[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-sql-machine-learning--sqlflow":3,"tool-sql-machine-learning--sqlflow":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",157379,2,"2026-04-15T23:32:42",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":77,"owner_website":79,"owner_url":80,"languages":81,"stars":114,"forks":115,"last_commit_at":116,"license":117,"difficulty_score":118,"env_os":119,"env_gpu":119,"env_ram":119,"env_deps":120,"category_tags":133,"github_topics":134,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":141,"updated_at":142,"faqs":143,"releases":169},7997,"sql-machine-learning\u002Fsqlflow","sqlflow","Brings SQL and AI together.","SQLFlow 是一款将 SQL 语言与人工智能能力深度融合的开源编译器。它允许用户使用扩展后的 SQL 语法，直接编写包含模型训练、预测、评估及解释等任务的程序，并自动将其编译为在 Kubernetes 集群上运行的分布式工作流。\n\n传统机器学习开发往往需要数据工程师、科学家和分析师协作，并在 Python、R、SQL 等多种语言和工具间频繁切换，导致流程割裂且维护困难。SQLFlow 旨在解决这一痛点，让熟悉 SQL 的开发人员无需深入掌握复杂的编程语言，即可利用现有的数据管理技能构建先进的 AI 应用。它打破了特定数据库或算法的限制，不仅兼容 MySQL、Hive、MaxCompute 等多种数据源，还能无缝调用 TensorFlow、Keras、XGBoost 等主流机器学习框架。\n\n这款工具特别适合拥有 SQL 基础的数据分析师、数据工程师以及希望简化 AI 落地流程的开发团队。其独特之处在于提供了高度可扩展的架构：用户可以在纯 SQL 语句中灵活配置深度学习特征交叉、超参数调优等高级功能，而无需嵌入任何 Python 或 R 代码。通过屏蔽底层基础设施的复杂性，SQLFlo","SQLFlow 是一款将 SQL 语言与人工智能能力深度融合的开源编译器。它允许用户使用扩展后的 SQL 语法，直接编写包含模型训练、预测、评估及解释等任务的程序，并自动将其编译为在 Kubernetes 集群上运行的分布式工作流。\n\n传统机器学习开发往往需要数据工程师、科学家和分析师协作，并在 Python、R、SQL 等多种语言和工具间频繁切换，导致流程割裂且维护困难。SQLFlow 旨在解决这一痛点，让熟悉 SQL 的开发人员无需深入掌握复杂的编程语言，即可利用现有的数据管理技能构建先进的 AI 应用。它打破了特定数据库或算法的限制，不仅兼容 MySQL、Hive、MaxCompute 等多种数据源，还能无缝调用 TensorFlow、Keras、XGBoost 等主流机器学习框架。\n\n这款工具特别适合拥有 SQL 基础的数据分析师、数据工程师以及希望简化 AI 落地流程的开发团队。其独特之处在于提供了高度可扩展的架构：用户可以在纯 SQL 语句中灵活配置深度学习特征交叉、超参数调优等高级功能，而无需嵌入任何 Python 或 R 代码。通过屏蔽底层基础设施的复杂性，SQLFlow 让机器学习像查询数据一样简单高效，真正实现了“用 SQL 做 AI\"的愿景。","# SQLFlow\n\n[![CI](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fworkflows\u002FCI\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Factions)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fsql-machine-learning\u002Fsqlflow\u002Fbranch\u002Fdevelop\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fsql-machine-learning\u002Fsqlflow)\n[![GoDoc](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsql-machine-learning_sqlflow_readme_ff803135673c.png)](https:\u002F\u002Fgodoc.org\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow) \n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache%202-blue.svg)](LICENSE) \n[![Go Report Card](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsql-machine-learning_sqlflow_readme_2b4a70945b89.png)](https:\u002F\u002Fgoreportcard.com\u002Freport\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow)\n\n## What is SQLFlow\n\nSQLFlow is a compiler that compiles a SQL program to a workflow that runs on Kubernetes. The input is a SQL program that written in our extended SQL grammar to support AI jobs including training, prediction, model evaluation, model explanation, custom jobs, and mathematical programming. The output is an [Argo](https:\u002F\u002Fargoproj.github.io\u002F) workflow that runs on a Kubernetes cluster distributed.\n\nSQLFlow supports various database systems like MySQL, MariaDB, [TiDB](https:\u002F\u002Fpingcap.com\u002Fen\u002F), Hive, [MaxCompute](https:\u002F\u002Fwww.aliyun.com\u002Fproduct\u002Fodps) and many  machine learning toolkits like [TensorFlow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow), [Keras](https:\u002F\u002Fkeras.io\u002F), [XGBoost](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fxgboost).