阿里云 EMR Serverless StarRocks(Stella 2.2.0) 发布：内表与湖表同时支持向量、全文与 AI Function，一条 SQL 完成多模态检索

摘要：Stella 2.2 面向 AI 时代的数据基础设施，打通"多模态数据处理---向量化与理解---多路检索---分析消费"的完整闭环。无论数据沉淀在 Paimon 湖表，还是 StarRocks 存算分离内表，都可以在统一 SQL 入口下组合结构化分析、全文检索、向量检索与 AI Function，服务智能驾驶、具身智能、内容与商品理解、企业知识库和 RAG 等场景。

一、AI 时代，企业需要的不是更多引擎，而是处理与分析闭环

大模型应用正在把企业数据从"结构化宽表"扩展为结构化、半结构化与非结构化数据共存。以智能驾驶为例，一条数据既包含车辆、天气、时间、传感器等结构化字段，也关联图片、语音、视频和文本描述；具身智能则需要同时管理机器人状态、任务指令、视觉轨迹、动作序列和训练标注。

传统方案往往需要计算引擎、搜索引擎、向量数据库和模型服务协同：数据被复制到多套系统，Schema 与索引重复维护，结果还要在应用层拼装。随着数据规模和模态增加，链路成本、数据一致性与在线稳定性都会成为瓶颈。

Stella 2.2 的目标，是用一份数据和一套 SQL 入口完成两类核心工作：

多模态处理：通过 AI Function 对文本、图片、音频、视频进行理解、抽取、分类、摘要和向量化；
多模态检索：在存算分离内表与 Paimon 湖表上组合结构化条件、全文与向量检索，直接服务分析、样本圈选、RAG 与 Agent。

二、Stella 演进：从正式发布、性能领先到多模态闭环

版本	产品里程碑
Stella 1.0	Stella 正式发布，面向云上湖仓分析提供更好的性能与稳定性，并以全托管 Serverless 形态降低运维和弹性扩缩成本。
Stella 2.0	TPC-H 打榜第一，OLAP 性能达到 SOTA；同时补齐 ETL 核心能力，进入 ETL Production Ready 阶段。
Stella 2.2	形成多模态处理与分析闭环：AI Function 负责数据理解与向量化，存算分离内表和 Paimon 湖表共同承载多模态检索与分析。

Stella 2.2 不是单独增加一项搜索能力，而是把 AI 数据加工与数据检索放回同一个分析系统中：处理结果可进入内表，也可通过 Native Writer 写入 Paimon；随后直接使用结构化、全文和向量能力完成检索与分析。

三、关键特性一：多模态处理------AI Function

Stella 2.2 将模型能力封装为 SQL Function，用户可以在查询、筛选、聚合和写入 SQL 中直接调用模型，不需要额外编排 Python 服务。

3.1 覆盖文本理解、生成、向量化与多模态输入

理解与治理 ：ai_sentiment、ai_classify、ai_extract、ai_filter、ai_redact；
生成与转换 ：ai_complete、ai_translate、ai_summarize、ai_fix_grammar；
语义计算 ：ai_similarity、ai_embed；
多模态处理 ：ai_complete 支持文本、图片、视频、音频输入，ai_embed_multimodal 支持把多模态内容映射到统一向量空间；
跨行汇总 ：ai_agg、ai_agg_summary 支持按业务分组完成自然语言归纳。

AI Function 可以作用于存算分离内表，也可以直接处理 Paimon 表中的 VARCHAR、VARBINARY/BLOB descriptor 或对象 URL。执行侧提供模型能力路由、批处理、并发与 QPS 控制、Token 用量统计和错误处理，为生产环境中的模型调用提供统一治理入口。

3.2 数据流示例：智驾场景自动理解与标注

text 复制代码

Paimon/内表中的路采数据
  ├─ 结构化字段：车型、天气、时间、传感器值
  └─ 多模态对象：图片、视频、音频、文本描述
        ↓
AI Function
  ├─ ai_complete / ai_extract：场景理解与结构化抽取
  ├─ ai_classify / ai_filter：危险场景分类与语义筛选
  └─ ai_embed_multimodal：生成统一向量
        ↓
结构化标签 + 文本描述 + Embedding
        ↓
写入存算分离内表，或通过 Native Writer 写入 Paimon
        ↓
进入样本圈选、训练数据治理、RAG/Agent 与 BI 分析

