Snowflake 查询分析器

解决什么问题

Snowflake 查询性能问题往往隐藏在执行计划、仓库规模和数据扫描的细节里。手动排查时，团队常面临三个典型痛点：

• 仓库规模不匹配：自动扩缩容策略下，WH_SIZE 与实际并发需求脱节，导致查询排队或资源浪费
• 扫描效率低下：未优化的表扫描会放大 BYTES_SCANNED，直接影响 credit 消耗和响应时间
• 聚簇键缺失或失效：缺乏合理的 CLUSTERING KEY，导致 pruning 效果差，查询需要扫描大量微分区

工作原理

该技能通过以下步骤完成查询画像与优化建议：

• 元数据采集：读取 SNOWFLAKE.INFORMATION_SCHEMA 中的 TABLES、COLUMNS 和 TABLE_STORAGE_METRICS，获取表结构、行数、存储大小等基础信息
• 历史分析：查询 SNOWFLAKE.ACCOUNT_USAGE.QUERY_HISTORY，提取 QUERY_TEXT、EXECUTION_TIME、BYTES_SCANNED、TOTAL_ELAPSED_TIME 等字段
• 瓶颈识别：

- 对比 MEDIAN_EXECUTION_TIME 和 P95_EXECUTION_TIME，定位长尾查询
- 计算 BYTES_SCANNED / ROWS_RETURNED，识别全表扫描问题
- 检查 WAREHOUSE_SIZE 与 AVERAGE_CONCURRENCY 的匹配度

• 优化建议生成：

- 根据 TABLE_STORAGE_METRICS.PARTITION_COUNT 和查询频率，推荐 CLUSTERING KEY 候选列
- 结合 CREDITS_USED 趋势，提示是否调整仓库自动扩缩容的 MIN_CLUSTER_SIZE 和 MAX_CLUSTER_SIZE
- 对高成本查询，建议添加 WHERE 条件或物化视图

适用边界

• 分析结果依赖 QUERY_HISTORY 的数据保留周期，默认最长 400 天
• 聚簇键建议基于统计信息，实际效果需结合写入模式和查询模式验证
• 仓库规模优化建议假设使用标准自动扩缩容策略，对于固定集群需手动调整
• 无法替代 Snowflake 原生的 EXPLAIN 或 QUERY_TRACE，适合作为初步诊断和优化方向参考

该技能适合数据工程师和分析师在优化 Snowflake 查询性能、控制成本时使用，帮助快速定位仓库配置、扫描效率和聚簇策略的问题。