\n\nTry SQLFlow **NOW** in our playground https:\u002F\u002Fplayground.sqlflow.tech\u002F and check out the handy tutorials in it.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsql-machine-learning_sqlflow_readme_70ccf50c220c.gif)\n\n## Motivation\n\nThe current experience of development ML based applications requires a team of data engineers, data scientists, business analysts as well as a proliferation of advanced languages and programming tools like Python, SQL, SAS, SASS, Julia, R. The fragmentation of tooling and development environment brings additional difficulties in engineering to model training\u002Ftuning. What if we marry the most widely used data management\u002Fprocessing language SQL with ML\u002Fsystem capabilities and let engineers with SQL skills develop advanced ML based applications?\n\nThere are already some work in progress in the industry. We can write simple machine learning prediction (or scoring) algorithms in SQL using operators like [`DOT_PRODUCT`](https:\u002F\u002Fthenewstack.io\u002Fsql-fans-can-now-develop-ml-applications\u002F). However, this requires copy-n-pasting model parameters from the training program to SQL statements. In the commercial world, we see some proprietary SQL engines providing extensions to support machine learning capabilities.\n\n- [Microsoft SQL Server](https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fsql\u002Fadvanced-analytics\u002F?view=sql-server-2017): Microsoft SQL Server has the machine learning service that runs machine learning programs in R or Python as an external script.\n- [Teradata SQL for DL](https:\u002F\u002Fwww.linkedin.com\u002Fpulse\u002Fsql-deep-learning-sql-dl-omri-shiv): Teradata also provides a RESTful service, which is callable from the extended SQL SELECT syntax.\n- [Google BigQuery](https:\u002F\u002Fcloud.google.com\u002Fbigquery\u002Fdocs\u002Fbigqueryml-intro): Google BigQuery enables machine learning in SQL by introducing the `CREATE MODEL` statement.\n\nNone of the existing solution solves our pain point, instead we want it to be fully extensible.\n\n1. This solution should be compatible to many SQL engines, instead of a specific version or type.\n1. It should support sophisticated machine learning models, including TensorFlow for deep learning and [XGBoost](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fxgboost) for trees.\n1. We also want the flexibility to configure and run cutting-edge ML algorithms including specifying [feature crosses](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Ffeature_column\u002Fcrossed_column), at least, no Python or R code embedded in the SQL statements, and fully integrated with hyperparameter estimation.\n\n## Quick Overview\n\nHere are examples for training a TensorFlow [DNNClassifier](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Festimator\u002FDNNClassifier) model using sample data Iris.train, and running prediction using the trained model. You can see how cool it is to write some elegant ML code using SQL:\n\n```sql\nsqlflow> SELECT *\nFROM iris.train\nTO TRAIN DNNClassifier\nWITH model.n_classes = 3, model.hidden_units = [10, 20]\nCOLUMN sepal_length, sepal_width, petal_length, petal_width\nLABEL class\nINTO sqlflow_models.my_dnn_model;\n\n...\nTraining set accuracy: 0.96721\nDone training\n```\n\n```sql\nsqlflow> SELECT *\nFROM iris.test\nTO PREDICT iris.predict.class\nUSING sqlflow_models.my_dnn_model;\n\n...