PostgreSQL 19 Beta 1 深度解析：当「全球最强开源数据库」学会了图查询——从 SQL/PGQ 标准实现到生产级性能优化的完全指南（2026）

引言：PostgreSQL 19 来了，这次真的不一样

2026 年 6 月 4 日，PostgreSQL 全球开发组正式发布了 PostgreSQL 19 Beta 1。作为全球最先进的开源关系型数据库，PostgreSQL 的每一次大版本更新都牵动着无数 DBA 和开发者的神经。而 PG19 这次带来的，绝不仅仅是一堆增量修补——SQL/PGQ 图查询标准的首个完整实现，意味着 PostgreSQL 在不改变存储引擎的前提下，正式进入了图计算领域。

但这远不是 PG19 的全部。从 SIMD 加速的 COPY 导入、自动并行 vacuum、在线启用数据校验和、到异步 I/O 读取调度优化，PG19 在性能层面的改进几乎触及了数据库的每一个核心路径。

本文将从以下维度全面解析 PostgreSQL 19 Beta 1：

1. SQL/PGQ 图查询——ISO 标准实现，用 SQL 写图查询，告别 Neo4j
2. 查询优化器革命——反连接优化、半连接改进、聚合下推
3. 性能全面提速——SIMD、异步 I/O、并行 vacuum、Radix Sort
4. 存储与压缩——默认 LZ4 压缩、TOAST 改进
5. 运维与可观测性——在线校验和、锁定统计、自动 vacuum 评分系统
6. 兼容性变更与迁移指南——破坏性改动一览

一、SQL/PGQ：在关系表上做图查询，这不是玩笑

1.1 什么是 SQL/PGQ？

SQL/PGQ（Property Graph Queries）是 ISO/IEC 9075-16:2023 标准的一部分，它定义了一种在 SQL 中嵌入图模式匹配语法的方式。简单来说，你可以在已有的关系表上声明一个「属性图」，然后用类似 Cypher 的 MATCH 语法来查询它。

在 PG19 之前，如果你想在关系数据库中做图查询，你需要：

• 写出极其复杂的多表自连接（Self-Join）
• 用递归 CTE（Common Table Expressions）来做路径搜索
• 结果 SQL 又臭又长，维护成本极高

而 SQL/PGQ 让这一切变得优雅。

1.2 核心概念：属性图

属性图由两部分组成：

• 顶点（Vertex）：代表一个实体，如用户、产品、账户
• 边（Edge）：代表实体之间的关系，如好友、购买、关注

两者都可以携带属性。例如一个 Person 顶点可以有 name、birth_year 属性，一条 Knows 边可以有 since（认识时间）属性。

1.3 声明属性图

PG19 引入了 CREATE PROPERTY GRAPH 语法，将现有关系表映射为图的顶点和边：

-- 假设我们有两个表：people 和 friendships

-- people 表（顶点）
CREATE TABLE people (
    id          SERIAL PRIMARY KEY,
    name        TEXT NOT NULL,
    birth_year  INT,
    email       TEXT UNIQUE
);

-- friendships 表（边）
CREATE TABLE friendships (
    person_a    INT REFERENCES people(id),
    person_b    INT REFERENCES people(id),
    since       DATE,
    closeness   NUMERIC(1,1) CHECK (closeness >= 0 AND closeness <= 1)
);

-- 声明属性图
CREATE PROPERTY GRAPH social_graph
VERTEX TABLES (
    people LABEL Person PROPERTIES (id, name, birth_year, email)
)
EDGE TABLES (
    friendships
        SOURCE KEY (person_a) REFERENCES people (id)
        DESTINATION KEY (person_b) REFERENCES people (id)
        LABEL Knows PROPERTIES (since, closeness)
);

注意几个关键点：

• LABEL 给顶点/边起了一个语义名称，后续 MATCH 语法中使用
• PROPERTIES 指定哪些列作为图的属性暴露出来
• SOURCE KEY 和 DESTINATION KEY 定义了边的方向性

1.4 图模式匹配查询

声明完属性图后，你就可以用 GRAPH_TABLE 函数做图查询了：

-- 基础查询：找 Jan 的所有朋友
SELECT friend_name
FROM GRAPH_TABLE (
    social_graph
    MATCH (a:Person WHERE a.name = 'Jan')-[k:Knows]->(b:Person)
    COLUMNS (b.name AS friend_name)
);

