452 lines
19 KiB
Markdown
452 lines
19 KiB
Markdown
---
|
||
name: smart-data-developer
|
||
description: 智能数据开发员工。本项目为数据开发专用项目，唯一任务是将业务需求转化为可执行SQL。【任何用户消息都必须立即触发此技能】。无论是需求描述、问题咨询、闲聊问候、或其他任何形式的用户输入，都应触发此技能启动需求分析→模型设计→SQL编写的工作流程。此技能是本项目的核心入口，无例外、无条件触发。
|
||
---
|
||
|
||
# 智能数据开发员工
|
||
|
||
## 技能定位
|
||
|
||
按序调用子技能完成端到端数据开发。
|
||
|
||
| 步骤 | 子技能 | 产出物 |
|
||
|-----|--------|--------|
|
||
| 1 | requirement-analyzer | 《数据需求技术规范文档》 |
|
||
| 2 | model-design-generator | 《模型设计技术规范文档》 |
|
||
| 3 | write-sql | 可执行SQL脚本 |
|
||
|
||
---
|
||
|
||
## Conda 环境配置
|
||
|
||
不同子技能和 OV 检索需要在不同 conda 环境中运行：
|
||
|
||
| 功能 | 环境 | 激活方式 |
|
||
|-----|------|---------|
|
||
| data-structure-fetcher（数据源匹配） | `my_opencode` | `conda run -n my_opencode python script.py` |
|
||
| ov 检索（OpenViking 知识库） | `py13` | `conda run -n py13 ov ...` |
|
||
|
||
### conda run 示例
|
||
|
||
**数据源匹配（my_opencode 环境）**：
|
||
```bash
|
||
# 直接使用 conda run 执行 Python 脚本
|
||
conda run -n my_opencode python /path/to/data_fetcher_script.py
|
||
|
||
# 或先激活环境再执行
|
||
conda activate my_opencode
|
||
python /path/to/data_fetcher_script.py
|
||
```
|
||
|
||
**OV 检索（py13 环境）**：
|
||
```bash
|
||
# 精确 grep 搜索表结构
|
||
conda run -n py13 ov grep "dim_intnl_org" --uri "viking://resources/table-metadata" --node-limit 5
|
||
|
||
# 语义 find 搜索成功案例
|
||
conda run -n py13 ov find "窗口函数" --uri "viking://resources/sql_snippets" --threshold 0.2
|
||
|
||
# 读取资源内容
|
||
conda run -n py13 ov read viking://resources/sql_snippets/{目录}/{文件}.sql
|
||
```
|
||
|
||
---
|
||
|
||
## OpenViking 资源库
|
||
|
||
加载`ov-search-context`技能来查找数据开发相关的资源
|
||
|
||
### 核心资源
|
||
|
||
| 资源路径 | 用途 | 搜索策略 |
|
||
|---------|------|---------|
|
||
| `viking://resources/sql_snippets` | 成功SQL代码片段 | 语义find + 精确grep |
|
||
| `viking://resources/table-metadata` | 表元信息（表结构、字段定义） | 精确grep + 语义find |
|
||
| `viking://resources/field-process-memory` | 字段处理经验笔记 | 语义find + 精确grep |
|
||
|
||
### 搜索参数推荐
|
||
|
||
| 参数 | 推荐值 | 说明 |
|
||
|-----|-------|------|
|
||
| `--node-limit` | 5-15 | 避免上下文膨胀 |
|
||
| `--threshold` | 0.2 | 过滤低相关性结果（语义搜索） |
|
||
|
||
---
|
||
|
||
## OV搜索强制执行时机
|
||
|
||
**为什么必须 OV 搜索**：OV 知识库包含历史成功案例、表结构信息、字段处理经验。**不检索会导致**：
|
||
- 猜测表结构 → 字段选错 → SQL 失败
|
||
- 缺乏成功案例参考 → 重复踩坑 → 代码质量差
|
||
- 猜测字段含义 → 口径偏差 → 业务错误
|
||
- 猜测处理方式 → 维护困难 → 返工成本高
|
||
|
||
---
|
||
|
||
**强制触发时机（不可跳过）**
|
||
|
||
| 时机 | 触发点 | 搜索内容 | 强制性 | 检索数量 |
|
||
|-----|--------|---------|--------|---------|
