阿里云云原生数据仓库 AnalyticDB PostgreSQL 版对接使用完全指南

1. 产品概述：什么是云原生数据仓库 AnalyticDB PostgreSQL 版

云原生数据仓库 AnalyticDB PostgreSQL 版是阿里云推出的一款兼容 ANSI SQL 2003、PostgreSQL 和 Oracle 数据库生态的 MPP（大规模并行处理）数据仓库服务。它在 Greenplum 开源基础上深度优化演进，支持向量化计算，在 Multi-Master 架构下完整支持事务处理，对外接口完全兼容社区版 Greenplum。该产品具备高并发、高吞吐的在线分析能力，能够高效处理 PB 级离线数据，同时支持结构化和半结构化数据的混合分析。

作为一款云原生服务，AnalyticDB PostgreSQL 版不仅提供传统的数仓分析能力，还内置了丰富的 AI 功能，包括向量检索、一站式 RAG（检索增强生成）服务、企业知识库管理、文搜图与图搜图等解决方案，帮助企业快速构建 Data+AI 应用。其核心优势在于将数据仓库的规模化数据分析能力与 AI 时代的向量检索能力深度融合，让用户在一个平台上完成从数据存储、分析到智能应用构建的全链路工作。

在生态集成方面，AnalyticDB PostgreSQL 版支持 JDBC、ODBC 和 libpq 作为客户端接口，任何通过这些标准接口连接的工具或应用都可以与其协同工作。同时，产品提供了丰富的工具生态支持，涵盖数据开发管理（DMS、DataWorks、Dataphin）、BI 可视化（Quick BI、Tableau、QlikView、FineBI）、流处理（Flink、DataHub）、ETL（DataStage、Informatica、Kettle）、数据迁移（DTS、DataX、OGG）、日志采集（Logstash、Kafka）以及大数据生态（Hadoop、MaxCompute）等。

需要先登录阿里云控制台，点击：阿里云控制台

2. 准备工作：实例创建与连接信息获取

在开始对接 AnalyticDB PostgreSQL 版之前，需要完成实例的创建与基础配置。首先登录阿里云控制台，进入云原生数据仓库 AnalyticDB PostgreSQL 版产品页面，按照指引创建实例。创建时需要选择地域、实例规格（存储弹性模式或 Serverless 模式）、存储类型等参数。实例创建完成后，系统会分配一个内网地址和一个可选的公网地址，格式通常为 xxxxxxxxxxxxxxxxxxxxx.gpdb.rds.aliyuncs.com。

连接数据库需要获取以下关键信息：数据库地址（内网或外网）、端口（默认为 5432）、数据库名称、Schema 名称以及登录用户名和密码。这些信息均可在控制台的实例详情页中找到。如果是通过 VPC 内网连接，还需要确保客户端所在的 ECS 或服务与 AnalyticDB PostgreSQL 版实例位于同一 VPC 下。

安全方面，AnalyticDB PostgreSQL 版采用白名单机制控制访问来源。您需要在控制台的白名单设置中，将客户端的 IP 地址或 IP 地址段添加到白名单中，否则任何连接请求都会被拒绝。对于 VPC 内网访问，还需确保安全组规则允许相应的端口通信。如果是通过 Quick BI 等云产品对接，需要将对应产品的 IP 地址段也加入白名单。

3. 标准接口连接：JDBC、ODBC 与 libpq

AnalyticDB PostgreSQL 版兼容 PostgreSQL 有线协议，因此可以使用标准的 PostgreSQL 系列客户端工具和驱动进行连接。最常用的方式是 JDBC 和 Python 的 psycopg2 库。

3.1 JDBC 连接示例

AnalyticDB PostgreSQL 版支持使用 PostgreSQL 或 Greenplum 的 JDBC 驱动包连接。对于 7.0 版本实例，需要 JDBC V42.2.0 及以上版本。以下是一个完整的 JDBC 连接示例：

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.Statement;

public class ADBPGConnection {
    public static void main(String[] args) {
        String host = "your-instance.gpdb.rds.aliyuncs.com";
        int port = 5432;
        String database = "your_database";
        String user = "your_username";
        String password = "your_password";
        String url = String.format(
            "jdbc:postgresql://%s:%d/%s",
            host, port, database
        );
        
        try (Connection conn = DriverManager.getConnection(url, user, password);
             Statement stmt = conn.createStatement();
             ResultSet rs = stmt.executeQuery("SELECT version()")) {
            
            if (rs.next()) {
                System.out.println("Database version: " + rs.getString(1));
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