-- 两跳查询：找 Jan 的朋友的朋友（朋友的朋友）
SELECT friend_of_friend
FROM GRAPH_TABLE (
    social_graph
    MATCH (a:Person WHERE a.name = 'Jan')-[k1:Knows]->(b:Person)-[k2:Knows]->(c:Person)
    COLUMNS (c.name AS friend_of_friend)
);

-- 带属性过滤：找 Jan 在 2024 年以后认识的朋友
SELECT friend_name, since_date
FROM GRAPH_TABLE (
    social_graph
    MATCH (a:Person WHERE a.name = 'Jan')-[k:Knows WHERE k.since > '2024-01-01']->(b:Person)
    COLUMNS (b.name AS friend_name, k.since AS since_date)
);

-- 无方向边：双向朋友关系
SELECT mutual_friend
FROM GRAPH_TABLE (
    social_graph
    MATCH (a:Person WHERE a.name = 'Jan')-[k:Knows]-(b:Person)
    COLUMNS (b.name AS mutual_friend)
);

MATCH 子句的语法解析：

• (a:Person) —— 匹配一个标签为 Person 的顶点，绑定到变量 a
• WHERE a.name = 'Jan' —— 顶点过滤器
• -[k:Knows]-> —— 匹配一条标签为 Knows 的出边
• -[k:Knows]-(b:Person) —— 无方向匹配（匹配入边或出边）
• COLUMNS (...) —— 投影你想要的输出列

1.5 实战场景：社交网络推荐系统

让我们构建一个更完整的例子——社交网络的好友推荐引擎：

-- 创建更丰富的数据模型
CREATE TABLE users (
    id          BIGSERIAL PRIMARY KEY,
    username    VARCHAR(50) NOT NULL UNIQUE,
    display_name TEXT NOT NULL,
    created_at  TIMESTAMPTZ DEFAULT NOW(),
    is_active   BOOLEAN DEFAULT true
);

CREATE TABLE follows (
    follower_id   BIGINT REFERENCES users(id),
    following_id  BIGINT REFERENCES users(id),
    created_at    TIMESTAMPTZ DEFAULT NOW(),
    PRIMARY KEY (follower_id, following_id)
);

CREATE TABLE user_interests (
    user_id      BIGINT REFERENCES users(id),
    interest_tag  TEXT NOT NULL,
    weight        NUMERIC(1,3) DEFAULT 1.0,
    PRIMARY KEY (user_id, interest_tag)
);

-- 声明属性图
CREATE PROPERTY GRAPH recommendation_graph
VERTEX TABLES (
    users LABEL User PROPERTIES (id, username, display_name, created_at, is_active)
)
EDGE TABLES (
    follows
        SOURCE KEY (follower_id) REFERENCES users (id)
        DESTINATION KEY (following_id) REFERENCES users (id)
        LABEL Follows PROPERTIES (created_at)
);

-- 推荐「关注的人也关注的人」
SELECT DISTINCT recommended
FROM GRAPH_TABLE (
    recommendation_graph
    MATCH (me:User WHERE me.username = 'current_user')
          -[f1:Follows]->(my_following:User)
          -[f2:Follows]->(fof:User)
    WHERE fof <> me
    COLUMNS (fof.username AS recommended)
)
ORDER BY recommended
LIMIT 20;

-- 与 common interest 的用户建立连接
SELECT candidate
FROM GRAPH_TABLE (
    recommendation_graph
    MATCH (me:User WHERE me.username = 'current_user')
          -[f:Follows]->(mutual_follow:User)
          <-[f2:Follows]-(candidate:User)
    WHERE candidate <> me
    COLUMNS (candidate.username AS candidate)
)
ORDER BY candidate
LIMIT 10;

1.6 底层实现原理：重写器，而非图引擎

这里有一个非常重要的设计决策需要理解：PG19 的 SQL/PGQ 实现不是一个图存储引擎，而是一个查询重写器。

当你执行 GRAPH_TABLE 查询时，PG19 内部的处理流程如下：

GRAPH_TABLE 查询
    ↓
图模式解析器（解析 MATCH 语法）
    ↓
图重写器（将图模式转换为关系代数）
    ↓
标准查询规划器（已有的优化器）
    ↓
执行器（已有的执行引擎）