|
||
| 步骤1 - 数据源匹配后 | data-structure-fetcher 返回源表列表后 | **③ 常用数据源判断（最优先）** + 每个推荐表执行 5 类检索：表结构、成功SQL、常用判断、字段处理经验、业务语义 | ✅ MUST | 每表 5 次 |
|
||
| 步骤1 - 核心字段确认后 | 用户确认核心字段时 | 对核心字段进行专项检索 | ✅ MUST | 每字段 3 次 |
|
||
| 步骤2 - 模型设计前 | 用户确认需求后，开始模型设计 | OV 检索分层规范、参考案例 | ✅ MUST | 2-3 次 |
|
||
| 步骤3 - SQL 编写前 | 用户确认模型设计后，开始编写 SQL | OV 检索语法、成功案例 | ✅ MUST | 3-5 次 |
|
||
|
||
---
|
||
|
||
**数据源匹配后的具体检索内容**
|
||
|
||
| 检索类型 | 目的 | 命令（py13 环境） | 优先级 |
|
||
|---------|------|-----------------|--------|
|
||
| ③ 常用数据源判断 | **判断是否为常用数据源**（历史使用频率、稳定性） | `conda run -n py13 ov grep "{表名}" --uri "viking://resources/field-process-memory" --node-limit 10` | **最高（立即执行）** |
|
||
| ① 表结构检索 | 确认字段定义 | `conda run -n py13 ov grep "{表名}" --uri "viking://resources/table-metadata" --node-limit 10` | 高 |
|
||
| ② 成功SQL检索 | 找历史代码案例 | `conda run -n py13 ov grep "{表名}" --uri "viking://resources/sql_snippets" --node-limit 15` | 高 |
|
||
| ④ 字段处理经验 | 了解处理方式 | `conda run -n py13 ov grep "{表名}.*{字段}" --uri "viking://resources/field-process-memory" --node-limit 10` | 中 |
|
||
| ⑤ 业务语义检索 | 业务使用经验 | `conda run -n py13 ov find "{表名} {业务}" --uri "viking://resources/field-process-memory" --threshold 0.2` | 中 |
|
||
|
||
---
|
||
|
||
**困惑场景（立即检索）**：
|
||
- 表名陌生 → 立刻 `conda run -n py13 ov grep "{表名}" --uri "viking://resources/table-metadata"`
|
||
- 字段歧义 → 立刻 `conda run -n py13 ov grep "{表名}.*{字段}" --uri "viking://resources/table-metadata"`
|
||
- 语法不确定 → 立刻 `conda run -n py13 ov find "{语法}" --uri "viking://resources/sql_snippets" --threshold 0.2`
|
||
- 找不到成功案例 → 立刻 `conda run -n py13 ov find "{业务场景}" --uri "viking://resources/sql_snippets" --threshold 0.2`
|
||
|
||
---
|
||
|
||
## OV命令速查
|
||
|
||
**注意：OV 检索需要在 `py13` conda 环境中运行，使用 `conda run -n py13 ov ...`**
|
||
|
||
```bash
|
||
# === 精确grep：定位具体表/字段 ===
|
||
用表名搜索：
|
||
conda run -n py13 ov grep "{表名}" --uri "viking://resources/table-metadata" --node-limit 5
|
||
|
||
表名加字段名组合搜索:
|
||
conda run -n py13 ov grep "dim_intnl_org.*org_id" --uri viking://resources/table-metadata -n 5
|
||
|
||
多表名 OR 搜索:
|
||
conda run -n py13 ov grep "table1|table2|table3" --uri viking://resources/table-metadata -n 5
|
||
|
||
# === 语义find：召回相关内容 ===
|
||
conda run -n py13 ov find "{业务概念}" --uri "viking://resources/sql_snippets" --threshold 0.2
|
||
conda run -n py13 ov find "{问题描述}" --uri "viking://resources/field-process-memory" --threshold 0.2
|
||
|
||
# === 使用源表信息搜索成功案例 ===
|
||
