 该细分发生了什么变化？新产品？定价？库存问题？
5. 关联事件 — 促销开始／结束、价格变化、缺货、季节性因素

常见分析模式

模式	方法	SQL 结构
趋势分析	跟踪指标随时间的变化	GROUP BY date/month + SUM/COUNT，比较同比／环比
同期群分析	按首次购买分组，跟踪留存	按客户计算 MIN(order_date)，然后回连
分布分析	了解数值的分布情况	NTILE(100)、百分位数，在本地使用 analyze.py --hist
前／后 N 名	表现最佳和最差的对象	ORDER BY metric DESC LIMIT N
同比比较	年度增长比较	按日期偏移 1 年进行自连接，或使用 LAG() 窗口函数
漏斗分析	各步骤的转化情况	按步骤计算 COUNT(DISTINCT user_id)，计算流失率
贡献度／帕累托分析	哪些项目贡献了 80% 的收入	累计 SUM() OVER (ORDER BY ...)，找出达到 80% 的临界点
细分	按行为对实体分组	使用 CASE WHEN 或 NTILE 分桶，然后分析每个细分群体

---

脚本详情

query.py — 执行 SQL

运行任意只读 SQL 查询。可以将 SQL 作为命令行参数传入，也可以从文件读取。

PYTHON ${CLAUDE_SKILL_DIR}/scripts/query.py "SELECT count(1) FROM sales.fact_orders"
PYTHON ${CLAUDE_SKILL_DIR}/scripts/query.py --sql-file=~/redshift-exports/my_query.sql

count
-----
12500000
1 rows returned (1 total). Duration: 25ms
Results saved to: ~/redshift-exports/query-20260318_150505.csv

schemas.py — 列出架构

列出所有用户架构及其所有者。探索的起点。

PYTHON ${CLAUDE_SKILL_DIR}/scripts/schemas.py

schema_name   owner
-----------   ---------
public        admin
sales         etl_user
marketing     etl_user
...

tables.py — 列出表

列出架构中的表，并显示行数、大小、分布样式和排序键。编写查询前先运行此脚本，了解表的情况。

PYTHON ${CLAUDE_SKILL_DIR}/scripts/tables.py --schema=sales

table_name       row_count   size_mb  diststyle  sortkey1     unsorted  pct_used
--------------   ----------  -------  ---------  ----------   --------  --------
dim_customers    250000      120      ALL        customer_id  0.00      0.0100
dim_products     15000       48       ALL        product_id   0.00      0.0000
fact_orders      85000000    45000    KEY(...)   order_date   12.50     5.8600
...

columns.py — 列出列

显示列名、数据类型、编码、分布键和排序键位置。适用于表、视图和延迟绑定视图。

PYTHON ${CLAUDE_SKILL_DIR}/scripts/columns.py --schema=sales --table=fact_orders

pos  column_name    data_type          max_len  encoding  distkey  sortkey
---  -------------  -----------------  -------  --------  -------  -------
1    order_id       CHARACTER VARYING  200      lzo       False    0
2    order_date     DATE                        az64      False    1
3    customer_id    CHARACTER VARYING  200      lzo       True     0
...

ddl.py — 生成 DDL

为 7 种对象类型生成 DDL。完整的 CREATE TABLE 定义包含编码、分布键、排序键、约束、注释和所有权。

PYTHON ${CLAUDE_SKILL_DIR}/scripts/ddl.py --schema=sales --name=fact_orders
PYTHON ${CLAUDE_SKILL_DIR}/scripts/ddl.py --type=view --schema=sales --name=v_daily_revenue
PYTHON ${CLAUDE_SKILL_DIR}/scripts/ddl.py --type=schema --name=sales
PYTHON ${CLAUDE_SKILL_DIR}/scripts/ddl.py --type=database
PYTHON ${CLAUDE_SKILL_DIR}/scripts/ddl.py --type=udf --schema=public
PYTHON ${CLAUDE_SKILL_DIR}/scripts/ddl.py --type=group

table_info.py — 表元数据

单个表的详细统计信息：大小、行数、分布偏斜、编码、排序键性能。

PYTHON ${CLAUDE_SKILL_DIR}/scripts/table_info.py --schema=sales --table=fact_orders

tablename          row_count   size_mb  pct_used  diststyle     sortkey1    unsorted  stats_off
-----------------  ----------  -------  --------  -----------   ----------  --------  ---------
sales.fact_orders  85000000    45000    5.8600    KEY(cust_id)  order_date  12.50     0.00

search.py — 搜索对象

按名称模式查找表或列（不区分大小写）。当你不知道确切名称时很有用。

PYTHON ${CLAUDE_SKILL_DIR}/scripts/search.py --pattern=order
PYTHON ${CLAUDE_SKILL_DIR}/scripts/search.py --pattern=revenue --type=column

sample.py — 样本数据

快速查看实际行数据。编写复杂查询前务必先执行此操作——这有助于你了解列值、格式和可空性。

PYTHON ${CLAUDE_SKILL_DIR}/scripts/sample.py --schema=sales --table=dim_customers --limit=5

space.py — 磁盘使用情况

查找最大的表，可按架构筛选。

PYTHON ${CLAUDE_SKILL_DIR}/scripts/space.py --schema=sales --top=5

schemaname  tablename         size_mb  row_count   pct_used
----------  ----------------  -------  ----------  --------
sales       fact_orders       45000    85000000    5.8600
sales       fact_line_items   32000    420000000   4.1700
...