\nDone predicting. Predict table : iris.predict\n```\n\n## How to use SQLFlow\n\n- [Quick Start](\u002Fdoc\u002Fquick_start.md)\n- [Language Guide](\u002Fdoc\u002Flanguage_guide.md)\n- Interactive Examples\n    * [DNN Classification example on Iris dataset](https:\u002F\u002Fdsw-dev.data.aliyun.com\u002F?fileUrl=http:\u002F\u002Fcdn.sqlflow.tech\u002Fsqlflow\u002Ftutorials\u002Flatest\u002Firis-dnn.ipynb&fileName=iris-dnn.ipynb#\u002F)\n    * [DNN Classification example on fraud detection](https:\u002F\u002Fdsw-dev.data.aliyun.com\u002F?fileUrl=http:\u002F\u002Fcdn.sqlflow.tech\u002Fsqlflow\u002Ftutorials\u002Flatest\u002Ffraud-dnn.ipynb&fileName=fraud-dnn.ipynb#\u002F)\n    * [Housing Price Prediction with XGBoost](https:\u002F\u002Fdsw-dev.data.aliyun.com\u002F?fileUrl=http:\u002F\u002Fcdn.sqlflow.tech\u002Fsqlflow\u002Ftutorials\u002Flatest\u002Fhousing-xgboost.ipynb&fileName=housing-xgboost.ipynb#\u002F)\n    * [Housing Price Prediction Explanation](https:\u002F\u002Fdsw-dev.data.aliyun.com\u002F?fileUrl=http:\u002F\u002Fcdn.sqlflow.tech\u002Fsqlflow\u002Ftutorials\u002Flatest\u002Fhousing-explain.ipynb&fileName=housing-explain.ipynb#\u002F)\n    * [Mathematical Optimization Guide](https:\u002F\u002Fdsw-dev.data.aliyun.com\u002F?fileUrl=http:\u002F\u002Fcdn.sqlflow.tech\u002Fsqlflow\u002Ftutorials\u002Flatest\u002Foptimization_guide.ipynb&fileName=optimization_guide.ipynb#\u002F)\n\n## Contributing Guidelines\n\n- [Build and Test](\u002Fdoc\u002Fbuild.md)\n- [Walkthrough the Project](\u002Fdoc\u002Fwalkthrough.md)\n\n## Roadmap\n\nSQLFlow will love to support as many mainstream ML frameworks and data sources as possible, but we feel like the expansion would be hard to be done merely on our own, so we would love to hear your options on what ML frameworks and data sources you are currently using and build upon. Please refer to our [roadmap](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F327) for specific timelines, also let us know your current scenarios and interests around SQLFlow project so we can prioritize based on the feedback from the community.\n\n## Feedback\n\nYour feedback is our motivation to move on. Please let us know your questions, concerns, and issues by [filing GitHub Issues](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues).\n\n## License\n\n[Apache License 2.0](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fblob\u002Fdevelop\u002FLICENSE)\n\n## Published\n\n- An arXiv paper at https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.06846\n- Demo Videos\n  1. 01\u002F19\u002F2020: https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=qUjQn7ePbto\n  1. 10\u002F04\u002F2019: https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=zIkwOQ_davw\n  1. 04\u002F01\u002F2019: https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=zIkwOQ_davw\n","# SQLFlow\n\n[![CI](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fworkflows\u002FCI\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Factions)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fsql-machine-learning\u002Fsqlflow\u002Fbranch\u002Fdevelop\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fsql-machine-learning\u002Fsqlflow)\n[![GoDoc](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsql-machine-learning_sqlflow_readme_ff803135673c.png)](https:\u002F\u002Fgodoc.org\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow) \n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache%202-blue.svg)](LICENSE) \n[![Go Report Card](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsql-machine-learning_sqlflow_readme_2b4a70945b89.png)](https:\u002F\u002Fgoreportcard.com\u002Freport\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow)\n\n## 什么是SQLFlow\n\nSQLFlow是一个编译器，它可以将SQL程序编译成一个在Kubernetes上运行的工作流。