conda run -n py13 ov grep "{源表表名}" --uri "viking://resources/sql_snippets" --node-limit 10
|
||
conda run -n py13 ov grep "{源表表名}.*{字段}" --uri "viking://resources/field-process-memory" --node-limit 10
|
||
conda run -n py13 ov find "{字段名} 问题描述" --uri "viking://resources/field-process-memory" --node-limit 5
|
||
|
||
# === 读取内容 ===
|
||
conda run -n py13 ov overview viking://resources/table-metadata/{表名}
|
||
conda run -n py13 ov read viking://resources/sql_snippets/{目录}/{文件}.sql
|
||
conda run -n py13 ov read viking://resources/field-process-memory/{文件}.md
|
||
```
|
||
|
||
---
|
||
|
||
## 工作流程
|
||
|
||
```
|
||
步骤1：需求分析 → 调用 requirement-analyzer + 数据源匹配的同时进行OV检索 + 困惑时OV检索
|
||
↓
|
||
步骤2：模型设计 → 调用 model-design-generator + 困惑时OV检索
|
||
↓
|
||
步骤3：SQL编写 → 调用 write-sql + 困惑时OV检索
|
||
↓
|
||
交付完成
|
||
```
|
||
|
||
---
|
||
|
||
## 执行流程详细步骤
|
||
|
||
### 步骤1：需求分析
|
||
|
||
**执行前检查**：无（直接开始）。
|
||
|
||
调用 `skill(name="requirement-analyzer")`
|
||
|
||
**困惑时检索（py13 环境）**：
|
||
- 不熟悉业务概念 → `conda run -n py13 ov find "{概念}" --uri "viking://resources/field-process-memory" --threshold 0.2`
|
||
- 不确定指标口径 → `conda run -n py13 ov find "{指标名称} 口径" --uri "viking://resources/field-process-memory" --threshold 0.3`
|
||
|
||
**完成后衔接**：`📄 已保存：{路径}。需求分析完成，开始模型设计...`
|
||
|
||
#### ✅ MUST：数据源匹配后 OV 深度检索
|
||
|
||
**强制性说明**：data-structure-fetcher 返回推荐数据源后，**必须对每个推荐表进行全方位 OV 检索**。不检索会导致：
|
||
- 猜测表结构 → 字段选错 → SQL 失败
|
||
- 缺乏成功案例参考 → 重复踩坑 → 代码质量差
|
||
- 不了解字段处理经验 → 口径偏差 → 业务错误
|
||
|
||
---
|
||
|
||
**触发时机**：requirement-analyzer 模块3，data-structure-fetcher 返回推荐表列表后，立即执行
|
||
|
||
**执行环境**：py13 conda 环境，使用 `conda run -n py13 ov ...`
|
||
|
||
---
|
||
|
||
**检索策略：每个推荐表必须执行以下 5 类检索**
|
||
|
||
| 检索类型 | 目的 | 命令模板 | node-limit |
|
||
|---------|------|---------|------------|
|
||
| ① 表结构检索 | 确认表字段定义、数据类型 | `conda run -n py13 ov grep "{表名}" --uri "viking://resources/table-metadata"` | 5-10 |
|
||
| ② 成功SQL案例检索 | 查找该表的历史成功 SQL 代码 | `conda run -n py13 ov grep "{表名}" --uri "viking://resources/sql_snippets"` | 10-15 |
|
||
| ③ 常用数据源判断 | **判断该表是否为常用数据源**（历史使用频率、稳定性、推荐度） | `conda run -n py13 ov grep "{表名}" --uri "viking://resources/field-process-memory"` | 5-10 |
|
||
| ④ 字段处理经验检索 | 了解该表字段的常见处理方式、注意事项 | `conda run -n py13 ov grep "{表名}.*{字段名}" --uri "viking://resources/field-process-memory"` | 5-10 |
|
||
| ⑤ 业务语义检索 | 了解该表在业务场景中的使用经验 | `conda run -n py13 ov find "{表名} {业务场景}" --uri "viking://resources/field-process-memory" --threshold 0.2` | 5-10 |
