随着 pgrust v0.4-beta 的发布，其全新查询引擎 Gravity 在 ClickHouse 官方基准测试 ClickBench 中表现强劲，最高速度达到 ClickHouse 的 3 倍。值得注意的是，Gravity 在实现这一性能突破的同时，完整保留了 Postgres SQL 语法和类型系统的支持。
核心理念：“光速编程”与多阶段编译
Gravity 的开发摒弃了传统的自下而上优化路径，转而采用“光速编程”理念：从硬件和文件格式的物理速度极限出发，逆向推导数据库的性能天花板。团队通过编写针对列式存储高度优化的独立 Rust 程序作为性能基准（即“光速”），目标是将 SQL 查询的 JIT 编译性能提升至该基准的 80% 到 90%。
为实现这一目标，Gravity 构建了一个灵活的多阶段编译器管道，将高级 Postgres 计划逐步降级为原始汇编代码：
SQL Query -> Postgres Plan -> Pipeline Graph -> Lisp IR -> Assembly这种架构避免了硬编码执行模式，允许引擎根据查询需求动态生成最优机器码。
三大关键优化策略
通过对比手工优化的 Rust 代码与 Gravity 生成的 IR，团队实施了超过 100 项优化，其中三项对性能提升至关重要：
1. 函数内联与聚合优化
传统 Postgres 在每行数据上通过函数管理器进行调用，开销巨大。Gravity 将 238 个核心函数和聚合直接内联到 Lisp IR 中。基准测试显示，仅 AVG 函数的内联就将每行指令数从 392 条降至 120 条，查询速度提升 2.56 倍。
2. 延迟物化与字典过滤
针对字典编码的文本列，Gravity 采用延迟物化策略，尽可能长时间地操作整数字典代码而非字符串。对于 LIKE 等过滤器，引擎会生成位图标记匹配的字典代码，并可在内存中缓存重用，避免重复的子字符串匹配。在计算 MIN(URL) 等聚合时，直接比较整数代码而非字符串，大幅降低计算成本。
3. 寄存器中的运行折叠
利用数据在磁盘上的局部性特征，Gravity 跟踪当前组键并将其保存在 CPU 寄存器中。只要连续行的键值相同，仅需递增寄存器计数器，仅在组切换时才探测哈希表。在亿级数据表中，这一优化可将哈希表探测次数从 1 亿次大幅减少至 2200 万次。
算法升级与通用性保障
除了编译优化，pgrust 规划器还引入了三种特定于列式存储的新算法，以弥补标准 Postgres 计划的不足：
- ZoneWalk：利用粒度元数据的最小/最大值边界，按顺序读取数据块，在找到足够的 ORDER BY ... LIMIT n 结果后立即停止扫描。
- ZoneTopK：类似 ZoneWalk，针对 GROUP BY ... LIMIT n 查询，利用元数据遍历粒度，一旦确定前 N 个组即可提前终止。
- TwoPass：针对高基数 GROUP BY 查询，先通过单列计数确定潜在的大组，再获取其余列数据，从而节省内存带宽。
为确保优化的通用性而非过拟合，团队建立了包含模糊测试器的优化目录，验证各项优化在不同数据类型和查询形状下的有效性。
性能基准：超越 PostgreSQL 千倍
最终测试结果显示，Gravity 的运行时 JIT 编译时间低于 1 毫秒，执行性能仅比手工编写的 Rust 代码慢 10% 到 20%。在与原版 Volcano 行执行器的隔离对比中，Gravity 冷启动速度快 102 倍，热启动速度快 499 倍。
在 c6a.4xlarge 机器上的 ClickBench 综合得分中，pgrust v0.4-beta 比 PostgreSQL 17 高出 1,000 倍以上，冷启动性能优势更是达到 1,365 倍。这一成果标志着 pgrust 在保持 Postgres 兼容性的同时，实现了分析型查询性能的质的飞跃。