输入是我们扩展的SQL语法编写的SQL程序，以支持包括训练、预测、模型评估、模型解释、自定义任务以及数学规划在内的AI作业。输出是在分布式Kubernetes集群上运行的[Argo](https:\u002F\u002Fargoproj.github.io\u002F)工作流。\n\nSQLFlow支持多种数据库系统，如MySQL、MariaDB、[TiDB](https:\u002F\u002Fpingcap.com\u002Fen\u002F)、Hive、[MaxCompute](https:\u002F\u002Fwww.aliyun.com\u002Fproduct\u002Fodps)，以及许多机器学习工具包，如[TensorFlow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow)、[Keras](https:\u002F\u002Fkeras.io\u002F)、[XGBoost](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fxgboost)。\n\n现在就到我们的游乐场 https:\u002F\u002Fplayground.sqlflow.tech\u002F 体验SQLFlow吧，并查看其中的实用教程。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsql-machine-learning_sqlflow_readme_70ccf50c220c.gif)\n\n## 动机\n\n目前开发基于机器学习的应用需要数据工程师、数据科学家、业务分析师等多方面的团队成员，同时还需要掌握Python、SQL、SAS、SASS、Julia、R等多种高级语言和编程工具。这种工具和开发环境的碎片化给模型训练和调优带来了额外的复杂性。如果我们能将最广泛使用的数据管理\u002F处理语言SQL与机器学习及系统能力相结合，让具备SQL技能的工程师也能开发先进的机器学习应用，会怎样呢？\n\n业界已经有一些相关工作正在进行中。例如，我们可以使用诸如[`DOT_PRODUCT`](https:\u002F\u002Fthenewstack.io\u002Fsql-fans-can-now-develop-ml-applications\u002F)之类的操作符，在SQL中编写简单的机器学习预测（或评分）算法。然而，这需要将模型参数从训练程序复制粘贴到SQL语句中。在商业领域，我们也看到一些专有SQL引擎提供了扩展功能来支持机器学习能力。\n\n- [Microsoft SQL Server](https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fsql\u002Fadvanced-analytics\u002F?view=sql-server-2017)：Microsoft SQL Server拥有机器学习服务，可以将R或Python中的机器学习程序作为外部脚本运行。\n- [Teradata SQL for DL](https:\u002F\u002Fwww.linkedin.com\u002Fpulse\u002Fsql-deep-learning-sql-dl-omri-shiv)：Teradata也提供了一个RESTful服务，可以通过扩展的SQL SELECT语法进行调用。\n- [Google BigQuery](https:\u002F\u002Fcloud.google.com\u002Fbigquery\u002Fdocs\u002Fbigqueryml-intro)：Google BigQuery通过引入`CREATE MODEL`语句，在SQL中实现了机器学习功能。\n\n然而，现有的解决方案都没有真正解决我们的痛点——我们希望它能够完全可扩展。\n\n1. 该解决方案应兼容多种SQL引擎，而不仅仅局限于某个特定版本或类型。\n1. 它应该支持复杂的机器学习模型，包括用于深度学习的TensorFlow和用于树模型的[XGBoost](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fxgboost)。\n1. 我们还希望具有配置和运行前沿机器学习算法的灵活性，比如指定[特征交叉](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Ffeature_column\u002Fcrossed_column))，至少不需要在SQL语句中嵌入Python或R代码，并且能够与超参数估计完全集成。\n\n## 快速概览\n\n以下示例展示了如何使用Iris.train样本数据训练一个TensorFlow的[DNNClassifier](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Festimator\u002FDNNClassifier)模型，并使用训练好的模型进行预测。你可以看到用SQL编写优雅的机器学习代码是多么酷：\n\n```sql\nsqlflow> SELECT *\nFROM iris.train\nTO TRAIN DNNClassifier\nWITH model.n_classes = 3, model.hidden_units = [10, 20]\nCOLUMN sepal_length, sepal_width, petal_length, petal_width\nLABEL class\nINTO sqlflow_models.my_dnn_model;\n\n...\n训练集准确率：0.96721\n训练完成\n```\n\n```sql\nsqlflow> SELECT *\nFROM iris.test\nTO PREDICT iris.predict.class\nUSING sqlflow_models.my_dnn_model;\n\n...\n预测完成。预测表：iris.predict\n```\n\n## 如何使用SQLFlow\n\n- [快速入门](\u002Fdoc\u002Fquick_start.md)\n- [语言指南](\u002Fdoc\u002Flanguage_guide.md)\n- 交互式示例\n    * [Iris数据集上的DNN分类示例](https:\u002F\u002Fdsw-dev.data.aliyun.com\u002F?fileUrl=http:\u002F\u002Fcdn.sqlflow.tech\u002Fsqlflow\u002Ftutorials\u002Flatest\u002Firis-dnn.ipynb&fileName=iris-dnn.ipynb#\u002F)\n    * [欺诈检测上的DNN分类示例](https:\u002F\u002Fdsw-dev.data.aliyun.com\u002F?fileUrl=http:\u002F\u002Fcdn.sqlflow.tech\u002Fsqlflow\u002Ftutorials\u002Flatest\u002Ffraud-dnn.ipynb&fileName=fraud-dnn.ipynb#\u002F)\n    * [使用XGBoost进行房价预测](https:\u002F\u002Fdsw-dev.data.aliyun.com\u002F?fileUrl=http:\u002F\u002Fcdn.sqlflow.tech\u002Fsqlflow\u002Ftutorials\u002Flatest\u002Fhousing-xgboost.ipynb&fileName=housing-xgboost.ipynb#\u002F)\n    * [房价预测解释](https:\u002F\u002Fdsw-dev.data.aliyun.com\u002F?fileUrl=http:\u002F\u002Fcdn.sqlflow.tech\u002Fsqlflow\u002Ftutorials\u002Flatest\u002Fhousing-explain.ipynb&fileName=housing-explain.ipynb#\u002F)\n    * [数学优化指南](https:\u002F\u002Fdsw-dev.data.aliyun.com\u002F?fileUrl=http:\u002F\u002Fcdn.sqlflow.tech\u002Fsqlflow\u002Ftutorials\u002Flatest\u002Foptimization_guide.ipynb&fileName=optimization_guide.ipynb#\u002F)\n\n## 贡献指南\n\n- [构建与测试](\u002Fdoc\u002Fbuild.md)\n- [项目概述](\u002Fdoc\u002Fwalkthrough.md)\n\n## 路线图\n\nSQLFlow希望能够尽可能多地支持主流的机器学习框架和数据源，但我们认为仅靠我们自身很难实现这一目标，因此我们非常希望听到您当前正在使用的机器学习框架和数据源有哪些，并在此基础上继续发展。请参阅我们的[路线图](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F327)，了解具体的时间安排；同时，请告诉我们您目前使用SQLFlow的具体场景和兴趣，以便我们根据社区反馈优先推进相关工作。\n\n## 反馈\n\n您的反馈是我们不断前进的动力。如果您有任何问题、疑虑或意见，请通过[提交GitHub Issues](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues)告知我们。\n\n## 许可证\n\n[Apache许可证2.0](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fblob\u002Fdevelop\u002FLICENSE)\n\n## 发表内容\n\n- arXiv论文：https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.06846\n- 演示视频\n  1. 2020年1月19日：https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=qUjQn7ePbto\n  1. 2019年10月4日：https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=zIkwOQ_davw\n  1. 2019年4月1日：https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=zIkwOQ_davw","# SQLFlow 快速上手指南\n\nSQLFlow 是一个将扩展 SQL 语句编译为 Kubernetes 上运行工作流（基于 Argo）的编译器。它允许数据工程师使用熟悉的 SQL 语法直接进行机器学习模型的训练、预测、评估和解释，支持 TensorFlow、Keras、XGBoost 等主流框架以及 MySQL、Hive、MaxCompute 等多种数据源。\n\n## 环境准备\n\n在部署和使用 SQLFlow 之前，请确保满足以下系统要求和前置依赖：\n\n*   **操作系统**: Linux 或 macOS (Windows 用户建议使用 WSL2 或 Docker Desktop)。\n*   **容器运行时**: 必须安装 **Docker** (推荐版本 19.03+)。\n*   **容器编排**: 需要 **Kubernetes** 集群环境。\n    *   本地开发推荐使用 **Minikube** 或 **Kind**。\n    *   生产环境可使用阿里云 ACK、腾讯云 TKE 等云厂商托管集群。\n*   **命令行工具**:\n    *   `kubectl`: 用于与 Kubernetes 集群交互。\n    *   `helm` (可选): 用于通过 Helm Chart 部署 SQLFlow。\n*   **网络要求**: 能够访问 Docker Hub 拉取镜像，或配置国内镜像加速器。\n\n> **提示**: 如果您想立即体验而无需配置本地环境，可以直接访问官方在线游乐场：[https:\u002F\u002Fplayground.sqlflow.tech\u002F](https:\u002F\u002Fplayground.sqlflow.tech\u002F)\n\n## 安装步骤\n\n以下是基于 Minikube 和本地 Docker 环境的快速安装流程：\n\n### 1. 启动 Kubernetes 集群\n使用 Minikube 启动一个本地集群（需预先安装 Minikube）：\n```bash\nminikube start --memory=4096 --cpus=2\n```\n\n### 2. 部署 SQLFlow Server\nSQLFlow 官方提供了 Helm Chart 进行一键部署。首先添加 Helm repo 并更新：\n\n```bash\nhelm repo add sqlflow https:\u002F\u002Fsql-machine-learning.github.io\u002Fhelm-charts\nhelm repo update\n```\n\n安装 SQLFlow 到 `sqlflow` 命名空间：\n```bash\nhelm install sqlflow sqlflow\u002Fsqlflow --namespace sqlflow --create-namespace\n```\n\n> **国内加速建议**: 如果拉取 Helm Chart 或 Docker 镜像缓慢，建议配置国内镜像源。\n> *   Helm Repo 替代源: `https:\u002F\u002Fkubernetes.oss-cn-hangzhou.aliyuncs.com\u002Fcharts` (需确认具体 chart 是否同步) 或使用本地离线包。\n> *   Docker 镜像加速: 请在 `\u002Fetc\u002Fdocker\u002Fdaemon.json` 中配置阿里云或腾讯云镜像加速器，例如：\n>   ```json\n>   {\n>     \"registry-mirrors\": [\"https:\u002F\u002F\u003Cyour-id>.mirror.aliyuncs.com\"]\n>   }\n>   ```\n>   配置后重启 Docker: `sudo systemctl restart docker`\n\n### 3. 验证安装\n等待 Pod 状态变为 `Running`：\n```bash\nkubectl get pods -n sqlflow\n```\n当看到 `sqlflow-server` 和 `mysql` (示例数据库) 的状态均为 `Running` 时，表示安装成功。\n\n### 4. 