一条 SQL 即可把"理解---抽取---向量化---落表"串联起来，数据处理结果与原始业务字段保持在同一套表语义中。

四、关键特性二：多模态检索------内表与 Paimon 两条数据链路

Stella 2.2 同时覆盖存算分离内表和 Paimon 湖表。两者面向不同的数据组织方式，但共享统一 SQL 入口，混合检索能力被直接编排进业务数据流，不需要把结果拉到应用层再次拼接。

4.1 存算分离内表：在线分析与多模态检索一体化

存算分离内表支持向量索引在共享存储上的构建、持久化、读取和回收，支持 HNSW/IVF 系列索引与余弦相似度、内积、L2 距离；同时可结合内表全文/倒排索引和普通 SQL 谓词，完成结构化、关键词和语义相似度的联合检索。

向量索引文件随 Lake Tablet 元数据统一管理，支持异步构建、精确 Vacuum 跟踪，并在索引文件缺失时回退到暴力距离计算，从而兼顾性能与可用性。查询侧支持参数化向量输入与 Profile 指标，便于接入在线应用并持续调优。

数据流示例：具身智能轨迹检索

text 复制代码

机器人轨迹、任务指令、视觉特征与动作标签
        ↓  写入存算分离内表
结构化列 + 文本列/倒排索引 + 向量列/HNSW(IVF)
        ↓  单条 SQL 统一编排
任务/时间/设备过滤 + 关键词召回 + ANN 相似轨迹召回
        ↓
Top-K 候选轨迹与原始业务字段
        ↓
训练样本选择、失败轨迹复盘、相似任务推荐与在线分析

4.2 Paimon 湖表：面向多模态数据湖的原生检索与读写闭环

Paimon Global Index 将湖表上的多路索引统一到分布式执行框架中：

向量检索：支持 ANN Top-N，覆盖余弦相似度、内积和 L2 距离；
全文检索 ：支持 Tantivy 全文索引与 score() Top-N；
结构化过滤：BTree、Bitmap 索引可作为前置过滤条件；
缓存与可观测：Global Index 接入 DataCache，提供元数据缓存、行标量缓存与 Profile 指标；
多模态数据承载：可读取 Paimon BLOB/BLOB descriptor，把图片、音频、视频、文档及其结构化元数据、文本描述和向量组织在同一湖表中；
Native 读写：Paimon-cpp Native Reader 作为读取兜底路径，Native Writer 支持数据写入、固定 Bucket 路由与提交错误传播，形成处理结果写回湖表的闭环。

数据流示例：智驾多模态样本圈选

text 复制代码

OSS + Paimon
  ├─ BLOB/descriptor：图片、视频、音频、文档
  ├─ 结构化字段：车辆、天气、时间、标注
  ├─ 文本字段：场景描述、工单与模型生成摘要
  └─ 向量字段：图片/视频/文本 Embedding
        ↓
Global Index + Native Reader
  ├─ BTree/Bitmap：结构化候选过滤
  ├─ Tantivy/BM25：关键词与全文召回
  └─ ANN：跨模态语义相似召回
        ↓  SQL 中组合多路条件与 Top-N
训练样本集 / 数据质量分析 / RAG / Agent
        ↓
AI Function 继续加工 → Native Writer 写回 Paimon

这条链路强调"多模态数据在湖、处理与检索在 Stella"：既保留 Paimon 的开放湖格式与低成本存储，又避免把多模态检索拆成多套独立系统。

五、典型场景

智能驾驶：多模态训练数据圈选

按车型、天气、时段等结构化条件筛选，再组合场景描述全文召回和图片/视频向量相似度，快速定位长尾场景；AI Function 可继续完成场景分类、标签抽取与描述生成。

