摘要：Stella 2.2 作为面向 AI 时代的数据基础设施，实现了“多模态数据采集与处理—向量化与语义理解—多路检索与融合—分析消费”的完整闭环。无论数据存储于 Paimon 湖表，还是 StarRocks 存算分离内表，用户均可通过统一 SQL 入口，组合结构化分析、全文检索、向量检索与 AI Function，广泛服务于智能驾驶、具身智能、内容与商品理解、企业知识库及 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

大模型的应用正在将企业数据从传统的“结构化宽表”舒适区，推向结构化、半结构化与非结构化数据混合的复杂战场。以智能驾驶为例，一条数据中既包含车辆、天气、时间、传感器等结构化字段，往往还关联着图片、语音、视频和文本描述；在具身智能领域，机器人状态、任务指令、视觉轨迹、动作序列和训练标注，都需要被统一管理和高效处理。 传统做法是什么？计算引擎、搜索引擎、向量数据库、模型服务各管一摊，数据被复制到多套系统，Schema 和索引需重复维护，最后还必须在应用层手动拼接结果。随着数据规模与模态的持续增长，链路成本、数据一致性和在线稳定性，迟早会成为难以绕过的瓶颈。 Stella 2.2 的目标非常明确：利用一份数据、一套 SQL 入口，完成两项核心任务： * **多模态处理**：通过 AI Function 对文本、图片、音频、视频进行理解、抽提、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、全文检索与向量检索，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优性能与稳定性，并以全托管 Serverless 形态降低运维与弹性扩缩成本。
Stella 2.0	TPC-H 打榜第一，OLAP 性能达到行业领先水平；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 并非简单地为系统添加搜索功能，而是将 AI 数据加工与数据检索整合到同一个分析系统中。处理后的结果可写入内表，也能通过 Native Writer 写入 Paimon；紧接着，就能利用结构化、全文和向量能力直接完成检索与分析。

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，用户可在查询、筛选、聚合和写入 SQL 中直接调用，完全无需额外编排一套 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` 可将多模态内容映射到统一的向量空间。 * **跨行汇总**：`ai_agg`、`ai_agg_summary` 支持按业务分组完成自然语言归纳。 这些 AI Function 既能作用于存算分离内表，也能直接处理 Paimon 表中的 VARCHAR、VARBINARY/BLOB descriptor 或对象 URL。执行层还提供了模型能力路由、批处理、并发与 QPS 控制、Token 用量统计和错误处理，相当于为生产环境中的模型调用配置了一个统一的治理入口。

3.2 数据流示例：智驾场景自动理解与标注

``` 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 即可将“理解—抽取—向量化—落表”整个链条串联起来，处理结果与原始业务字段保持在同一个表语义中，简洁高效。

四、关键特性二：多模态检索——内表与 Paimon 两条数据链路

Stella 2.2 同时覆盖了存算分离内表和 Paimon 湖表。它们面向不同的数据组织方式，但共享统一的 SQL 入口，混合检索能力被直接编排进业务数据流，结果无需拉到应用层再拼一次。

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，以及余弦相似度、内积、L2 距离。同时，它可结合内表全文/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，并且在索引文件缺失时能回退到暴力距离计算，兼顾了性能与可用性。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** ``` 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了分布式执行框架中： * **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，将图片、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个湖表中。 * **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，形成了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** ``` 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 ``` 这条链路的核心思路是“多模态数据在湖，处理与检索在 Stella”。既保留了 Paimon 的开放湖格式与低成本存储，又避免了将多模态检索拆分为多套独立系统。

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，并修正了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()`，完善了 TIMESTAMP/TIMESTAMP_LTZ 精度写入和提交失败传播。 * 支持 Paimon `TRUNCATE TABLE`，并优化了非 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：修复了 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，减少了重复远端访问。 * Paimon 类型兼容：完善了 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：优化了谓词下推、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：修复了 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：增加了 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 正式进入生产环境；Stella 2.0 凭借 TPC-H 第一和 ETL Production Ready 证明了其卓越的性能与工程能力；Stella 2.2 则更进一步，将数据处理、模型调用、多模态检索和分析消费连接成了一个完整的闭环。 对用户而言，核心价值并非多了一套专用的检索系统，而是在现有的湖仓数据上，直接获得了 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，而这两条路径，均由 Stella 的统一 SQL、Serverless 计算和可观测体系来承载。