连接 SQLFlow\n您可以使用端口转发将服务暴露到本地，然后通过命令行客户端连接：\n\n```bash\nkubectl port-forward svc\u002Fsqlflow-server 50051:50051 -n sqlflow\n```\n\n在新终端中运行 SQLFlow 客户端（需安装 `sqlflow` 命令行工具或通过 Docker 运行）：\n```bash\ndocker run -it --network host sqlflow\u002Fsqlflow-cli\n```\n进入交互界面后，提示符应显示为 `sqlflow>`。\n\n## 基本使用\n\nSQLFlow 的核心在于扩展了 SQL 语法，通过 `TO TRAIN` 和 `TO PREDICT` 子句调用机器学习能力。以下是最简单的鸢尾花（Iris）分类示例。\n\n### 1. 训练模型\n使用内置的 `iris.train` 表数据，训练一个 TensorFlow DNN 分类模型。\n\n```sql\nsqlflow> SELECT *\nFROM iris.train\nTO TRAIN DNNClassifier\nWITH model.n_classes = 3, model.hidden_units = [10, 20]\nCOLUMN sepal_length, sepal_width, petal_length, petal_width\nLABEL class\nINTO sqlflow_models.my_dnn_model;\n```\n\n**输出示例：**\n```text\n...\nTraining set accuracy: 0.96721\nDone training\n```\n\n### 2. 执行预测\n使用刚刚训练好的模型 `sqlflow_models.my_dnn_model` 对 `iris.test` 数据进行预测，并将结果写入 `iris.predict` 表。\n\n```sql\nsqlflow> SELECT *\nFROM iris.test\nTO PREDICT iris.predict.class\nUSING sqlflow_models.my_dnn_model;\n```\n\n**输出示例：**\n```text\n...\nDone predicting. Predict table : iris.predict\n```\n\n### 3. 查看结果\n像操作普通数据库一样查询预测结果：\n```sql\nsqlflow> SELECT * FROM iris.predict LIMIT 5;\n```\n\n至此，您已完成从环境搭建到模型训练预测的全流程。更多高级用法（如特征交叉、模型解释、自定义作业等）请参考官方 [Language Guide](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fblob\u002Fdevelop\u002Fdoc\u002Flanguage_guide.md)。","某电商公司的数据分析师团队需要基于用户历史行为数据构建深度学习模型，以预测下季度的商品复购率。\n\n### 没有 sqlflow 时\n- **技能割裂严重**：数据工程师擅长 SQL 提取数据，但训练 TensorFlow 模型需依赖数据科学家编写复杂的 Python 脚本，跨角色沟通成本极高。\n- **流程繁琐易错**：必须先将 SQL 查询结果导出为 CSV 文件，再在 Python 环境中加载，中间涉及繁琐的数据格式转换与参数硬编码，极易出错。\n- **迭代效率低下**：调整特征工程逻辑或超参数时，需同时修改 SQL 语句和 Python 代码并重新部署环境，一次实验往往耗时数小时。\n- **运维部署困难**：缺乏统一的编排机制，将分散的数据处理与模型训练任务迁移到 Kubernetes 集群时，需要手动编写大量 Argo YAML 配置文件。\n\n### 使用 sqlflow 后\n- **语言统一高效**：分析师仅需编写扩展后的 SQL 语句（如 `SELECT ... TRAIN DNNClassifier`），即可在同一脚本中完成数据提取、模型训练与评估，无需切换编程语言。\n- **端到端自动化**：sqlflow 自动编译 SQL 程序为分布式工作流，直接在数据库与计算引擎间流转数据，消除了文件导出导入环节，确保数据一致性。\n- **敏捷实验迭代**：修改特征列或调整网络层数只需更改 SQL 参数，提交即运行，将模型迭代周期从小时级缩短至分钟级。\n- **云原生无缝集成**：生成的任务自动转化为 Argo 工作流在 Kubernetes 上分布式执行，天然支持大规模并行计算，无需人工干预底层资源调度。\n\nsqlflow 通过让 SQL 直接驱动 AI 工作流，打破了数据工程与算法开发之间的壁垒，使具备 SQL 技能的工程师也能独立构建生产级的机器学习应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsql-machine-learning_sqlflow_70ccf50c.gif","sql-machine-learning","SQLFlow","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsql-machine-learning_5188c405.png","We are hiring at San Francisco Bay Area, Hangzhou, Shanghai, Beijing",null,"sqlflow.org@gmail.com","https:\u002F\u002Fsqlflow.org","https:\u002F\u002Fgithub.com\u002Fsql-machine-learning",[82,86,90,94,98,102,106,110],{"name":83,"color":84,"percentage":85},"Go","#00ADD8",50,{"name":87,"color":88,"percentage":89},"Python","#3572A5",40.6,{"name":91,"color":92,"percentage":93},"Shell","#89e051",4.1,{"name":95,"color":96,"percentage":97},"Java","#b07219",2.5,{"name":99,"color":100,"percentage":101},"JavaScript","#f1e05a",1.1,{"name":103,"color":104,"percentage":105},"Yacc","#4B6C4B",0.8,{"name":107,"color":108,"percentage":109},"Dockerfile","#384d54",0.7,{"name":111,"color":112,"percentage":113},"HTML","#e34c26",0.3,5187,704,"2026-04-14T08:11:16","Apache-2.0",5,"未说明",{"notes":121,"python":119,"dependencies":122},"SQLFlow 是一个编译器，将扩展 SQL 编译为在 Kubernetes 集群上运行的 Argo 工作流。核心运行依赖是 Kubernetes 集群和 Argo 工作流引擎。它支持多种数据库（如 MySQL, Hive, MaxCompute 等）和机器学习框架（如 TensorFlow, XGBoost）。具体的底层资源需求（OS, GPU, RAM）取决于用户选择的后端数据库和机器学习框架，而非 SQLFlow 本身硬性规定。