MATCH (a:Person)-[k:Knows]->(b:Person) 实际上被重写为：

-- 概念上等价于：
SELECT b.*
FROM people a
JOIN friendships k ON k.person_a = a.id
JOIN people b ON b.id = k.person_b
WHERE a.name = 'Jan';

这个设计带来了两个重大影响：

第一：你现有的索引全部有效。

因为重写器生成的是标准的关系连接（JOIN），所以你在 friendships(person_a) 上建的 B-tree 索引会被正常使用。不需要维护独立的图索引，不需要额外的存储开销。

第二：性能特征与关系查询一致。

图遍历变成 JOIN 链。对于浅层、固定深度的查询（1-3 跳），性能非常优秀——因为 PG 本来就擅长索引连接。但对于深层、可变长度的遍历（如六度分隔），性能可能不如专用图数据库如 Neo4j。

1.7 PG19 的 SQL/PGQ 局限性

作为首个实现，PG19 的 SQL/PGQ 有一些需要注意的限制：

1. 不支持可变长度路径：-[k:Knows*1..5]->（最多 5 跳）尚未支持，这是后续版本的重点
2. 不支持量化模式：如 MATCH SHORTEST、ALL SHORTEST 等路径算法
3. 性能深度有限：对于超过 3 跳的深层遍历，性能特征等同于等价的多表 JOIN

对于大多数业务场景（2-3 跳的朋友查询、权限路径审计、数据血缘追踪），PG19 的 SQL/PGQ 已经完全够用了。

二、查询优化器的全面升级

PG19 在查询优化器方面做了大量改进，有些改动直接影响你写的每一行 SQL。

2.1 NOT IN → 反连接优化

NOT IN 子查询一直是 PostgreSQL 性能优化的老大难问题。当子查询中存在 NULL 值时，NOT IN 无法被优化为反连接（Anti-Join），导致全表扫描。

PG19 中，优化器现在能够在检测到 NULL 不存在时，将 NOT IN 转换为更高效的 ANTI JOIN：

-- 优化前：如果 status 中有 NULL，会退化为全表扫描
SELECT * FROM orders
WHERE customer_id NOT IN (
    SELECT id FROM customers WHERE status = 'inactive'
);

-- PG19 优化后：当优化器能证明 NULL 不存在时
-- 自动转换为 Anti-Join，走索引
EXPLAIN ANALYZE
SELECT * FROM orders o
WHERE NOT EXISTS (
    SELECT 1 FROM customers c
    WHERE c.id = o.customer_id AND c.status = 'inactive'
);

2.2 更多 LEFT JOIN → Anti-Join 转换

PG19 扩大了 LEFT JOIN 到 ANTI JOIN 的转换范围。当外连接的结果不包含 NULL 行（即无法匹配的情况没有副作用），优化器可以将 LEFT JOIN 替换为 ANTI JOIN，大幅减少中间结果集。

-- 经典场景：查找没有下过订单的客户
SELECT c.name, c.email
FROM customers c
LEFT JOIN orders o ON o.customer_id = c.id
WHERE o.id IS NULL;

-- PG19 可能将其转换为：
SELECT c.name, c.email
FROM customers c
WHERE NOT EXISTS (
    SELECT 1 FROM orders o WHERE o.customer_id = c.id
);

2.3 Memoize 用于 Anti-Join

Memoize 是 PostgreSQL 的一个内置操作符，用于缓存子查询的结果。PG19 现在允许 Memoize 用于内侧唯一的反连接，这在关联子查询场景下可以显著减少重复计算。

2.4 聚合下推到 JOIN 之前

这是一个非常有深度的优化。某些聚合操作现在可以在 JOIN 之前执行，从而减少 JOIN 需要处理的行数：

-- 示例：查找每个部门工资最高的人
-- PG19 可能在 JOIN 前先完成 GROUP BY，减少 JOIN 数据量
SELECT d.dept_name, e.name, e.salary
FROM (
    SELECT dept_id, MAX(salary) AS max_salary
    FROM employees
    GROUP BY dept_id
) dept_max
JOIN employees e ON e.dept_id = dept_max.dept_id AND e.salary = dept_max.max_salary
JOIN departments d ON d.id = e.dept_id;