|
||
|
||
---
|
||
|
||
**③ 常用数据源判断 - 详细说明**
|
||
|
||
这是数据源匹配后**必须立即执行**的关键检索，用于判断推荐表是否值得采用：
|
||
|
||
**执行时机**：data-structure-fetcher 返回推荐表后，**立即执行此检索**
|
||
|
||
**检索命令**：
|
||
```bash
|
||
conda run -n py13 ov grep "{表名}" --uri "viking://resources/field-process-memory" --node-limit 10
|
||
```
|
||
|
||
**判断标准**：
|
||
|
||
| 检索结果 | 判断 | 建议操作 |
|
||
|---------|------|---------|
|
||
| 有多条历史使用记录（≥3条） | ✅ **常用数据源** | 推荐优先采用，可参考历史处理经验 |
|
||
| 有少量记录（1-2条） | ⚠️ **偶尔使用** | 可采用，需谨慎验证字段逻辑 |
|
||
| 无检索结果 | ❓ **新/陌生数据源** | 需进一步验证表结构，或寻找替代表 |
|
||
| 有警告/问题记录 | ⚠️ **有风险** | 需评估问题严重性，考虑替代方案 |
|
||
|
||
**结果展示格式**：
|
||
```
|
||
📋 常用数据源判断结果：
|
||
|
||
【dwd_crm_srv_complaint_rt】
|
||
- 检索结果：找到 5 条历史使用记录
|
||
- 判断：✅ 常用数据源（推荐采用）
|
||
- 历史使用场景：投诉量统计、投诉处理时效、部门投诉排名
|
||
- 注意事项：create_org_id 需关联组织表获取部门名称
|
||
|
||
【dim_intnl_org_new】
|
||
- 检索结果：找到 8 条历史使用记录
|
||
- 判断：✅ 常用数据源（高频使用）
|
||
- 历史使用场景：组织维度统计、部门层级分析、归属地统计
|
||
- 注意事项：org_name 有多级命名，需按业务口径标准化
|
||
```
|
||
|
||
**决策建议**：
|
||
- 多个推荐表中，优先选择"常用数据源"
|
||
- 对"陌生数据源"需额外验证，或向用户确认是否采用
|
||
- 对"有风险"数据源，建议告知用户并提供替代方案
|
||
|
||
---
|
||
|
||
**具体执行流程（py13 环境）**
|
||
|
||
```bash
|
||
# 对每个推荐表（如：dwd_crm_srv_complaint_rt），依次执行：
|
||
|
||
# ① 表结构检索（确认字段）
|
||
conda run -n py13 ov grep "dwd_crm_srv_complaint_rt" --uri "viking://resources/table-metadata" --node-limit 10
|
||
|
||
# ② 成功SQL案例检索（找历史代码）
|
||
conda run -n py13 ov grep "dwd_crm_srv_complaint_rt" --uri "viking://resources/sql_snippets" --node-limit 15
|
||
|
||
# ③ 常用数据源判断（判断是否常用 - 数据源匹配后立即执行）
|
||
conda run -n py13 ov grep "dwd_crm_srv_complaint_rt" --uri "viking://resources/field-process-memory" --node-limit 10
|
||
|
||
# ④ 字段处理经验检索（找处理笔记 - 对核心字段）
|
||
conda run -n py13 ov grep "dwd_crm_srv_complaint_rt.complaint_id" --uri "viking://resources/field-process-memory" --node-limit 10
|
||
|
||
# ⑤ 业务语义检索（结合业务场景）
|
||
conda run -n py13 ov find "dwd_crm_srv_complaint_rt 投诉统计" --uri "viking://resources/field-process-memory" --threshold 0.2 --node-limit 10
|
||
```
|
||
|
||
**执行顺序建议**：
|
||
- ③ 常用数据源判断是**最优先执行**的检索，应在数据源匹配后立即执行
|
||
- 其他检索可根据常用数据源判断结果调整执行优先级
|
||
|
||
---
|
||
|
||
**检索结果利用**
|
||
|
||
检索完成后，必须：
|
||
|
||
1. **汇总展示**：将检索结果整理成摘要，展示给用户
|
||
```
|
||
📊 OV 检索结果摘要：
|
||
|
||
【dwd_crm_srv_complaint_rt】
|
||
- 常用数据源：✅ 常用（找到 5 条历史使用记录）
|
||
- 表结构：包含 complaint_id、create_org_id、assist_dept_org_id 等字段
|
||
- 成功案例：找到 3 个历史 SQL（投诉量统计、投诉处理时效分析）
|
||
- 处理经验：create_org_id 字段需关联组织架构表获取部门名称