建议通过提供的 Playground 或文档中的 Quick Start 进行部署体验。",[123,124,125,126,127,128,129,130,131,132],"Kubernetes","Argo Workflows","TensorFlow","Keras","XGBoost","MySQL","MariaDB","TiDB","Hive","MaxCompute",[14,15,13,16],[64,135,136,137,138,139,140],"sql-syntax","ai","transpiler","deep-learning","databases","machine-learning","2026-03-27T02:49:30.150509","2026-04-16T10:46:09.023386",[144,149,154,159,164],{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},35800,"如何在 SQLFlow 中编写训练图神经网络（如 GCN）的 SQL 语句？","为了构建图的双向边并加载所有节点数据，建议使用 INNER JOIN 连接边表和节点表。示例代码如下：\n```sql\nSELECT from_node_id, to_node_id, weight, my_graph_nodes.features \nFROM my_edge_table \nINNER JOIN my_graph_nodes\nON (my_edge_table.from_node_id = my_graph_nodes.id OR my_edge_table.to_node_id = my_graph_nodes.id)\nTO TRAIN GCN\nWITH ...\nLABEL ...\nINTO ...;\n```\n这种方法比 LEFT JOIN 更灵活，能确保作为边终点的节点不会被遗漏。","https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F2714",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},35801,"为什么在 Jupyter 中运行 SQLFlow 时会遇到 'failed to connect to all addresses' 错误？","这通常是因为本地未启动 SQLFlow 服务器或版本不匹配。解决方法是拉取最新的 Docker 镜像并重新启动服务：\n1. 运行 `docker pull sqlflow\u002Fsqlflow:latest` 获取最新镜像。\n2. 启动容器后再次尝试连接。\n如果看到 `flag provided but not defined: -datasource` 错误，也表明服务器未正确启动，重启 Docker 容器通常可解决此问题。","https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F1107",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},35802,"SQLFlow 如何扩展 SQL 语法以避免与用户定义的字段名（如 'TRAIN' 或 'LABEL'）冲突？","SQLFlow 采用了复用现有 SQL 保留字的设计原则。例如，不使用单独的 `TRAIN` 关键字，而是使用 `TO TRAIN`，因为 `TO` 是 SQL 标准保留字，用户无法将其用作字段名，从而避免解析冲突。同样，对于标签字段，如果用户表中有名为 `label` 的列，使用 `LABEL label` 可能会混淆解析器，因此建议在设计扩展语法时优先选择不易冲突的保留字组合（如考虑用 `OUTPUT` 替代，尽管 `TO TRAIN` 已成为标准做法）。","https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F998",{"id":160,"question_zh":161,"answer_zh":162,"source_url":163},35803,"如何在 SQLFlow 运行时动态切换数据源连接参数？","SQLFlow 支持在会话级别动态管理连接。服务端会在客户端首次连接时生成唯一的 `sessionId`。在 HTTP(S) 请求中，每个请求都附带 Cookie，服务端利用这些 Cookie 来决定是否复用现有的数据库连接或为新客户端创建新连接。即使某台服务器宕机，客户端发送的 Cookie 也能帮助新服务器重建数据库连接，从而实现生产环境中基于用户登录态的动态数据源切换。","https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F399",{"id":165,"question_zh":166,"answer_zh":167,"source_url":168},35804,"SQLFlow 如何处理内部解析器（如 ODPS）与开源代码之间的依赖关系？","SQLFlow 将各种 SQL 方言解析器（如 HiveQL, ODPS）封装为独立的 gRPC 服务器。这些解析器接收 SQL 字符串并返回解析结果。这种架构允许内部专有解析器（如不可开源的 ODPS 解析器）通过 gRPC 接口与开源核心代码交互，从而避免了代码层面的循环依赖问题，实现了内部与外部解析器的统一管理。","https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F1904",[170,175,180,185,190,195],{"id":171,"version":172,"summary_zh":173,"released_at":174},281007,"v0.4.2","### 主要功能与改进\n- 新增三个预置可运行模块：extract_ts_features（使用 tsfresh 提取时间序列特征）、binning 和 psi\n- 模型元数据设计：在生成预测工作流步骤代码时，获取模型元数据（如用于训练的 Docker 镜像名称、模型类型等）\n- 在生成预测工作流代码时区分 XGBoost 模型\n- 支持为 JupyterHub 配置 HTTPS\n\n### 重构\n- 实现 XGBoost 预测与评估的端到端工作流\n- 在 Alisa 提交器中实现运行时的预测与解释功能\n- 统一本地提交器和 PAI 提交器的 API\n- 简化 HDFS 参数配置\n\n### Bug 修复\n- 修复在未启用 FLOAT 数据类型时无法导入泰坦尼克号 MaxCompute 数据集的问题\n- 修复在工作流模式下生成 Couler 评估步骤的问题\n- 修复在 PAI 上运行 TO EXPLAIN 时 paiio 读取表的 bug\n- 修复 XGBoost 数据兼容性问题：支持多种 CSV 格式，如 a,b,c 和 a, b, c，以及包含 \u002F 的字符串\n- 修复 SHAP 值未列出时的解释问题","2020-08-28T12:00:06",{"id":176,"version":177,"summary_zh":178,"released_at":179},281008,"v0.4.1","### 主要功能与改进\n\n- 模型仓库现已可在 Playground 中使用。\n- CLI 支持将模型仓库中的模型下载到本地。\n- 官方模型仓库中新增对 GCN 模型的支持。\n- CI 已迁移至 GitHub Actions，Travis CI 已停用。\n- `TO RUN` 语法可使用文件名代替绝对路径。\n- BARON 求解器支持非线性优化问题。\n- `TO MAXIMIZE|MINIMIZE` 语句中的 `CONSTRAINT` 子句现为可选。\n\n### 重构\n\n- 本地端到端的 XGBoost 训练现可在工作流模式下运行。\n- 在 Python 端通过 `Connection` 和 `ResultSet` 接口统一 DBMS API。\n\n### Bug 修复\n\n- 修复 XGBoost 训练无法处理超过 255 个特征列的问题。