2.5 其他优化器改进

三、性能：从 SIMD 到并行 Vacuum 的全面提速

3.1 SIMD 加速 COPY FROM

COPY FROM 是 PostgreSQL 批量导入数据的首选方式。PG19 使用 SIMD（Single Instruction Multiple Data）CPU 指令加速了文本和 CSV 格式的解析。

实测中，对于大字段较多的宽表，COPY FROM 的性能提升可达 20-40%：

-- 传统导入
COPY large_table FROM '/data/import.csv' WITH (FORMAT csv, HEADER true);

-- PG19 中，同样的命令自动使用 SIMD 加速
-- 无需修改任何代码

这对 ETL 流水线和数据迁移场景是实打实的性能红利。

3.2 异步 I/O 读取调度优化

PG19 改进了异步 I/O 的读取预读调度策略，特别是在处理大请求时的表现。新引入的 io_method 配置参数允许 I/O 工作进程自动管理：

-- postgresql.conf 中的新配置
io_min_workers = 2           -- 最小 I/O 工作线程
io_max_workers = 8           -- 最大 I/O 工作线程
io_worker_idle_timeout = 60  -- 空闲超时（秒）
io_worker_launch_interval = 10 -- 工作线程启动间隔（毫秒）

这对 I/O 密集型工作负载（如大表扫描、备份恢复）有显著帮助。

3.3 并行 Vacuum

Autovacuum 终于支持并行工作线程了。在 PG18 及之前，VACUUM 操作是单线程的，对于大表的清理操作可能需要很长时间。

-- 全局配置
autovacuum_max_parallel_workers = 2;

-- 按表配置
ALTER TABLE large_table SET (autovacuum_parallel_workers = 4);

-- 手动并行 vacuum
VACUUM (PARALLEL 4) large_table;

配合 TID Range Scan 的并行化支持，大表的维护操作效率大幅提升。

3.4 Radix Sort（基数排序）

PG19 在排序操作中引入了 Radix Sort（基数排序）算法。Radix Sort 的时间复杂度是 O(n×k)，其中 k 是键的最大位数，对于整数排序特别高效。

-- 整数排序自动使用 Radix Sort
SELECT * FROM events ORDER BY id;

-- 字符串排序也可能受益（取决于数据分布）
SELECT * FROM users ORDER BY created_at;

3.5 默认压缩算法改为 LZ4

PG19 将 TOAST（The Oversized-Attribute Storage Technique）的默认压缩算法从 pglz 改为 lz4。LZ4 在压缩速度和解压速度上都显著优于 pglz，虽然压缩比可能略低，但综合性能更好。

-- 查看当前压缩设置
SHOW default_toast_compression;

-- 手动设置
SET default_toast_compression = 'lz4';

-- 创建表时指定
CREATE TABLE documents (
    id SERIAL PRIMARY KEY,
    content TEXT COMPRESSION lz4
);

3.6 NOTIFY 性能优化

NOTIFY 命令现在只会唤醒正在监听特定通道的后端进程，而不是唤醒所有后端进程。对于使用 LISTEN/NOTIFY 做实时通知的应用（如 WebSocket 推送），在高并发场景下性能提升显著。

-- 发送端
NOTIFY 'order_updates', '新订单 #' || NEW.id;

-- 接收端（仅相关监听者被唤醒）
LISTEN order_updates;

3.7 其他性能改进

四、存储与压缩：LZ4 成为默认选择

4.1 TOAST 压缩机制回顾

PostgreSQL 使用 TOAST 机制存储超过页面大小（通常 8KB）的大字段。当一行数据无法放入单个数据页时，PG 会将大字段压缩并存储到 TOAST 表中。

压缩算法的选择直接影响写入和读取性能：

4.2 实际性能对比

-- 测试不同压缩算法的效果
CREATE TABLE toast_test_pglz (
    id SERIAL,
    data TEXT COMPRESSION pglz
);