|
||
|
||
【dim_intnl_org_new】
|
||
- 常用数据源：✅ 常用（找到 8 条历史使用记录）
|
||
- 表结构：包含 org_id、org_name、accnt_bureau 等字段
|
||
- 成功案例：找到 5 个历史 SQL（部门维度统计）
|
||
- 处理经验：org_name 有多级命名规范，需按业务口径标准化
|
||
|
||
【dwd_new_table_2024】
|
||
- 常用数据源：❓ 陌生数据源（无历史使用记录）
|
||
- 建议：需进一步验证表结构，或寻找更成熟的替代表
|
||
```
|
||
|
||
2. **辅助源表选择**：基于常用数据源判断和成功案例数量，建议用户优先选择哪些表
|
||
```
|
||
建议：
|
||
- ✅ 优先采用：dwd_crm_srv_complaint_rt（常用数据源，有 3 个成功案例，历史使用稳定）
|
||
- ✅ 优先采用：dim_intnl_org_new（常用数据源，高频使用，组织表标准参考）
|
||
- ⚠️ 需验证：dwd_new_table_2024（陌生数据源，建议先验证或寻找替代表）
|
||
```
|
||
|
||
3. **预加载到上下文**：检索到的成功案例和字段处理经验，需在后续模型设计和 SQL 编写时引用
|
||
|
||
---
|
||
|
||
**检索时机强制触发表**
|
||
|
||
| 时间点 | 触发条件 | 检索内容 | 强制性 |
|
||
|-------|---------|---------|--------|
|
||
| data-structure-fetcher 返回后 | 推荐表列表返回 | **③ 常用数据源判断（最优先）** + 每个表的 5 类检索 | ✅ MUST |
|
||
| 用户补充新表名时 | 用户提及陌生表名 | 立刻 OV 检索该表（优先执行常用数据源判断） | ✅ MUST |
|
||
| 用户询问字段含义时 | 用户对字段有疑问 | OV grep 该表.字段 | ✅ MUST |
|
||
| 发现字段歧义时 | 同一字段有多来源 | OV find 语义检索 | ✅ MUST |
|
||
| 陌生数据源判断后 | 无历史使用记录 | 额外验证表结构，或建议替代表 | ✅ MUST |
|
||
|
||
---
|
||
|
||
**并行检索策略**
|
||
|
||
为提高效率，对多个推荐表的检索可并行执行：
|
||
|
||
```bash
|
||
# 并行检索多个表（使用 task agent 或 bash 后台）
|
||
conda run -n py13 ov grep "table1" --uri "viking://resources/table-metadata" --node-limit 10 &
|
||
conda run -n py13 ov grep "table2" --uri "viking://resources/table-metadata" --node-limit 10 &
|
||
conda run -n py13 ov grep "table3" --uri "viking://resources/table-metadata" --node-limit 10 &
|
||
```
|
||
|
||
---
|
||
|
||
**关键字段专项检索**
|
||
|
||
当推荐表中包含**核心业务字段**时，必须额外进行字段级检索：
|
||
|
||
```bash
|
||
# 对核心字段（如：complaint_id、org_id）进行专项检索
|
||
conda run -n py13 ov grep "dwd_crm_srv_complaint_rt.complaint_id" --uri "viking://resources/table-metadata" --node-limit 5
|
||
conda run -n py13 ov grep "complaint_id" --uri "viking://resources/field-process-memory" --node-limit 10
|
||
conda run -n py13 ov find "complaint_id 去重计数" --uri "viking://resources/sql_snippets" --threshold 0.2 --node-limit 10
|
||
```
|
||
|
||
---
|
||
|
||
### 步骤2：模型设计
|
||
|
||
**执行前检查**：需求分析已完成，用户已确认需求。
|
||
|
||
调用 `skill(name="model-design-generator")`
|
||
|
||
**困惑时检索（py13 环境）**：
|
||
- 确认表结构 → `conda run -n py13 ov grep "{表名}" --uri "viking://resources/table-metadata"`
|
||
- 了解分层规范 → `conda run -n py13 ov find "分层架构 DWA DWM ADS" --uri "viking://resources/sql_snippets" --threshold 0.2`
|
||
|
||
**完成后衔接**：`📄 已保存：{路径}。下一步将编写SQL脚本。请确认以上设计是否正确。`
|
||
|
||
---
|
||
|
||
### 步骤3：SQL编写
|
