Skip to Content
帮助文档数据处理操作指南数据模型配置

数据模型与数据库配置

Zion 提供了功能强大的关系型数据库。它基于底层的 PostgreSQL 构建,具备高性能、高灵活性和企业级的数据管理能力。

本指南将带您掌握如何在 Zion 平台中配置您的数据模型,主要包括:

  • 数据模型设计:如何添加数据表、定义字段类型、配置表间关联关系。
  • 唯一约束设置:如何设置字段唯一性,防止业务数据重复与冗余。
  • 向量化存储:如何将文本字段通过 AI 嵌入大模型转为向量,实现高级的语义相关性检索与排序。

1. 实体数据模型配置

数据模型是整个应用的基石。在 Zion 编辑器中,进入 “数据” → “数据库” 板块,即可开始进行结构化配置。

Zion 数据模型展示

添加数据表

  1. 在数据库面板中点击“添加表”。
  2. 配置以下核心属性:
    • 名称:必须使用小写字母和下划线命名(如 blog_article)。注意:禁止使用 logcolumnindex 等数据库底层保留字。
    • 描述:说明表的业务用途,利于团队协同。
    • 对所有角色开放权限:是否将该表的增删改查权限一键开放给所有角色(一般用于测试,生产环境推荐在权限管理中精细化配置)。
新建数据表界面

关于系统默认表:
每个项目创建后均会包含多张系统默认表(如:帐户 账户表、支付 表等)。系统表不可删除,除了 帐户 表外,其他系统表均不可修改。此外,每张新建的自定义表默认都包含 id(自增主键)、创建时间created_at)、更新时间updated_at)三个由系统全自动维护的字段,无需也无法手动修改。

定义字段与数据类型

  1. 选中目标表,点击“添加字段”。
  2. 配置对应字段属性:
    • 名称:使用小写字母和下划线(如 product_price)。
    • 数据类型:Zion 提供了极其丰富且严谨的底层类型:
      • 文本:用于存放字符串或富文本。
      • 整数(Integer):存放不带小数的数值。
      • 无限精度小数(Decimal):确保数值在存储与财务计算时绝不发生任何精度偏差。
      • 日期时间(带时区)、日期时间(带时区)。
      • 图片视频文件:自动对接底层的对象存储,存储其线上 URL 链接。
      • 经纬度:用于定位和地图服务。
      • JSONB:存放无固定结构的 JSON 格式对象或数组,支持高效的字段内查询。
    • 必须 (Not Null):配置是否为必填项。
    • 唯一 (Unique):配置该字段的内容是否在全表唯一(如手机号、工号)。
新建字段界面

配置表间关联关系

通过 id 建立两张表之间的关联关系。例如,将“账户”表与“博客”表关联,用来标识每一篇博客的“作者(Account)”。建立关联后,系统会自动在博客表中生成一个外键关联字段。

  1. 在当前表中点击“添加关联”。
  2. 配置以下核心属性:
    • 目标表:需要关联的目标数据表。
    • 关系类型:选择 “一对一”“一对多”
    • 关系名称:分别设置目标表和当前表中的关联字段别名(如在博客表中,关联字段别名称为 author_account)。
关联属性设置

💡 关于多对多(Many-to-Many)等复杂关系的设计理念,请参阅 关系型数据库思维

同步后端使配置生效

  • 所有数据表、字段和关联关系配置完成后,必须点击项目详情页中的 “同步变更” 按钮。
  • 系统将在云端执行物理数据库 Schema 升级,使其在线上环境生效。

2. 唯一性约束设置

唯一约束用于确保某个特定字段或多个字段的组合在表记录中不发生任何重复,保障底层数据的严谨性。

进入约束设置

在表的编辑菜单中,点击 “编辑约束”

添加联合约束

除了单字段唯一外,您可以自由配置“联合唯一约束”。

  • 名称:设置约束名称。必须使用小写字母且不能重复(如 unique_user_blog_title)。
  • 列集合:勾选参与此唯一约束的多个字段。

    示例:为了实现“每一个用户(账户)在系统中不能发表两篇标题一模一样的博客”,可以添加一个联合约束,将 “标题”“用户_帐户” 两个字段组合勾选。这样,不同用户发表相同标题可以成功,但同一用户不能有相同标题。

同步后端

  • 保存约束后,点击 “同步变更”
  • ⚠️ 物理约束校验红线:若您在表中已经录入了部分不合规的重复垃圾数据,由于违反了唯一约束定义,物理迁移会被数据库阻断,从而导致同步后端失败。您必须先在 数据管理后台 中清理这些冲突数据,然后再执行同步。

3. 开启文本向量化存储与排序

向量化存储是指将文本字段通过大模型转为多维数学向量,以便在后续查询时,能够利用“余弦相似度”或“欧氏距离”来计算语义相关性,实现强大的向量智能检索。

开启文本字段向量化

  1. 选中需要进行智能搜索的 文本 类型字段。
  2. 点击属性面板中的 “选择模型开启向量存储”
  3. 选择对应的词嵌入(Embedding)大模型(系统提供了开箱即用的 Ada 向量大模型,您也可以在 AI 配置中配置您独有的模型端点)。

配置向量相似度排序

开启向量存储后,该文本字段不仅能支持常规精确过滤,还将在前端或后端的“数据源查询排序”中解锁高级的向量相关性排序。

  • 系统提供了两种距离算法作为排序依据:
    • EUCLIDEAN(欧氏距离):通过计算多维空间的几何绝对距离。适合需要精准物理跨度差异排序的特殊场景(如物流路径差)。
    • COSINE(余弦距离)推荐):通过计算多维向量的夹角方向相似性。特别适合做语义搜索、智能知识库匹配和相关博客文章推荐。

💡 更多关于向量存储排序的调用方法,请参阅 获取数据源与数据绑定

Last updated on