CREATE TABLE toast_test_lz4 (
    id SERIAL,
    data TEXT COMPRESSION lz4
);

-- 插入 100 万条测试数据
INSERT INTO toast_test_pglz (data)
SELECT repeat(md5(random()::text), 100) FROM generate_series(1, 1000000);

INSERT INTO toast_test_lz4 (data)
SELECT repeat(md5(random()::text), 100) FROM generate_series(1, 1000000);

-- 查看表大小差异
SELECT pg_size_pretty(pg_table_size('toast_test_pglz')) AS pglz_size,
       pg_size_pretty(pg_table_size('toast_test_lz4')) AS lz4_size;

对于大多数 OLTP 场景，LZ4 是更好的选择——因为压缩和解压速度更快，CPU 开销更低，而压缩比的差异通常可以接受。

4.3 迁移建议

升级到 PG19 后，现有数据的压缩格式不会自动改变。只有新写入的数据会使用 LZ4。如果你想让现有数据也使用 LZ4：

-- 方法 1：逐表重写（需要停机）
VACUUM FULL table_name;

-- 方法 2：使用逻辑复制
-- 在新集群上重建，数据会自动使用 LZ4 压缩

五、运维与可观测性：DBA 的福音

5.1 在线启用/禁用数据校验和

这是 PG19 最实用的运维特性之一。在 PG18 及之前，数据校验和只能在初始化时设置，修改需要停机并使用 pg_checksums 工具。

PG19 终于支持在线操作：

-- 在线启用数据校验和（无需停机！）
ALTER SYSTEM SET data_checksums = on;
SELECT pg_catalog.pg_enable_data_checksums();

-- 在线禁用
ALTER SYSTEM SET data_checksums = off;
SELECT pg_catalog.pg_disable_data_checksums();

数据校验和能够检测静默数据损坏（如磁盘位翻转），对于金融、医疗等对数据完整性要求极高的场景至关重要。

5.2 自动 Vacuum 评分系统

PG19 引入了一个新的评分系统来控制自动 vacuum 的调度优先级：

-- 新的配置参数
autovacuum_freeze_score_weight = 10.0
autovacuum_multixact_freeze_score_weight = 10.0
autovacuum_vacuum_score_weight = 5.0
autovacuum_analyze_score_weight = 3.0
autovacuum_insert_score_weight = 2.0

-- 监控自动 vacuum 评分
SELECT * FROM pg_stat_autovacuum_scores;

这套评分系统让你能更精细地控制哪些表优先被 vacuum 处理，而不是依赖简单的阈值触发。

5.3 锁定统计视图

新增的 pg_stat_lock 视图提供了按锁类型分类的统计信息：

-- 查看锁定统计
SELECT locktype, mode, granted, count, wait_time
FROM pg_stat_lock
ORDER BY wait_time DESC;

这对排查锁竞争问题非常有用——你可以快速定位哪些锁类型导致了最多的等待。

5.4 恢复状态监控

-- 新视图：查看恢复状态
SELECT * FROM pg_stat_recovery;

对于使用流复制或 PITR 的环境，这个视图提供了恢复进度的详细信息。

5.5 其他监控改进

-- WAL 接收器状态增强（新增 connecting 状态）
SELECT status, sender_host, sender_port FROM pg_stat_wal_receiver;

-- Full Page Write 字节数统计
SELECT wal_fpw_records, wal_fpw_bytes FROM pg_stat_wal;

-- 序列页面 LSN 追踪
SELECT pg_get_sequence_data('my_sequence');

-- MultiXact 统计
SELECT * FROM pg_get_multixact_stats();

-- 动态共享内存详情
SELECT * FROM pg_dsm_registry_allocations;

-- 扩展统计备份恢复
SELECT pg_restore_extended_stats('my_stats_obj');

5.6 日志增强

-- 按进程类型设置不同日志级别
log_min_messages = 'autovacuum:warning, bgwriter:debug5'