具身智能：轨迹理解与相似任务检索

将任务指令、环境视觉、动作序列和运行指标统一组织，检索相似轨迹并结合结构化指标定位失败原因，为训练集构建、评测和在线决策提供数据基础。

内容、电商与广告：跨模态素材打标和检索

支持文搜图、图搜图、图搜文、视频搜文等跨模态检索，并组合类目、时间、品牌、审核状态等条件，服务商品理解、素材推荐、版权审核与内容运营。

企业知识库与 RAG

对文档、图片、音视频和结构化业务数据进行抽取、摘要与向量化，通过全文、向量和权限/业务条件联合检索，为 RAG 与 Agent 提供更完整的上下文。

六、产品功能发布清单

6.1 湖表多模态检索

Paimon Global Index 支持 ANN 向量 Top-N、Tantivy FTS score() Top-N，以及 BTree/Bitmap 前置过滤；
支持带得分的 Global Index 查询，ANN 候选数量与搜索参数可配置，并修正不同距离度量的排序方向；
Global Index 接入 DataCache，新增 Catalog 元数据缓存、行标量缓存、索引 Profile 指标；
支持读取 Paimon BLOB 与 BLOB descriptor，Paimon-cpp Native Reader 作为 Split 读取兜底路径；
Paimon Native Writer 支持写入与固定 Bucket Shuffle，新增 paimon_bucket()，完善 TIMESTAMP/TIMESTAMP_LTZ 精度写入和提交失败传播；
支持 Paimon TRUNCATE TABLE，并优化非 Metastore 分区表的分区枚举开销。

6.2 存算分离内表多模态检索

支持在存算分离模式下构建、写入和读取向量索引；
向量索引文件纳入 Lake Tablet 元数据并支持精确 Vacuum 跟踪；
支持异步向量索引构建，并在索引文件缺失时回退到暴力距离计算；
支持余弦相似度、内积、L2 距离及参数化向量查询；
可将向量检索与内表全文/倒排索引、结构化 SQL 谓词组合，形成统一的多路检索流程；
新增向量检索 Profile 指标，便于定位召回与执行性能。

6.3 AI Function

文本理解与治理：ai_sentiment、ai_classify、ai_extract、ai_filter、ai_redact；
文本生成与转换：ai_complete、ai_translate、ai_summarize、ai_fix_grammar；
语义与向量：ai_similarity、ai_embed、ai_embed_multimodal；
分组汇总：ai_agg、ai_agg_summary；
ai_complete 支持文本、图片、视频、音频与多内容组合，ai_embed_multimodal 支持 URL、图片二进制及多内容输入；
支持 OpenAI-compatible 与 DashScope Native 能力路由，并提供微批、限流、Token 统计与错误治理。

6.4 功能、性能与稳定性优化

Paimon Global Index：修复 OR 结果聚合、索引分片范围、ANN 参数顺序和度量排序方向问题；
Paimon I/O：异步读取线程安全优化，元数据与数据缓存优化，减少重复远端访问；
Paimon 类型兼容：完善 INT96、TIMESTAMP、TIMESTAMP_LTZ 与无时区时间戳处理；
Paimon 写入稳定性：固定 Bucket 路由、提交失败透传与 Native Writer 上下文统一；
Fluss：优化谓词下推、分区裁剪和分区信息复用，并支持无 Lake Snapshot 的 Fluss-only 表读取；
查询稳定性：修复 Join 重排列裁剪、聚合下推后空 Analytic、Lambda 参数 ID 冲突与 INSERT OVERWRITE 重规划问题；
系统稳定性：增加 MySQL 结果发送写超时、AutoVacuum 事务清理防抖和按 Warehouse 的慢查询指标。

七、总结

Stella 1.0 让 Serverless StarRocks 正式进入生产，Stella 2.0 用 TPC-H 第一和 ETL Production Ready 建立性能与工程能力，Stella 2.2 则进一步把数据处理、模型调用、多模态检索和分析消费连接成闭环。

对用户而言，核心价值不是增加一套专用检索系统，而是在现有湖仓数据上直接获得 AI Function 与多模态检索能力：Paimon 湖表适合开放、低成本的多模态数据湖，存算分离内表适合在线分析与检索，两条路径都由 Stella 的统一 SQL、Serverless 计算和可观测体系承载。