\n- 修复 TiDB 解析器无法解析 `LAG` 函数的问题。","2020-08-14T10:30:32",{"id":181,"version":182,"summary_zh":183,"released_at":184},281009,"v0.4.0","### 主要功能与改进\n\n- 解析器现在可以移除所有注释。\n- 支持使用 `pyomo` 和 `optflow` 进行线性规划。\n- 在 `sqlflow\u002Fsqlflow` 镜像中添加了 Model Zoo 的默认模型定义。\n- 在自定义模型中支持自定义训练循环、预测样本和评估循环。\n- 将 CI 任务从 Travis 迁移到 GitHub Actions，以使用预配置环境加快构建和测试速度。\n- 添加了 [SQLFlow Playground](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fplayground)，用户可以通过它快速体验 SQLFlow。\n\n### 重构\n\n- 进行中：将 `sqlflow_submitter` 重构为 `runtime`。`runtime` 库支持特征衍生、语句验证器、面向不同平台的任务提交器，并执行工作流步骤，然后将模型保存到数据库中。\n- 移除 `runtime.tensorflow` 包中的 `is_pai` 条件，并将相应在 PAI 上运行的代码迁移到 `runtime.pai` 中。\n\n### Bug 修复\n\n- 修复了特征衍生中 `fillCSVFieldDesc` 的大小计算始终为 0 的问题。\n\n","2020-07-30T14:28:04",{"id":186,"version":187,"summary_zh":188,"released_at":189},281010,"v0.3.0-rc.1","# 主要特性与改进\n\n---\n\n- 支持 `TO EVALUATE` 子句，用于评估模型。\n- SQLFlow 模型仓库，支持公开分享模型定义和模型。\n- 支持使用 SQL 进行数学规划。\n- 在 XGBoost 模型中支持特征列，包括训练、评估、预测和解释。\n- 支持 TensorFlow 和 XGBoost 模型的增量训练。\n- 添加日志以记录运行时状态。\n- 命令行工具支持发布或移除模型\u002F仓库。\n- 支持 `SHOW TRAIN` 语句，用于获取原始 SQL。\n- 创建 [SQLFlow Playground](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fplayground)，作为快速入门环境。\n\n# 改进\n\n- 改善工作流模式的用户体验，包括优化工作流日志结构、返回选中的行以及向 GUI 系统输出诊断信息。\n- 改进工作流模型中的一些诊断信息。\n- 支持将所有选中的列传递到预测结果表中。\n- 将一体化 Docker 镜像拆分为多个独立的 Docker 镜像。","2020-06-22T13:27:07",{"id":191,"version":192,"summary_zh":193,"released_at":194},281011,"v0.2.0-rc.1","## 主要特性与改进\n\n1. 支持解析 SQL 程序及扩展语法中的任意 SELECT 语句。https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F1126\n1. 支持特征衍生。https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F705\n1. 通过将 SQL 程序作为工作流提交至 Kubernetes 集群，支持高可用的 SQLFlow 服务器。https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F1066\n1. 增强了 REPL 功能。\n1. 支持更多训练配置：\n    1. 支持为 TensorFlow Estimator 模型配置优化器。\n    1. 支持为自定义 Keras 模型配置优化器和损失函数。\n    1. 支持为 TensorFlow Estimator 模型和 Keras 模型的训练配置评估指标。\n1. 支持解释 TensorFlow BoostedTrees 模型。\n1. 支持将 EXPLAIN 结果写入表中。\n\n## 破坏性变更：\n\n1. 我们将语法扩展从追加 TRAIN\u002FPREDICT\u002FANALYZE 更新为 TO TRAIN\u002FPREDICT\u002FEXPLAIN。https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F998\n1. 为适配当前中间表示实现，移除了 ALPS 和 ElasticDL 代码生成器。\n","2020-01-16T09:37:21",{"id":196,"version":197,"summary_zh":198,"released_at":199},281012,"v0.1.0-rc.1","SQLFlow v0.1.0-rc.1 是 SQLFlow 的首个候选发布版本。\n\n当前版本包含以下功能：\n\n- 数据库支持：\n  - MySQL\n  - Hive：[gohive](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fgohive)\n  - MaxCompute：[gomaxcompute](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fgomaxcompute)\n- 机器学习系统与模型支持：\n  - TensorFlow 预制估算器。\n  - 自定义 Keras 模型：[contribute_models.md](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fmodels\u002Fblob\u002Fdevelop\u002Fdoc\u002Fcontribute_models.md)\n  - XGBoost 模型：https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fpull\u002F765\n- 使用 TensorFlow 或 Keras 模型时支持的特征列：\n  - numeric_column\n  - bucket_column\n  - cross_column\n  - category_id_column\n  - sequence_category_id_column\n- 列数据类型支持：\n  - FLOAT\u002FINT\u002FBIGINT\n  - VARCHAR\u002FTEXT\n    - CSV 格式的稠密张量\n    - CSV 格式的稀疏张量\n- 支持独立部署和会话管理：https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fissues\u002F531\n- 在 Kubernetes 集群上部署：https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fpull\u002F537\n- 使用聚类模型进行无监督训练：https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fpull\u002F737\n- 分析机器学习模型：[analyzer_design.md](https:\u002F\u002Fgithub.com\u002Fsql-machine-learning\u002Fsqlflow\u002Fblob\u002Fdevelop\u002Fdoc\u002Fanalyzer_design.md)","2019-09-16T05:26:48"]