在实际生产环境中，建议将敏感凭证（用户名、密码、连接地址）通过环境变量或配置中心管理，避免硬编码在代码中。

3.2 Python psycopg2 连接示例

Python 开发者可以使用 psycopg2 库连接 AnalyticDB PostgreSQL 版。以下是一个简单的连接与查询示例：

import os
import psycopg2

conn = psycopg2.connect(
    host=os.environ.get("ADBPG_HOST", "your-instance.gpdb.rds.aliyuncs.com"),
    port=os.environ.get("ADBPG_PORT", 5432),
    database=os.environ.get("ADBPG_DATABASE", "your_database"),
    user=os.environ.get("ADBPG_USER", "your_username"),
    password=os.environ.get("ADBPG_PASSWORD", "your_password")
)

cur = conn.cursor()
cur.execute("SELECT gp_segment_id, count(*) FROM your_table GROUP BY gp_segment_id")
rows = cur.fetchall()
for row in rows:
    print(f"Segment {row[0]}: {row[1]} rows")

cur.close()
conn.close()

使用环境变量存储凭证是安全最佳实践。通过 gp_segment_id 可以查看数据在各个计算节点上的分布情况，有助于判断是否存在数据倾斜。

3.3 ODBC 与 libpq

除了 JDBC 和 Python，AnalyticDB PostgreSQL 版还支持 ODBC 和 libpq 标准接口。ODBC 驱动可用于 Excel、Access 等桌面工具以及各类支持 ODBC 的 ETL 工具。libpq 是 PostgreSQL 的 C 语言客户端库，适合需要高性能底层访问的场景。任何支持这些标准接口的工具或应用都可以直接对接 AnalyticDB PostgreSQL 版。

4. BI 工具对接：Quick BI 与 Tableau 等

AnalyticDB PostgreSQL 版与主流 BI 工具有着良好的集成生态。Quick BI 作为阿里云自研的 BI 平台，支持以公网或阿里云 VPC 两种方式连接 AnalyticDB PostgreSQL 版数据源。在 Quick BI 中，进入数据源管理页面，选择阿里云数据库页签下的 AnalyticDB PostgreSQL 版，填写显示名称、数据库地址、端口、数据库名、Schema、用户名和密码即可完成配置。如果使用 VPC 数据源，还需填写购买者 AccessKey ID 和 AccessKey Secret，并确保该账号具备目标实例的 Read 权限。

Tableau、QlikView、FineBI 等第三方 BI 工具同样可以通过 JDBC 或 ODBC 驱动连接 AnalyticDB PostgreSQL 版。以 Tableau 为例，下载 PostgreSQL JDBC 驱动后，在 Tableau 中新建 PostgreSQL 数据源，填写服务器地址、端口、数据库、用户名和密码即可建立连接。对于需要处理大规模数据集的场景，建议使用 VPC 内网连接以降低网络延迟和流量费用。

在 BI 对接过程中，如果遇到连接失败，首先检查白名单是否正确添加了 BI 工具所在服务器的 IP 地址。对于 Quick BI，需要将 Quick BI 的 IP 地址段加入白名单。其次确认数据库账号是否有足够的权限访问目标 Schema 和表。对于 VPC 数据源，还需确认 AccessKey 是否具备相应的权限。

5. 数据开发与调度：DataWorks 集成

DataWorks 是阿里云的一站式数据开发与治理平台，与 AnalyticDB PostgreSQL 版有着深度集成。通过 DataWorks，用户可以完成 AnalyticDB PostgreSQL 版任务的开发、周期性调度以及与其他作业的整合操作。

5.1 绑定计算资源

使用 DataWorks 开发 AnalyticDB PostgreSQL 版任务前，需要先将 AnalyticDB PostgreSQL 版实例绑定为 DataWorks 的计算资源。绑定后，系统会自动在当前工作空间的数据源中同步创建一个同名的 AnalyticDB PostgreSQL 版数据源。绑定操作在 DataWorks 控制台的数据源管理页面完成，需要填写实例的连接信息、数据库名称和账号密码。

5.2 创建 AnalyticDB PostgreSQL 节点

完成计算资源绑定后，即可在 DataWorks 的数据开发（DataStudio）中创建 AnalyticDB PostgreSQL 节点。操作路径为：登录 DataWorks 控制台，切换至目标地域，选择对应工作空间后进入数据开发页面。在目标业务流程上右键选择新建节点，选择 AnalyticDB PostgreSQL 节点，输入节点名称即可完成创建。节点创建后，用户可以在代码编辑区编写符合 PostgreSQL 语法的 SQL 语句。

