智能索引推荐

PawSQL 智能索引推荐用于识别 SQL 的索引优化机会，并生成更符合查询访问路径的候选索引。推荐过程不仅考虑 WHERE 条件，还会综合分析 Join、ORDER BY、GROUP BY、列选择性、已有索引以及目标数据库的执行计划。

概览

“给 WHERE 条件中的字段建索引”并不是可靠的索引优化方法。一个有效索引通常需要同时考虑：

哪些条件具有较高过滤能力
哪些字段用于 Join
哪些字段适合作为联合索引 leading columns
是否可以覆盖排序或分组
是否已存在等价或重复索引
新索引是否会真正改变执行计划

PawSQL 将智能索引推荐分为候选生成、筛选、模拟和验证多个阶段。

核心能力

谓词驱动的候选生成

分析 WHERE 条件中的等值、范围、IN、LIKE 等谓词，识别可能适合作为索引列的字段。

感知 Join 的索引

分析 Join 条件，识别连接键上的索引机会。对于频繁 Join 的业务表，这通常比单纯分析 WHERE 条件更重要。

复合索引设计

在多个索引列之间分析顺序，并结合：

选择性
等值与范围谓词
Join 条件
ORDER BY
GROUP BY

生成更合理的联合索引候选。

存量索引分析

推荐新索引之前，应检查现有索引，避免：

重复索引
前缀重复索引
功能高度重叠的索引
不必要的索引膨胀

数据库感知的索引语法

不同数据库的索引能力差异较大。 PawSQL 可根据目标数据库考虑：

B-tree / bitmap 等索引类型
INCLUDE / covering index
local / global index
concurrently / online
分区表索引
分布式数据库索引限制

索引有效性验证

智能索引推荐的最终目标不是“生成 CREATE INDEX”，而是确认：

新索引是否真的能改变执行路径，并降低 SQL 成本。

示例

原始 SQL：

SELECT order_id, order_date, amount
FROM orders
WHERE customer_id = ?
  AND order_date >= ?
ORDER BY order_date DESC;

可能的索引候选：

CREATE INDEX idx_orders_customer_date
ON orders(customer_id, order_date);

该索引之所以可能有效，是因为：

customer_id 用于等值过滤
order_date 用于范围过滤
order_date 同时参与排序

实际推荐仍需要结合现有索引、数据分布和执行计划验证。

PawSQL 会避免什么

一个好的智能索引推荐系统不仅需要知道“应该加什么索引”，也需要知道“不应该加什么索引”。例如：

对低选择性字段机械建索引
为每条 SQL 单独创建大量相似索引
忽略已有联合索引
只优化查询而忽略写入成本
创建不会改变执行计划的索引

智能索引推荐

概览

核心能力

谓词驱动的候选生成

感知 Join 的索引

复合索引设计

存量索引分析

数据库感知的索引语法

索引有效性验证

示例

推荐 → 模拟 → 验证

PawSQL 会避免什么

相关能力

SQL质量检查

查询重写优化

自动化性能验证

执行计划分析

相关场景

Developer SQL Copilot

DBA Batch Slow SQL Governance

Enterprise SQL Governance Platform

​概览

​核心能力

​谓词驱动的候选生成

​感知 Join 的索引

​复合索引设计

​存量索引分析

​数据库感知的索引语法

​索引有效性验证

​示例

​推荐 → 模拟 → 验证

​PawSQL 会避免什么

​相关能力

SQL质量检查

查询重写优化

自动化性能验证

执行计划分析

​相关场景

Developer SQL Copilot

DBA Batch Slow SQL Governance

Enterprise SQL Governance Platform

概览

核心能力

谓词驱动的候选生成

感知 Join 的索引

复合索引设计

存量索引分析

数据库感知的索引语法

索引有效性验证

示例

推荐 → 模拟 → 验证

PawSQL 会避免什么

相关能力

相关场景