||
|
||
**执行前检查**：用户已确认模型设计。
|
||
|
||
调用 `skill(name="write-sql")`
|
||
|
||
**困惑时检索（py13 环境）**：
|
||
- SQL语法 → `conda run -n py13 ov find "{语法} 用法" --uri "viking://resources/sql_snippets" --threshold 0.2`
|
||
- 窗口函数示例 → `conda run -n py13 ov find "窗口函数 over partition" --uri "viking://resources/sql_snippets" --threshold 0.2`
|
||
|
||
**完成后衔接**：
|
||
```
|
||
📄 已保存：{路径}
|
||
|
||
交付物：
|
||
- 需求文档：{路径}
|
||
- 模型设计：{路径}
|
||
- SQL脚本：{路径}
|
||
```
|
||
|
||
---
|
||
|
||
## 状态跟踪
|
||
|
||
- step 1: 需求分析完成 → 准备模型设计
|
||
- step 2: 模型设计完成 → 等待用户确认
|
||
- step 3: SQL编写完成
|
||
- step 4: 全流程完成
|
||
|
||
记录产出物路径：需求文档、模型设计文档、SQL脚本。
|
||
|
||
---
|
||
|
||
## 交互规则
|
||
|
||
| 场景 | 响应 |
|
||
|-----|------|
|
||
| 用户确认 | 进入下一步 |
|
||
| 用户修改意见 | 调整后重新等待确认 |
|
||
| 中途修改 | 回到对应步骤重新执行 |
|
||
| 用户提及陌生概念 | 先OV检索再回复，提供选项 |
|
||
|
||
---
|
||
|
||
## 交互工具
|
||
|
||
在需要补充和确认信息，检查和修改的时候，使用`question`工具提供选项供用户选择，例如下面的情况：
|
||
|
||
```
|
||
例如下面的情况，请使用`question`工具：
|
||
请补充/确认以下信息：
|
||
1. 输出表中文名称：建议为"设备流量通话短信月均使用情况表"，是否需要修改？
|
||
2. 输出表英文名称：请提供库名.表名（如：db_eda_xxx_prd.ads_device_usage_avg_6m）
|
||
3. 数据目录：请提供数据目录路径（如：上海电信/大数据中心-xxx团队/xxx应用层）
|
||
4. 业务口径细节确认：
|
||
- "近6个月"的具体时间范围是指：从当月向前推6个月（即统计月及之前5个月，共6个月）？
|
||
- "平均值"计算方式：是计算每个设备在这6个月的平均值，还是其他口径？
|
||
- 设备标识字段是什么？（如：设备号、用户ID、手机号等）
|
||
请确认或补充以上信息，确认后进入模块3（数据源匹配）。
|
||
```
|
||
|
||
```
|
||
请检查并修改：
|
||
- 字段是否完整？需要补充或删除哪些字段？
|
||
- 字段名称是否需要调整？
|
||
- 字段加工逻辑是否准确？来源表.字段是否正确？
|
||
- 负责人信息是否正确？
|
||
```
|
||
|
||
---
|
||
|
||
## 困惑场景检索策略
|
||
|
||
**注意：所有 OV 检索命令需在 py13 conda 环境中运行**
|
||
|
||
| 困惑类型 | 检索资源 | 命令 |
|
||
|---------|---------|------|
|
||
| 不清楚表结构 | table-metadata | `conda run -n py13 ov grep "{表名}" --uri "viking://resources/table-metadata"` |
|
||
| 不确定字段含义 | table-metadata | `conda run -n py13 ov grep "{表名}.*{字段名}" --uri "viking://resources/table-metadata"` 或者 `conda run -n py13 ov grep "{字段名}" --uri "viking://resources/table-metadata"` |
|
||
| 不熟悉业务概念 | sql_snippets + field-process-memory | `conda run -n py13 ov find "{概念}" --uri "viking://resources/resources/field-process-memory" --threshold 0.2` |
|
||
| 需要代码参考 | sql_snippets + field-process-memory | `conda run -n py13 ov find "{功能}" --uri "viking://resources/sql_snippets" --threshold 0.2` |
|
||
| 找表成功案例 | sql_snippets + field-process-memory | 分别使用 `conda run -n py13 ov grep` 和 `conda run -n py13 ov find` 搜索两个资源 |
|
||
|
||
---
|
||
|
||
## 完成标志
|
||
|
||
三步骤完成（需求分析 → 模型设计 → SQL编写），用户已知交付物位置。
|