5.3 任务调度与调试

DataWorks 支持对 AnalyticDB PostgreSQL 节点配置调度属性，实现周期性执行。在节点编辑页面右侧的调度配置中，可以设置调度周期、重跑属性、依赖的上游节点等。配置完成后，可以通过工具栏的调试功能运行任务，查看执行结果是否符合预期。对于使用调度参数变量的任务，可以在调试时为变量赋值。

DataWorks 数据集成还支持 AnalyticDB PostgreSQL 版与其他数据源之间的双向数据同步。配置好数据源后，可以通过向导模式或脚本模式配置同步任务，完成数据从源端到 AnalyticDB PostgreSQL 版的导入，或反向导出。数据集成支持增量同步，通过配置增量同步策略，可以灵活地将变化的数据同步到目标表。

6. 数据迁移与同步：DTS 数据传输服务

数据传输服务 DTS（Data Transmission Service）是阿里云提供的数据迁移与同步服务，支持将多种数据源的数据迁移或同步至 AnalyticDB PostgreSQL 版。DTS 支持全量数据迁移、增量数据迁移以及全量+增量迁移三种模式。

6.1 RDS MySQL 同步至 AnalyticDB PostgreSQL 版

DTS 支持将 RDS MySQL 实例的数据同步至 AnalyticDB PostgreSQL 版。配置流程包括：在 DTS 控制台创建同步任务，选择源库（RDS MySQL）和目标库（AnalyticDB PostgreSQL 版），配置同步对象（库、表级别），选择同步类型（全量初始化+增量同步），完成预检查后启动任务。对于增量同步，DTS 要求源库的 Binlog 日志保存足够长的时间。

6.2 自建 PostgreSQL 迁移至 AnalyticDB PostgreSQL 版

自建 PostgreSQL 数据库可以通过 DTS 迁移至 AnalyticDB PostgreSQL 版。迁移前需要确保目标 AnalyticDB PostgreSQL 版实例已创建。在 DTS 中配置源库信息（自建 PostgreSQL 的连接地址、端口、账号、密码）和目标库信息，选择迁移对象后启动任务。如果源库启用了逻辑复制，DTS 还可以捕获增量变更，实现近实时的数据同步。

6.3 AnalyticDB PostgreSQL 版实例间的数据迁移

对于同账号下 AnalyticDB PostgreSQL 版实例之间的数据迁移，目前仅支持数据迁移，不支持数据同步。迁移过程中如果业务不暂停，可能会对性能产生一定影响，且迁移速度会降低，因此强烈建议在业务停写的情况下进行迁移。迁移对网络连通性有要求，建议源端和目标端实例在同一 VPC 下。目标实例的 Segment 节点数量应大于或等于源集群的节点数量。迁移完成后，实例会自动执行 ANALYZE 收集统计信息。

对于从 Amazon Redshift 迁移至 AnalyticDB PostgreSQL 版，可以通过阿里云在线迁移服务或 ossimport 迁移工具完成。迁移流程包括 DDL 转换、数据导出到 OSS、再从 OSS 导入 AnalyticDB PostgreSQL 版。

7. 实时数据写入：Flink 对接

阿里云 Realtime Compute for Apache Flink 支持通过 AnalyticDB PostgreSQL 版连接器将实时数据写入 AnalyticDB PostgreSQL 版。该功能暂不支持 Serverless 模式，且需要 Flink Realtime Compute 引擎 VVR 6.0.0 及以上版本。对于 7.0 版本实例，需要 VVR 8.0.1 及以上版本。

7.1 前置条件

使用 Flink 写入 AnalyticDB PostgreSQL 版需要满足以下条件：已创建 Flink 全托管工作空间；已创建 AnalyticDB PostgreSQL 版实例；AnalyticDB PostgreSQL 版实例和 Flink 全托管工作空间位于同一 VPC 下。

7.2 配置步骤

首先将 Flink 工作空间所属的网段加入 AnalyticDB PostgreSQL 版的白名单。然后在 AnalyticDB PostgreSQL 版实例中创建目标表，建表 SQL 示例如下：

CREATE TABLE test_adbpg_table (
    b1 int,
    b2 int,
    b3 text,
    PRIMARY KEY(b1)
);

