Szybki start: Asystent optymalizatora zapytań

GitHub Copilot pomaga optymalizować zapytania i badać wąskie gardła wydajności w rozszerzeniu MSSQL dla Visual Studio Code. Możesz prosić o pomoc w kodzie Transact-SQL (T-SQL) i mapowaniu obiektowo-relacyjnym (ORM), interpretować plany wykonania lub używać narzędzi agenta do badania przechwyconych danych Query Store.

Wprowadzenie

Upewnij się, że masz połączenie z bazą danych i masz otwarte aktywne okno edytora z rozszerzeniem MSSQL. Po nawiązaniu połączenia uczestnik ten rozumie kontekst środowiska bazy danych i może udzielić dokładne, kontekstowe sugestie. Jeśli nie łączysz się z bazą danych, rozmówca nie ma kontekstu schematu ani danych, aby udzielać znaczących odpowiedzi.

Poniższe przykłady wykorzystują bazę AdventureWorksLT2022 danych próbek, którą można pobrać z repozytorium GitHub Azure Data SQL Samples.

Aby uzyskać najlepsze wyniki, dostosuj nazwy tabel i schematów, aby dopasować je do własnego środowiska.

Upewnij się, że czat zawiera @mssql prefiks. Na przykład wpisz @mssql swoje pytanie lub polecenie. Ten prefiks gwarantuje, że uczestnik czatu rozumie, czy prosisz o pomoc związaną z językiem SQL.

Optymalizowanie wydajności za pomocą narzędzia GitHub Copilot

Korzystaj z uczestnika @mssql czatu, aby przeglądać zapytania SQL i ORM, wyjaśniać plany wykonania oraz sugerować ulepszenia. Przykłady zaczynają się od optymalizacji zapytań i scenariuszy typu code-first, a następnie następuje przykład agenta Query Store w wersji podglądowej.

Optymalizowanie zapytań

Użyj narzędzia GitHub Copilot, aby zidentyfikować nieefektywność zapytań SQL lub mapowania relacyjnego obiektów (ORM) i zasugerować sposoby poprawy wydajności. GitHub Copilot pomaga stosować najlepsze praktyki dotyczące języka T-SQL i ORM, od przepisania wolnych zapytań, poprzez sugerowanie indeksów, po unikanie antywzorców, takich jak sprzężenia kartezjańskie, na podstawie bieżącego kontekstu.

Przykład podstawowy

Optimize the following query:

SELECT *
FROM SalesLT.SalesOrderHeader
WHERE OrderDate > '2023-01-01';

Przykład poprawy indeksu

Suggest indexing improvements for this query:

SELECT ProductID
FROM SalesLT.SalesOrderDetail
WHERE Quantity > 100;

Przykład ulepszenia sprzężenia

Rewrite this query to avoid a Cartesian join. Make sure the new query follows T-SQL best practices:

SELECT * FROM Customers, Order;

Przykład wyboru zagnieżdżonego

Rewrite this Prisma query to avoid unnecessary nested selects and improve readability:

const orders = await prisma.salesOrderHeader.findMany({
  where: {
    orderDate: {
      gt: new Date('2023-01-01')
    }
  }
});

Analiza planu wykonania

Plany wykonywania zawierają szczegółowy podział sposobu przetwarzania zapytań przez aparat SQL. Narzędzie GitHub Copilot może pomóc w interpretowaniu planów wykonywania, identyfikowaniu wąskich gardeł, takich jak sprzężenia zagnieżdżonych pętli, oraz sugerowaniu ulepszeń na podstawie rzeczywistych wzorców zapytań i strategii indeksowania.

Możesz użyć następującego zapytania jako przykładu, aby wygenerować plan wykonania przy użyciu opcji Szacowany/Rzeczywisty plan w rozszerzeniu MSSQL:

SELECT soh1.SalesOrderID AS OrderA,
       soh2.SalesOrderID AS OrderB,
       soh1.TotalDue AS TotalA,
       soh2.TotalDue AS TotalB
FROM SalesLT.SalesOrderHeader AS soh1
    CROSS JOIN SalesLT.SalesOrderHeader AS soh2
WHERE soh1.TotalDue < soh2.TotalDue
ORDER BY soh2.TotalDue DESC;

Dołącz jak najwięcej kontekstu, wybierając zapytanie z edytora i dołączając sqlplan plik w oknie czatu w usłudze GitHub Copilot, jak pokazano na tym zrzucie ekranu.

Zrzut ekranu pokazujący przykład planu wykonania w Visual Studio Code.

According to the execution plan shared by my database expert, the following query is using a nested loop join which is affecting the performance of my app. Can you explain in simple terms why this might be happening? Additionally, suggest optimization strategies that could improve the query's performance.

Możesz użyć następującego zapytania jako przykładu, aby wygenerować plan wykonania przy użyciu opcji Szacowany/Rzeczywisty plan w rozszerzeniu MSSQL:

SELECT c1.CustomerID,
       c1.LastName,
       c2.CustomerID AS MatchingCustomerID,
       c2.LastName AS MatchingLastName
FROM SalesLT.Customer AS c1
     INNER JOIN SalesLT.Customer AS c2
         ON c1.LastName = c2.LastName
        AND c1.CustomerID <> c2.CustomerID
OPTION (LOOP JOIN);

Dołącz jak najwięcej kontekstu, wybierając zapytanie z edytora i dołączając sqlplan plik w oknie czatu w usłudze GitHub Copilot, jak pokazano na tym zrzucie ekranu.

Zrzut ekranu pokazujący plan wykonania z zagnieżdżonym złączeniem pętli w Visual Studio Code.

