企业官网建设流程全解析

1. 从一次读书笔记卡壳说起：哈希连接到底访问了几次表

我在整理 Oracle 读书笔记时，卡在一个很具体的问题上：哈希连接（Hash Join）里，驱动表和被驱动表到底各访问几次？书上写的是「0 次或 1 次」，但光看结论记不住，过两天就忘。真正让我记住的，是把执行计划里的 Starts、A-Rows、Buffers 这几列对着实验数据一行行读下来。

这篇笔记复盘的就是这个过程：先用三组 SQL 实验把哈希连接的表访问次数验证清楚，再把整理好的笔记通过 TaoToken 统一 Key/API 通道接进 AI 工具，让后续检索和追问不用反复翻文档。如果你也在做 Oracle 执行计划相关的读书笔记，或者想把技术笔记接进 AI 助手做长期检索，这套流程可以直接跟做。

核心检索词先摆出来：Oracle 哈希连接是什么？它是优化器在大表关联时常用的一种连接方式，把较小的行源在内存里建成哈希表，再用另一侧的行去探测匹配。适合谁？适合正在读 Oracle 优化类书籍、需要把执行计划读透的开发和 DBA。能做什么？能让你从「背结论」变成「看数据说话」。

我试过把执行计划截图丢给 AI 让它解释，结果它把 Starts 和 A-Rows 混着讲，越看越乱。后来改成先把实验数据整理成结构化笔记，再通过统一通道喂给模型，追问质量明显不一样。下面按「实验验证 → 配置接入 → 验证请求 → 排错」的顺序展开。

2. 哈希连接执行计划精读：三组实验的数据对照

2.1 基线实验：两侧各访问 1 次

先看最基础的关联查询，用 leading 和 use_hash 提示固定执行路径：

SELECT /*+leading(t1) use_hash(t2)*/ * FROM t1, t2 WHERE t1.id = t2.id;

执行计划里关键几行是这样的：

读法要点：Starts 列表示该操作实际执行了几次。这里 T1 和 T2 的 Starts 都是 1，说明两侧各被访问一次。Buffers 列能看出代价分布——T2 扫了 1011 个块，T1 只有 7 个块，因为 T1 是小表，被选作驱动侧建哈希表，T2 作为探测侧。Used-Mem 显示哈希表实际用了约 1235K 内存。

注意：E-Rows 是优化器估算行数，A-Rows 是实际返回行数。两者差距大时，往往意味着统计信息需要更新，这会直接影响连接方式的选择。

2.2 实验一：驱动侧过滤后归零，被驱动侧访问 0 次

给驱动表 T1 加一个几乎不可能命中的过滤条件：

SELECT /*+leading(t1) use_hash(t2)*/ * FROM t1, t2 WHERE t1.id = t2.id AND t1.n = 999999999;

执行计划变化很关键：

T1 的 Starts 是 1，但 A-Rows 是 0——它被访问了一次，只是没返回任何行。T2 的 Starts 直接是 0，Buffers 也是 0，说明被驱动表根本没被碰。这就是「0 次或 1 次」里 0 次的来源：驱动侧建出的哈希表为空，探测侧就没有必要执行。

2.3 实验二：恒假条件让整个哈希连接不执行

再加一组更极端的，用恒假条件 1=2：

SELECT /*+leading(t1) use_hash(t2)*/ * FROM t1, t2 WHERE t1.id = t2.id AND 1 = 2;

执行计划里多了一层 FILTER：

注意 HASH JOIN 这一行的 Starts 是 0，两张表的 Starts 也都是 0。Predicate Information 里 FILTER 的条件是NULL IS NOT NULL，优化器在运行时直接短路，整个哈希连接一次都没执行。这组数据把「0 次」的含义补全了：不只是被驱动表可能 0 次，整个连接操作本身都可能 0 次。

2.4 把三组数据整理成可检索的笔记结构

三组实验对照下来，结论就清晰了：哈希连接中，驱动表和被驱动表的访问次数只可能是 0 或 1，不存在嵌套循环那种被驱动表反复扫描的情况。我把每组实验整理成固定字段：SQL 文本、提示、Starts、A-Rows、Buffers、结论一句话。这种结构化笔记特别适合后续接进 AI 做检索，因为字段固定，模型容易对齐。

3. TaoToken 前置准备：统一 Key 与通道配置

笔记整理好之后，下一步是把它接进 AI 工具做长期检索和追问。这里用 TaoToken 做统一 Key/API 通道，好处是多个工具共用一套凭证，不用每个客户端单独配。