profile.py — 数据分析（通过 Redshift）

运行单个 Redshift 查询，计算每列的统计信息。在分析前了解数据质量时很有用。

PYTHON ${CLAUDE_SKILL_DIR}/scripts/profile.py --schema=sales --table=dim_customers

column_name     data_type          total_rows  null_count  null_pct  distinct_count  min_val    max_val    avg_val
--------------  -----------------  ----------  ----------  --------  --------------  ---------  ---------  -------
customer_id     CHARACTER VARYING  250000      0           0.0       250000          C0001      C250000
customer_name   CHARACTER VARYING  250000      12          0.0       249500          Aaron      Zoe
signup_date     DATE               250000      0           0.0       3650            2015-01-01 2025-12-31
lifetime_value  NUMERIC            250000      1500        0.6       48000           0.00       125000.00  2340.50

analyze.py — 本地分析（不使用 Redshift）

在本地分析之前保存的 CSV/JSON 文件。无需网络访问——适合后续分析，避免再次访问集群。

PYTHON ${CLAUDE_SKILL_DIR}/scripts/analyze.py ~/redshift-exports/query-*.csv --describe
PYTHON ${CLAUDE_SKILL_DIR}/scripts/analyze.py data.csv --sum=revenue
PYTHON ${CLAUDE_SKILL_DIR}/scripts/analyze.py data.csv --group-by=region --sum=sales
PYTHON ${CLAUDE_SKILL_DIR}/scripts/analyze.py data.csv --filter='year=2024' --sort=amount --desc --top=10
PYTHON ${CLAUDE_SKILL_DIR}/scripts/analyze.py data.csv --hist=price

可用操作：--count、--describe、--sum=COL、--avg=COL、--min=COL、--max=COL、--median=COL、--group-by=COL、--filter=EXPR、--sort=COL、--desc、--top=N、--hist=COL

---

只读防护措施

两层保护：

1. 你必须验证——将任何 SQL 传递给 query.py 之前，请确认第一个关键字在允许列表中。如果用户要求运行会修改数据的查询，请拒绝并说明原因。

2. lib/client.py 会强制执行——脚本本身会在 SQL 到达 AWS 之前拒绝不在允许列表中的 SQL。这是一项无法绕过的硬性防护措施。

允许： SELECT、WITH、SHOW、DESCRIBE、EXPLAIN、SET

禁止： CREATE、ALTER、DROP、TRUNCATE、INSERT、UPDATE、DELETE、MERGE、COPY、UNLOAD、GRANT、REVOKE、CALL、EXECUTE、VACUUM、ANALYZE

多语句查询（; 后跟另一条语句）也会被阻止。

---

内置 SQL

该技能随附从 amazon-redshift-utils 管理视图中提取的 SQL，位于 ${CLAUDE_SKILL_DIR}/scripts/sql/。这些 SQL 可直接查询系统目录——无需管理架构。ddl.py 使用它们生成完整 DDL，包括分布键、排序键、编码、约束和注释。

高级 SQL 模板

通过 query.py 进行临时探索：

查询历史记录（最近 20 条）：

SELECT query, TRIM(querytxt) AS sql, starttime, endtime,
       DATEDIFF(ms, starttime, endtime) AS duration_ms
FROM stl_query WHERE userid > 1
ORDER BY starttime DESC LIMIT 20

正在运行的查询：

SELECT user_name, db_name, query, pid, starttime, duration, status
FROM stv_recents WHERE status = 'Running'
ORDER BY starttime DESC

表依赖关系（外键关系）：

SELECT n1.nspname || '.' || c1.relname AS source_table,
       n2.nspname || '.' || c2.relname AS referenced_table,
       con.conname AS constraint_name
FROM pg_constraint con
JOIN pg_class c1 ON con.conrelid = c1.oid
JOIN pg_namespace n1 ON c1.relnamespace = n1.oid
JOIN pg_class c2 ON con.confrelid = c2.oid
JOIN pg_namespace n2 ON c2.relnamespace = n2.oid
WHERE con.contype = 'f'
ORDER BY source_table