Explain the execution plan for this query that performs a join with a filter on TotalDue:

SELECT c.CustomerID,
       c.FirstName,
       c.LastName,
       soh.SalesOrderID,
       soh.TotalDue
FROM SalesLT.Customer AS c
     INNER JOIN SalesLT.SalesOrderHeader AS soh
         ON c.CustomerID = soh.CustomerID
WHERE soh.TotalDue > 500;

Restrukturyzacja zapytań

Restrukturyzacja zapytań przy użyciu typowych wyrażeń tabel (CTE) może ułatwić odczytywanie i konserwowanie zapytań. Takie podejście jest szczególnie przydatne w przypadku złożonej logiki lub zagnieżdżonych podzapytania. GitHub Copilot może pomóc w przepisaniu istniejących zapytań, aby używać CTEs, zachowując oryginalny zamysł i zwiększając czytelność.

Wewnętrzny wybór do przykładu CTE

Rewrite this query using common table expressions (CTEs) to improve clarity:

SELECT *
FROM (SELECT ProductID,
             SUM(Quantity) AS TotalQuantity
      FROM Sales
      GROUP BY ProductID) AS SubQuery;

Przykład klauzuli HAVING dla CTE

Rewrite the following query using a CTE (common table expression) to improve readability and maintainability:

SELECT soh.CustomerID,
       COUNT(*) AS OrderCount
FROM SalesLT.SalesOrderHeader AS soh
WHERE soh.OrderDate > '2022-01-01'
GROUP BY soh.CustomerID
HAVING COUNT(*) > 5;

Przykład klauzuli agregacji w CTE

Use a CTE to separate the aggregation logic from the filter condition in this query:

SELECT ProductID,
       AVG(UnitPrice) AS AvgPrice
FROM SalesLT.SalesOrderDetail
GROUP BY ProductID
HAVING AVG(UnitPrice) > 50;

Scenariusze wydajności oparte na kodzie

Podczas pracy z maszynami ORM, takimi jak Entity Framework, Prisma lub Sequelize, wydajność może ulec pogorszeniu, jeśli nie optymalizujesz zapytań. GitHub Copilot pomaga wykrywać i rozwiązywać problemy, takie jak brakujące indeksy, nieefektywne filtrowanie i problemy N+1 w przepływach pracy z kodem.

Przykład prisma

In a Prisma project, how would you ensure that queries filtering by `OrderDate` in `SalesOrderHeader` are using indexes effectively?

Przykład programu Entity Framework Core

Using Entity Framework Core, how can you analyze and optimize a LINQ query that retrieves the top 10 customers by total order value?

Przykład Sequelize

In Sequelize, how do you restructure a query that fetches order history with product details to minimize N+1 query issues?

Badanie zapytań w trybie agenta (podgląd)

Użyj bezpośrednio w trybie agenta narzędzi agenta Query Store w wersji zapoznawczej. Nie potrzebujesz dashboardu, ale potrzebujesz przechwyconych danych Query Store oraz uprawnień do ich odczytu. Zobacz wymagania wstępne.

Narzędzie #mssql_query_store_analyze_query pobiera tekst SQL, przechowywane plany, statystyki środowiska uruchomieniowego, historię wykonywania oraz zdarzenia oczekiwania. Nie przekazujesz do niego tekstu SQL ani planu XML.

Input Co należy podać
Query Wymagane przez queryId z Query Store. Jeśli nie wiadomo, poproś agenta, aby najpierw znalazł najpopularniejsze zapytania.
Connection Wymagane: connectionId lub profileId, oparte na zapisanym profilu. Nazwij profil lub połączenie w swoim promptie.
Database Opcjonalnie database; domyślnie używa bazy danych połączenia lub profilu.
Horyzont czasowy Opcjonalne hours (domyślnie 24), lub oba startUtc oraz endUtc jako znaczniki czasowe ISO 8601 UTC.
Plans Opcjonalnie użyj planIds, aby nadać priorytet podsumowaniom; domyślnie są wybierane plany o największym łącznym czasie trwania.

Zamień przykładowy identyfikator zapytania, bazę danych i profil na własny:

#mssql_query_store_analyze_query Analyze query 4 in AdventureWorksLT using my LocalDev profile for the past 24 hours. Explain the main findings. Don't make changes.

W panelu Query Performance Dashboard (preview)Chat jest opcjonalnym skrótem w menu akcji wiersza zapytania (...) lub na stronie szczegółów zapytania. Otwiera tryb agenta z wypełnionym identyfikatorem zapytania, profilem, bazą danych oraz wybranym zakresem czasu.

Zrzut ekranu menu akcji przeglądu zapytania z opcjonalnym punktem wejścia do czatu na potrzeby badania w Query Store.

Odczyty diagnostyczne nie modyfikują Twojej bazy danych. Przed ich zastosowaniem przetestuj zalecane zmiany.

Podziel się swoimi doświadczeniami

Aby pomóc nam udoskonalić i ulepszyć narzędzie GitHub Copilot dla rozszerzenia MSSQL, użyj następującego szablonu problemu GitHub, aby przesłać swoją opinię: GitHub Copilot Feedback

Podczas przesyłania opinii należy wziąć pod uwagę następujące kwestie:

  • Testowane scenariusze: Daj nam znać, na których obszarach się skupiłeś, na przykład tworzenie schematów, generowanie zapytań, bezpieczeństwo, lokalizacja.

  • Co się sprawdziło: Opisz doświadczenia, które wydawały się płynne, pomocne lub przewyższały Twoje oczekiwania.

  • Problemy lub błędy: Dołącz wszelkie problemy, niespójności lub mylące zachowania. Zrzuty ekranu lub nagrania ekranu są szczególnie przydatne.

  • Sugestie dotyczące ulepszeń: Podziel się pomysłami na poprawę użyteczności, rozszerzenie zasięgu lub ulepszenie odpowiedzi GitHub Copilot.