先到控制台创建 API Key：

https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite

创建完 Key 之后，接入文档在这里，不同客户端的配置方式都有说明：

https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

API 基础地址统一用：

https://taotoken.net/api

如果你主要做长期编码和 Agent 类任务，可以看 Coding Plan 的说明：

https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite

Key 管理页面在这里，方便后续轮换和排查：

https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite

注意：Key 只创建一次就够，多个客户端共用。不要把 Key 写进会提交到代码仓库的文件里，用环境变量或本地配置文件承载。

4. 可复制的 settings.json 配置骨架

下面这份配置骨架可以直接改 Key 后使用。以常见的 AI 编码工具配置为例，把模型通道指向 TaoToken 的统一地址：

{ "provider": "taotoken", "apiKey": "sk-替换成你在控制台创建的Key", "baseUrl": "https://taotoken.net/api", "model": "claude-sonnet-4-20250514", "maxTokens": 8192, "temperature": 0.3, "timeout": 60000, "retry": { "enabled": true, "maxAttempts": 3, "backoffMs": 1000 }, "context": { "notesDir": "./oracle-notes", "includePatterns": ["*.md", "*.sql"], "maxContextFiles": 20 } }

几个参数说明一下。temperature 设 0.3 是因为技术笔记检索需要稳定输出，不需要太多发散。maxContextFiles 控制在 20 以内，避免一次塞太多文件把上下文撑爆。retry 部分建议保留，网络抖动时自动重试比手动重跑省事。

如果你用的是 Claude Code 这类工具，配置入口和字段名可能略有差异，参考接入文档里的对应章节调整即可：

https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

配置写好后，把 Oracle 笔记目录指向 notesDir，模型就能在追问时引用你整理好的实验数据，而不是凭空编执行计划。

5. 验证请求：确认通道打通并能检索笔记

配置完成后，先做一次最小验证，确认通道可用。用 curl 发一个简单请求：

curl -X POST https://taotoken.net/api/v1/messages \ -H "Content-Type: application/json" \ -H "x-api-key: sk-替换成你的Key" \ -H "anthropic-version: 2023-06-01" \ -d '{ "model": "claude-sonnet-4-20250514", "max_tokens": 256, "messages": [ {"role": "user", "content": "用一句话说明 Oracle 哈希连接中驱动表的访问次数范围"} ] }'

预期返回里应该包含类似「0 次或 1 次」的表述。如果返回正常，说明 Key 和通道都没问题。

接着做笔记检索验证。在 AI 工具里提问：

根据我整理的 oracle-notes 目录，实验一中 T2 表的 Starts 和 Buffers 分别是多少？为什么？

如果配置正确，模型应该能引用你笔记里的具体数值（Starts=0，Buffers=0），并解释是因为驱动侧哈希表为空导致探测侧未执行。这一步能验证两件事：通道通了，笔记也确实被检索到了。

想直接在对话里验证模型对哈希连接的理解，可以用模型对话入口：

https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite

6. 本篇常见错排查

6.1 请求返回 401 或鉴权失败

最常见的原因是 Key 复制时带了空格，或者请求头字段名写错。Anthropic 风格用x-api-key，OpenAI 风格用Authorization: Bearer，两者不要混用。先到 Key 管理页确认 Key 状态正常：

https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite

6.2 模型答非所问，没引用笔记

先检查 notesDir 路径是不是相对路径写错了。相对路径是相对于工具的工作目录，不是配置文件所在目录。建议先用绝对路径验证一次，确认能检索到再改回相对路径。另外 includePatterns 如果只写了*.md，SQL 文件不会被纳入，实验数据就检索不到。

6.3 执行计划数据对不上

如果你复现实验时 Starts 和笔记里不一致，先确认统计信息是否更新过。动态采样（dynamic sampling）在不同数据量下可能给出不同的估算，进而影响连接顺序。可以在 SQL 里加/*+dynamic_sampling(0)*/排除干扰，或者先收集统计信息再跑。

6.4 上下文超限报错

maxContextFiles 设太大，或者笔记文件单个过大，都会触发上下文超限。把大文件拆成按实验分节的小文件，每个文件控制在几百行以内。哈希连接这类实验笔记，按「基线 / 实验一 / 实验二」拆成三个文件就很好检索。

6.5 连接超时

timeout 默认 60000 毫秒，如果笔记量大、检索慢，可以适当调大。但更根本的优化是减少单次检索的文件数，用更精确的提问缩小范围，而不是靠加大超时硬扛。

7. 把笔记接进长期工作流

哈希连接这三组实验的价值，不在于记住「0 次或 1 次」这个结论，而在于你亲手对着 Starts、A-Rows、Buffers 读了一遍数据。笔记整理成结构化字段后，接进 TaoToken 统一通道，后续遇到执行计划相关的疑问，直接追问就能调出当时的实验数据，不用再翻书翻截图。

长期做 Oracle 优化笔记的话，建议把 Coding Plan 也用上，Agent 类任务和编码场景共用一套 Key，省去反复切换配置的麻烦：

https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite

配置骨架里的 retry 和 context 两段，是我踩过坑之后加上的——前者应对网络抖动，后者控制检索范围。你可以先按默认值跑通，再根据自己的笔记规模微调。