2026 年性能改进¶

重要

性能改进通常针对特定的查询模式或工作负载。这些改进可能会对特定工作负载产生实质性影响，也可能不会。

2026 年推出了以下性能改进：


发布时间	描述	影响
2026 年 4 月	改进了对 TIMESTAMP_TZ 数据类型的表达式在运行时的修剪能力。Snowflake 现在能更有效地根据基于时间戳的筛选谓词对微分区进行修剪。	对于带时间戳筛选条件的时间序列查询，通过跳过更多不相关的微分区来减少 I/O 和执行时间，从而提升性能。
2026 年 4 月	持续改进哈希连接中的数据倾斜处理，进一步减少因数据分布不均导致的处理瓶颈。	通过基于虚拟仓库配置动态调整数据重分布，缩短存在数据倾斜的连接查询的执行时间。
2026 年 4 月	Performance Explorer 现在应用了细粒度访问控制，使可见性与您在虚拟仓库、数据库和 Snowflake 数据库角色上的权限对齐。	更多用户可以访问 Performance Explorer 来识别慢速查询并进行故障排除，而无需拥有 ACCOUNTADMIN 权限。
2026 年 4 月	通过 `DYNAMIC_TABLE_REFRESH_BOUNDARY()` 实现动态表刷新边界。解耦上下游动态表刷新，使每个管道能够独立刷新。	避免不必要的级联刷新，降低多阶段动态表管道的计算成本和刷新延迟。
2026 年 3 月	任务图形重叠策略。任务支持 `ALLOW_CHILD_OVERLAP` 和 `ALLOW_ALL_OVERLAP`，允许图形的并发运行。	通过允许并行执行而不是仅串行调度，提高基于任务的数据管道的吞吐量。
2026 年 3 月	增强了由 Query Acceleration Service (QAS) 加速的查询的并行扫描能力。	通过在扫描操作期间启用更多并行 I/O，缩短 QAS 加速查询的执行时间。
2026 年 3 月	Cortex Search 更新（正式发布）：针对代理的多索引搜索和搜索服务选择，通过仅查询一个服务而非所有服务，降低延迟和成本。	为基于 Cortex Search 的应用程序和代理降低搜索延迟和成本。
2026 年 3 月	动态表 `SCHEDULER` 属性（正式发布）。设置 `SCHEDULER = DISABLE` 以进行纯手动刷新；手动刷新不会通过管道级联。	当外部编排工具（如 dbt）控制刷新时间时，减少不必要的刷新计算。
2026 年 3 月	动态表增量刷新支持 MIN_BY 和 MAX_BY 函数（正式发布）。	更多动态表管道可以保持增量刷新，而无需回退到效率较低的全量刷新路径。
2026 年 3 月	根据执行计划动态调整网络消息大小，以优化处理节点之间的数据传输。	通过减少网络开销，缩短交互式和延迟敏感型工作负载的执行时间。特别有利于短期运行的查询和高并发场景。
2026 年 3 月	改进了扫描集构建，以减少并行查询执行期间的锁争用。	缩短了扫描密集型查询的执行时间，尤其是在高并发的大型虚拟仓库中。减少了并行扫描协调期间的 CPU 开销。
2026 年 3 月	当存在公用表表达式 (CTEs) 时，识别并提前执行聚合操作的时机。	通过减少查询计划后期处理的数据量，缩短带有 CTEs 的复杂查询的执行时间。
2026 年 3 月	改进了通过视图列进行的提取下推，使通过视图访问的子列能够更高效地利用扫描和元数据。	缩短了通过视图访问子列的查询的执行时间。
2026 年 2 月	Cortex Code CLI 查询优化器技能（正式发布）。使用自然语言获取 AI 驱动的查询优化建议。	通过 Cortex Code 命令行界面提供优化建议，帮助用户识别和修复慢速查询。
2026 年 2 月	改进了文件修剪器的性能，减少了扫描大量文件时的单文件剪枝开销。	在编译和执行过程中更快地做出修剪决策，特别是对于扫描具有许多微分区的表的查询。
2026 年 2 月	改进了基于范围的微分区修剪，以支持更多查询模式。	通过跳过更多不相关的微分区，缩短具有范围谓词的查询的编译和执行时间。
2026 年 2 月	当数据适合单个服务器节点时，聚合处理更高效，避免不必要的分布式处理开销。	提高了数据量不需要分布式计算的聚合查询的性能。
2026 年 1 月	:doc:`AI_FILTER </sql-reference/functions/ai_filter>`（正式发布）。包含查询引擎优化，可将符合条件的 AI_FILTER 模式路由至优化后的执行路径。	在合适的查询中，速度提升可达 2-10 倍，且词元使用量减少约 60%。
2026 年 1 月	AI_AGG 和 :doc:`AI_SUMMARIZE_AGG </sql-reference/functions/ai_summarize_agg>`（正式发布）。基于集的 AI 聚合函数，原生处理分组数据，而非逐行调用 AI_COMPLETE。	与等效的逐行 AI_COMPLETE 模式相比，大型聚合工作负载的吞吐量提升约 2 倍。
2026 年 1 月	搜索优化：支持结构化数据类型。搜索优化可以提高标准表和 Apache Iceberg™ 表中对 ARRAY、OBJECT 和 MAP 列的点查找和子字符串查询性能。	提高了筛选结构化数据列的查询的查询性能。
2026 年 1 月	通过 Snowflake Optima 元数据改进了查询性能，它会持续分析您的工作负载模式并创建元数据，以优化对未使用的微分区的修剪。Snowflake Optima 仅在 Snowflake 第 2 代标准仓库 (Gen2) 上可用。	通过创建元数据以更有效地修剪来提高查询性能。
2026 年 1 月	改进了带有不等式谓词的联接查询的修剪。例如，以下联接查询在不等式谓词中使用了 `>` 运算符： SELECT * FROM employees e, managers m WHERE e.employee_id = m.employee_id AND e.salary > m.salary AND m.level = 'M5'; 对于此查询，Snowflake 会从 `employees` 表中修剪掉所有工资都低于最低 `M5` 经理工资的微分区。	提高了带有不等式谓词的联接查询的性能。
2026 年 1 月	加快了 PARSE_JSON 操作的 JSON 解析速度。	缩短了解析 JSON 数据的查询的执行时间。涉及大量 JSON 处理的查询可能会看到显著的提速。
2026 年 1 月	通过在整个编译过程中保持简化形式，改进了带有深度嵌套 CASE 表达式的查询的编译性能。	缩短了带有大型 CASE 表达式（尤其是包含众多分支的表达式）的查询的编译时间。