接下来在 Flink 控制台的数据连接页面，上传 AnalyticDB PostgreSQL 版自定义 Connector 的 JAR 包。JAR 包的版本需要与 Flink 引擎版本一致。上传完成后，系统会自动解析连接器内容。最后创建 Flink 作业，在作业中配置 source 和 sink，将实时数据流写入 AnalyticDB PostgreSQL 版。

8. 数据导入的多种方式

AnalyticDB PostgreSQL 版提供了丰富的数据导入方式，以满足不同场景下的数据加载需求。

8.1 COPY 命令

\COPY 命令是最直接的数据导入方式，用于将本地文本文件数据导入 AnalyticDB PostgreSQL 版。示例命令如下：

\COPY your_table FROM '/path/to/data.csv' WITH (FORMAT CSV, HEADER true);

对于大规模数据导入，COPY 命令可能存在性能瓶颈。AnalyticDB PostgreSQL 版还提供了 COPY ON CONFLICT 功能，当数据与表的约束冲突时，不会导致 COPY 命令报错退出。

8.2 OSS 外部表（gpossext）

通过 OSS 外部表功能（gpossext），可以将数据从 OSS 云存储并行导入 AnalyticDB PostgreSQL 版。这种方式充分利用了 MPP 架构的并行处理能力，适合 TB 级以上数据量的导入。同时，也支持将数据从 AnalyticDB PostgreSQL 版并行导出到 OSS，并支持 GZIP 压缩以节省存储空间和成本。

8.3 Client SDK 高性能写入

AnalyticDB PostgreSQL 版 Client SDK 通过 API 形式为用户提供高性能写入能力，支持用户定制化开发或对接写入程序。与 COPY/INSERT 导入方式相比，Client SDK 通过并行化等内部机制大幅提升了写入性能。SDK 还自动管理连接池和缓存，开发者无需担心这些底层问题。对于需要高吞吐写入的场景（如日志数据实时入库），Client SDK 是推荐的选择。

8.4 INSERT ON CONFLICT

当主键冲突时，可以使用 INSERT ON CONFLICT 语法将对主键的 INSERT 行为转换为 UPDATE 行为，实现覆盖写入。该功能在数据同步场景中非常实用，可以避免因主键重复导致的写入失败。

9. 同构数据源访问：跨实例联合查询

AnalyticDB PostgreSQL 版支持同构数据源访问功能，允许用户在同一阿里云账号下，将不同实例作为外部数据源进行联合查询。该功能在保证数据实时性的同时，能有效减少数据冗余。发起查询的实例称为本地实例，作为外部数据源的实例称为远程实例。

使用同构数据源访问需要满足版本要求：AnalyticDB PostgreSQL 6.0 版需要内核版本 v6.6.0.0 及以上，7.0 版需要 v7.0.3.0 及以上。本地实例与远程实例须位于同一 VPC。使用前需要为两个实例创建初始账号，并将客户端的 IP 地址或 IP 地址段分别添加到两个实例的白名单中。

具体操作流程如下：首先在本地实例 A 上创建数据库和 Schema；然后在远程实例 B 上创建数据库、Schema 和测试表；接下来在本地实例 A 的控制台外部数据源管理中新增数据源，配置远程实例 B 的连接信息；最后在本地实例 A 中创建外部表，即可像查询本地表一样查询远程实例 B 的数据。

10. 性能调优最佳实践

性能是数据仓库使用的核心关注点。AnalyticDB PostgreSQL 版提供了多层次的性能调优手段，涵盖统计信息、优化器、索引、分布键、分区表等多个维度。

10.1 统计信息收集

查询优化器基于表的统计信息生成执行计划。过时或缺失的统计信息会导致优化器做出错误的估算，生成低效的执行计划。在大批量数据加载后，或者表中超过 20% 的行被更新后，应当执行 ANALYZE 命令收集统计信息：

-- 收集所有表的统计信息
ANALYZE;
-- 收集指定表所有列的统计信息
ANALYZE your_table;
-- 收集指定表特定列的统计信息
ANALYZE your_table(column_a);

对于大多数工作负载，对修改过的表执行 ANALYZE your_table 就足够了。仅在需要更精细控制时（例如用于 JOIN 键、过滤条件或索引列），才使用列级别的 ANALYZE。

10.2 优化器选择

AnalyticDB PostgreSQL 版包含两种查询优化器：Legacy 优化器和 ORCA 优化器。Legacy 优化器在 V4.3 版本中为默认，适合高并发简单查询、3 表以内的 JOIN 以及 INSERT/UPDATE/DELETE 工作负载。ORCA 优化器在 V6.0 版本中为默认，适合复杂查询、3 表以上的 JOIN、ETL 和报表工作负载，以及带子查询的 SQL。ORCA 优化器会探索更多的执行路径，因此生成计划的时间稍长。