-- 记录长时间自动分析操作
log_autoanalyze_min_duration = 1000  -- 毫秒

-- 锁等待日志默认启用
log_lock_waits = on  -- 默认已开启！

-- 裸解析树日志（调试用）
debug_print_parse = on

六、兼容性变更与迁移指南

PG19 有一些破坏性变更，升级前务必检查。

6.1 关键破坏性变更

6.1.1 RADIUS 认证被移除

PostgreSQL 只支持基于 UDP 的 RADIUS，而基于 UDP 的 RADIUS 被认为是不安全的。如果你的集群使用 RADIUS 认证，升级前需要切换到其他认证方式（如 LDAP、GSSAPI、SCRAM-SHA-256）。

6.1.2 standard_conforming_strings 强制开启

-- PG18 及以下：可以关闭（允许 E'...' 转义）
SET standard_conforming_strings = off;

-- PG19：强制开启，无法关闭
-- 如果你依赖旧式转义字符串，需要修改应用代码

escape_string_warning 配置参数也被移除。

6.1.3 inet/cidr 默认操作类变更

inet 和 cidr 类型的默认索引操作类从 B-tree 改为 GiST。如果你的旧集群使用了 btree_gist 扩展的 inet/cidr 操作类，pg_upgrade 会失败。

-- 升级前检查
SELECT indexname, indexdef
FROM pg_indexes
WHERE indexdef LIKE '%btree_gist%' AND indexdef LIKE '%inet%';

-- 如果有匹配结果，需要先删除这些索引
DROP INDEX old_inet_index;
-- 然后使用标准 GiST 索引重建
CREATE INDEX new_inet_index ON table USING gist (inet_column);

6.1.4 max_locks_per_transaction 默认值从 64 改为 128

锁空间分配机制发生了变化，实际容量需要翻倍才能匹配之前的容量。对于大部分场景，默认值是足够的，但如果你自定义了这个参数，需要注意调整。

6.1.5 JIT 默认关闭

PG19 将 JIT 编译默认关闭，因为之前的成本估算被认为不够可靠。如果你依赖 JIT 做复杂分析查询，需要手动启用：

SET jit = on;

6.1.6 MULE_INTERNAL 编码被移除

这个编码复杂且几乎不被使用。如果你的数据库使用了这个编码，需要先导出并转换为其他编码。

6.1.7 其他变更

• 数据库名、角色名、表空间名中禁止使用回车符和换行符
• json_array() 无行时返回空数组（而非 NULL）
• COPY FROM ... WHERE 中禁用系统列
• CREATE SCHEMA 中不再自动重排序非 schema 对象
• MD5 密码认证成功后会产生警告（PG18 已弃用 MD5 密码）
• 新增 password_expiration_warning_threshold（默认 7 天）

6.2 升级检查清单

# 1. 检查 RADIUS 认证使用
grep -r "radius" $PGDATA/pg_hba.conf

# 2. 检查 btree_gist inet/cidr 索引
psql -c "SELECT indexname FROM pg_indexes WHERE indexdef ~ 'btree_gist' AND indexdef ~ 'inet'"

# 3. 检查非标准字符串使用
psql -c "SELECT datname, datcollate FROM pg_database WHERE NOT datistemplate"

# 4. 检查 MULE_INTERNAL 编码
psql -c "SELECT datname, encoding FROM pg_database WHERE encoding = -9"

# 5. 使用 pg_upgrade 进行测试升级
pg_upgrade --old-bindir /usr/lib/postgresql/18/bin \
          --new-bindir /usr/lib/postgresql/19/bin \
          --old-datadir /var/lib/postgresql/18/main \
          --new-datadir /var/lib/postgresql/19/main \
          --check

七、实战演练：搭建 PG19 并测试 SQL/PGQ

7.1 安装 PG19 Beta 1

# macOS (Homebrew)
brew install postgresql@19-beta

# 或者从源码编译
wget https://ftp.postgresql.org/pub/source/v19beta1/postgresql-19beta1.tar.gz
tar xzf postgresql-19beta1.tar.gz
cd postgresql-19beta1

./configure --prefix=/usr/local/pgsql-19 \
            --with-icu \
            --with-lz4 \
            --with-openssl
make -j$(nproc)
make install

# 初始化数据库
initdb -D /usr/local/pgsql-19/data

# 启动
pg_ctl -D /usr/local/pgsql-19/data -l logfile start

# 启用 LZ4 压缩（postgresql.conf）
echo "default_toast_compression = 'lz4'" >> $PGDATA/postgresql.conf
echo "log_lock_waits = on" >> $PGDATA/postgresql.conf