可以在会话级别切换优化器：

-- 启用 Legacy 优化器
SET optimizer = off;
-- 启用 ORCA 优化器
SET optimizer = on;
-- 查看当前优化器
SHOW optimizer;

对于特定的慢查询，还可以使用 pg_hint_plan 扩展，通过 HINT 语句影响执行计划，如启用或禁用 ORCA 优化器、改变 JOIN 类型和 JOIN 顺序等。

10.3 索引使用

索引可以加速基于过滤条件扫描表中少量数据的查询。AnalyticDB PostgreSQL 版支持多种索引类型。B-tree 索引是默认类型，仅支持 =、<、<=、>、>= 和 BETWEEN 这些操作符。对于 != 或 <> 条件，B-tree 索引无法生效。建议为 WHERE 子句中频繁使用的列创建索引：

CREATE INDEX idx_orders_status ON orders(status);

对于 LIKE 模式匹配，如果通配符在开头（如 '%abc'），B-tree 索引无法使用，应考虑使用 GiST 或 GIN 索引配合 pg_trgm 扩展，或使用全文检索功能。

10.4 分布键设计

在 MPP 架构中，分布键的选择对查询性能至关重要。当分布键与 JOIN 键匹配时，AnalyticDB PostgreSQL 版可以在每个计算节点内本地执行 JOIN，无需数据重分布——这是最快的 JOIN 模式。设计分布键时应遵循以下原则：选择 JOIN 频繁使用的列作为分布键；选择数据分布均匀的列，避免数据倾斜；选择高基数列，确保数据在各个节点上均匀分散。

10.5 分区表设计

分区表可以将大表按范围、列表或哈希等方式分割成多个子分区。AnalyticDB PostgreSQL 7.0 版本新增了对哈希分区和表达式分区的支持。分区裁剪（Partition Pruning）机制会在查询执行前，根据过滤条件仅扫描满足条件的部分分区，大幅提升查询性能。

10.6 列存与压缩

默认情况下，AnalyticDB PostgreSQL 版创建的表使用行存储且不压缩。对于以分析查询为主、只涉及部分列的工作负载，列存储能带来显著的性能提升。创建列存表时可以在 CREATE TABLE 语句中指定存储选项。

11. 向量检索与 AI 应用构建

AnalyticDB PostgreSQL 版将向量检索引擎 FastANN 作为索引插件集成到数据库中。用户可以在使用向量检索的同时使用结构化和半结构化索引，实现混合查询。该产品支持稠密向量和稀疏向量两种向量类型。

11.1 向量检索与全文检索双路召回

当结构化数据与非结构化数据需要同时检索时，AnalyticDB PostgreSQL 版支持混合查询，既支持结构化字段过滤，也支持半结构化字段过滤，同时支持与文本字段的全文检索索引一起进行双路召回。全文检索擅长精确的关键词匹配，但无法理解同义词和释义等语义关系。双路召回将向量检索和全文检索并行执行，然后合并并重排结果，最大化召回率。7.0 版本对这一能力做了进一步增强。

11.2 基于 OpenAPI 构建 RAG 应用

AnalyticDB PostgreSQL 版提供了 OpenAPI 和 Python SDK，用户可以快速构建 RAG（检索增强生成）应用。使用前需要在控制台授权创建服务关联角色。RAG 应用的典型流程包括：配置 SDK 客户端、初始化向量数据库、创建命名空间（Namespace）和集合（Collection）、上传文档并进行向量化、通过向量检索或全文检索召回相关文档块、通过 LangChain 等框架生成基于上下文的回答。

AnalyticDB PostgreSQL 版还提供了高级接口（HighLevel API），当用户仅拥有原始文档或文本时，可以直接使用产品的文档理解、分块（Chunk）、嵌入（Embedding）、重排序（Rerank）等相关能力。同时，产品还提供了专用的 adbpg_doc_parser 工具，用于替代通用的文本分块方案，支持更精细的文档结构解析。

11.3 Dify 插件集成

AnalyticDB PostgreSQL 版提供了 Dify 插件，支持知识图谱、全文检索与向量检索的深度融合，可有效解决长尾查询与语义理解难题，提升问答准确度。通过 Dify 插件，开发者可以快速将 AnalyticDB PostgreSQL 版作为知识库后端，构建企业级的智能问答应用。

12. 监控与报警

云监控（CloudMonitor）是阿里云提供的监控服务，支持对 AnalyticDB PostgreSQL 版实例进行实时监控和报警。在云监控控制台，选择云产品为 AnalyticDB PostgreSQL，即可查看实例的各类监控指标。监控指标分为实例维度和节点维度两组。

创建报警规则时，选择产品为 AnalyticDB for PostgreSQL，设置监控指标、阈值、统计周期和报警级别。当监控数据满足报警条件时，系统会通过短信、邮件、钉钉等方式通知报警联系组中的所有联系人。用户还可以将报警规则保存为模板，方便在多个实例间复用。对于快速上手的用户，云监控提供了一键报警功能，打开开关即可启用预置的报警规则。

常见的监控报警场景包括：CPU 使用率过高、内存使用率过高、磁盘使用率超过阈值、连接数过多、慢查询数量异常等。通过合理的报警配置，可以及时发现并处理潜在的性能问题和容量瓶颈。

13. 总结

阿里云云原生数据仓库 AnalyticDB PostgreSQL 版是一款功能强大、生态丰富的 MPP 数据仓库服务。本文从产品概述、准备工作、标准接口连接、BI 工具对接、DataWorks 数据开发、DTS 数据迁移、Flink 实时写入、多种数据导入方式、同构数据源跨实例查询、性能调优、向量检索与 AI 应用、监控报警等维度，全面介绍了 AnalyticDB PostgreSQL 版的对接与使用方法。无论您是数据分析师、数据工程师还是应用开发者，都能从中找到适合自身场景的对接方案。通过合理利用该产品的各项能力，您可以构建高性能、低成本、智能化的云原生数据仓库与 AI 应用。

常见问题问答

问1：AnalyticDB PostgreSQL 版与标准 PostgreSQL 有什么区别？
答：AnalyticDB PostgreSQL 版在 PostgreSQL 基础上引入了 MPP 大规模并行处理架构，支持水平扩展和多节点并行计算，适合 PB 级数据仓库分析场景。而标准 PostgreSQL 是单机数据库，更适合 OLTP 事务处理和小规模数据分析。两者在语法上高度兼容，AnalyticDB PostgreSQL 版支持标准 PostgreSQL 的 SQL 语法和 PL/pgSQL 存储过程。

问2：如何选择 AnalyticDB PostgreSQL 版的存储弹性模式与 Serverless 模式？
答：存储弹性模式适合负载稳定、可预见的场景，按计算节点规格和存储空间付费，性能稳定可预期。Serverless 模式适合负载波动大、间歇性使用的场景，按实际使用的计算和存储资源弹性计费，更加灵活和经济。需要注意的是，部分功能如 Flink 写入暂不支持 Serverless 模式。

问3：AnalyticDB PostgreSQL 版连接不上，最常见的原因是什么？
答：最常见的原因是 IP 白名单未正确配置。请检查客户端的 IP 地址是否已添加到实例的白名单中。其次是网络问题，如果使用 VPC 内网连接，确保客户端与实例在同一 VPC 下。另外，确认数据库账号和密码是否正确，以及实例状态是否正常运行。

问4：如何判断一条 SQL 查询是否需要优化？
答：可以通过 EXPLAIN ANALYZE 查看查询的执行计划。如果执行计划中出现了全表扫描（Seq Scan）而过滤条件列没有索引、数据重分布（Redistribute Motion）代价过高、或者某个节点的处理时间远长于其他节点（数据倾斜），则说明需要优化。还可以在控制台的诊断与优化 > 慢 SQL 列表中查看耗时较长的查询。

问5：AnalyticDB PostgreSQL 版支持向量检索吗？如何开启？
答：支持。AnalyticDB PostgreSQL 版内置了 FastANN 向量检索引擎，作为索引插件集成到数据库中。使用前需要初始化向量数据库，每个实例仅需执行一次。初始化完成后，即可创建向量表、构建向量索引，执行向量检索、全文检索以及混合检索。7.0 版本对向量检索能力做了进一步增强。

问6：如何降低 AnalyticDB PostgreSQL 版的使用成本？
答：首先，合理选择实例规格，避免过度配置。其次，利用列存储和压缩功能减少存储空间。第三，对于不常访问的冷数据，可以通过分区表进行冷热分离管理。第四，使用 Serverless 模式应对波动的负载。最后，通过监控报警及时发现资源浪费。