7.2 完整的 SQL/PGQ 实战案例

-- ========================================
-- 案例企业级系统：供应链追踪
-- ========================================

-- 供应商表（顶点）
CREATE TABLE suppliers (
    id          BIGSERIAL PRIMARY KEY,
    name        TEXT NOT NULL,
    country     TEXT NOT NULL,
    rating      NUMERIC(1,1)
);

-- 产品表（顶点）
CREATE TABLE products (
    id          BIGSERIAL PRIMARY KEY,
    name        TEXT NOT NULL,
    category    TEXT NOT NULL,
    unit_price  NUMERIC(10,2)
);

-- 仓库表（顶点）
CREATE TABLE warehouses (
    id          BIGSERIAL PRIMARY KEY,
    name        TEXT NOT NULL,
    location    TEXT NOT NULL,
    capacity    INT
);

-- 供货关系（边：供应商 → 产品）
CREATE TABLE supplies (
    supplier_id BIGINT REFERENCES suppliers(id),
    product_id  BIGINT REFERENCES products(id),
    unit_cost   NUMERIC(10,2),
    lead_days   INT,
    PRIMARY KEY (supplier_id, product_id)
);

-- 库存关系（边：产品 → 仓库）
CREATE TABLE stocked_in (
    product_id    BIGINT REFERENCES products(id),
    warehouse_id  BIGINT REFERENCES warehouses(id),
    quantity      INT NOT NULL DEFAULT 0,
    reorder_level INT DEFAULT 100,
    PRIMARY KEY (product_id, warehouse_id)
);

-- 订单关系（边：仓库 → 仓库，表示调拨）
CREATE TABLE transfers (
    from_warehouse_id BIGINT REFERENCES warehouses(id),
    to_warehouse_id   BIGINT REFERENCES warehouses(id),
    product_id        BIGINT REFERENCES products(id),
    quantity         INT NOT NULL,
    transfer_date    DATE DEFAULT CURRENT_DATE,
    PRIMARY KEY (from_warehouse_id, to_warehouse_id, product_id, transfer_date)
);

-- 声明供应链属性图
CREATE PROPERTY GRAPH supply_chain
VERTEX TABLES (
    suppliers  LABEL Supplier  PROPERTIES (id, name, country, rating),
    products   LABEL Product   PROPERTIES (id, name, category, unit_price),
    warehouses LABEL Warehouse PROPERTIES (id, name, location, capacity)
)
EDGE TABLES (
    supplies
        SOURCE KEY (supplier_id) REFERENCES suppliers (id)
        DESTINATION KEY (product_id) REFERENCES products (id)
        LABEL Supplies PROPERTIES (unit_cost, lead_days),
    stocked_in
        SOURCE KEY (product_id) REFERENCES products (id)
        DESTINATION KEY (warehouse_id) REFERENCES warehouses (id)
        LABEL StockedIn PROPERTIES (quantity, reorder_level),
    transfers
        SOURCE KEY (from_warehouse_id) REFERENCES warehouses (id)
        DESTINATION KEY (to_warehouse_id) REFERENCES warehouses (id)
        LABEL Transfers PROPERTIES (quantity, transfer_date)
);

-- 查询 1：找某产品的所有供应商
SELECT supplier_name, unit_cost, lead_days
FROM GRAPH_TABLE (
    supply_chain
    MATCH (s:Supplier)-[sup:Supplies]->(p:Product WHERE p.name = '高精度传感器')
    COLUMNS (s.name AS supplier_name, sup.unit_cost, sup.lead_days)
)
ORDER BY unit_cost;

-- 查询 2：找某供应商提供的所有产品，以及这些产品在哪些仓库有库存
SELECT product_name, warehouse_name, quantity
FROM GRAPH_TABLE (
    supply_chain
    MATCH (s:Supplier WHERE s.name = '深圳精密电子')
          -[sup:Supplies]->(p:Product)
          -[st:StockedIn]->(w:Warehouse)
    COLUMNS (p.name AS product_name, w.name AS warehouse_name, st.quantity)
)
ORDER BY product_name, quantity DESC;

-- 查询 3：找从供应商到仓库的完整路径
SELECT supplier_name, product_name, warehouse_name, lead_days, stock_qty
FROM GRAPH_TABLE (
    supply_chain
    MATCH (s:Supplier WHERE s.country = '中国')
          -[sup:Supplies]->(p:Product WHERE p.category = '电子元件')
          -[st:StockedIn]->(w:Warehouse WHERE w.location LIKE '华东%')
    COLUMNS (
        s.name AS supplier_name,
        p.name AS product_name,
        w.name AS warehouse_name,
        sup.lead_days,
        st.quantity AS stock_qty
    )
)
WHERE stock_qty > 0
ORDER BY lead_days;

-- 查询 4：找有过调拨关系的仓库对
SELECT from_wh, to_wh, product_name, total_qty
FROM GRAPH_TABLE (
    supply_chain
    MATCH (w1:Warehouse)-[t:Transfers]->(w2:Warehouse)
    COLUMNS (
        w1.name AS from_wh,
        w2.name AS to_wh,
        t.product_id,
        t.quantity AS total_qty
    )
) gt
JOIN products p ON p.id = gt.product_id
ORDER BY total_qty DESC;

7.3 性能测试：SQL/PGQ vs 等价 JOIN

-- SQL/PGQ 方式
EXPLAIN (ANALYZE, BUFFERS, FORMAT TEXT)
SELECT friend_name
FROM GRAPH_TABLE (
    social_graph
    MATCH (a:Person WHERE a.name = 'Jan')-[k:Knows]->(b:Person)
    COLUMNS (b.name AS friend_name)
);

-- 等价 JOIN 方式
EXPLAIN (ANALYZE, BUFFERS, FORMAT TEXT)
SELECT b.name AS friend_name
FROM people a
JOIN friendships k ON k.person_a = a.id
JOIN people b ON b.id = k.person_b
WHERE a.name = 'Jan';

-- 你会发现执行计划几乎完全一致
-- 这就是重写器的力量——语法糖，但不是黑盒

八、总结展望：PostgreSQL 的进化之路

8.1 PG19 的战略意义

PostgreSQL 19 的发布标志着几个重要趋势：

1. 图查询成为标准特性：SQL/PGQ 的实现意味着图查询不再是专用数据库的专利。对于大多数"轻度"图查询需求，你现在可以留在 PostgreSQL 生态中完成，而不需要引入 Neo4j、JanusGraph 等额外的技术栈。

2. 性能优化的系统化：从 SIMD 到 Radix Sort，从并行 Vacuum 到异步 I/O 优化，PG19 的性能改进覆盖了数据库的核心路径。这不是某个单一特性的突破，而是整体工程质量的提升。

3. 运维友好度持续提升：在线校验和、锁定统计视图、vacuum 评分系统——这些看似"无趣"的特性，对于 7×24 运行的生产系统来说，恰恰是最有价值的。

8.2 SQL/PGQ 的未来

PG19 是 SQL/PGQ 的首个实现，未来可以期待：

• 可变长度路径支持：-[k:Knows*1..5]-> 语法
• 路径算法：最短路径、全最短路径
• 图算法扩展：PageRank、社区发现、中心度计算
• 更好的图专用优化：为图遍历模式定制化的执行策略

8.3 对开发者的建议

1. Beta 阶段不要用于生产：PG19 目前还是 Beta 1，API 和行为可能变化。在测试环境充分验证后再考虑升级。
2. 评估 SQL/PGQ 的适用性：如果你的业务有图查询需求（社交网络、供应链、权限模型），评估是否可以在 PG19 中统一解决。
3. 关注性能基线：LZ4 默认压缩、并行 vacuum、JIT 默认关闭——这些改动都会影响你的性能特征，升级后建议重新进行基准测试。
4. 提前检查兼容性：特别是 inet/cidr 索引操作类变更和 RADIUS 认证移除。

PostgreSQL 正在从一个"可靠的关系型数据库"进化为一个"全功能数据平台"。SQL/PGQ 的加入不是一个噱头，而是让 PostgreSQL 真正具备了处理多模态数据查询的能力——关系型、文档型、图型，全部在一个引擎中完成。

这是 PostgreSQL 35 年历史中的又一次重要进化。