選了資料模型，也就選了配套的查詢語言。關聯模型帶來的真正革命不只是「表」，而是 SQL 這種宣告式查詢——你只描述「要什麼」，把「怎麼拿」整包交給資料庫。這一步讓查詢與底層實作徹底解耦，也讓平行化變得可能。
🧠 Intuition
TIP
命令式是「逐步告訴電腦怎麼走」（手寫一個迴圈逐筆過濾）；宣告式是「只描述想要的資料長什麼樣」（條件、排序、聚合），把演算法留給查詢優化器。同一組 CSS 選好樣式、瀏覽器自己決定怎麼畫——SQL 對資料庫就是這個角色。
- 命令式 (imperative)：指定操作與執行順序（早期 IMS / CODASYL 就是這樣寫）。
- 宣告式 (declarative)：只給「結果的模式」——條件 (condition)、排序 (sorting)、聚合 (aggregation)，交給查詢優化器 (query optimizer) 決定如何實現。
- 這不是資料庫獨有的優勢：瀏覽器裡用 CSS（宣告式）遠優於用 JavaScript 直接操作 DOM（命令式）——CSS 更簡潔，且瀏覽器能在不破壞相容性下改進效能。
⚖️ Tradeoffs
宣告式的三個好處
- 更簡潔：通常比等價的命令式程式碼短、也更好寫。
- 隱藏實作細節：底層儲存結構與查詢優化器可以自由演化，查詢本身不必改就能受益於效能改進。
- 易於平行化：因為只指定「結果模式」而非「執行演算法」，資料庫可自由選用平行實作；命令式因規定了執行順序，反而難平行化。
MapReduce：卡在宣告與命令之間
- MapReduce 是 Google 推廣的大規模處理模型，MongoDB / CouchDB 支援其有限形式；查詢邏輯寫成程式碼片段、由框架反覆呼叫——介於宣告與命令之間。
- 硬限制：map 與 reduce 必須是純函數 (pure function)、不能有副作用——正因如此，資料庫才能在任何地方、任何順序執行它們（這也是可平行、可重試的前提）。
- 代價：要寫兩個彼此協調的函數，比一句 SQL 難用、優化空間也小。於是 MongoDB 2.2 加入宣告式的 aggregation pipeline（本質是「JSON 語法版的 SQL 子集」）——NoSQL 兜了一圈，又把 SQL 的宣告式優勢重新發明了一遍。
Cypher：Neo4j 的宣告式圖查詢
- Cypher 為 Neo4j 而生，用箭頭表示法比對圖中的路徑樣式（pattern matching）。例：
(person) -[:BORN_IN]-> ()匹配一條BORN_IN的邊。 - 關鍵語法
:WITHIN*0..表示沿WITHIN邊遍歷零次或多次，如同正規表達式的*——這正是圖查詢處理「任意深度層級關係」的利器。 - 「找出所有從美國移居歐洲的人」在 Cypher 只需 4 行；同一查詢用 SQL
WITH RECURSIVE（遞迴 CTE）要 29 行——這道對比就是「不同資料模型配不同查詢語言」的最佳註腳。
SPARQL 與 Datalog：三元組世界的查詢
- SPARQL：建立在 RDF 資料模型上的查詢語言。RDF 把一切存成三元組 (subject, predicate, object)（如
(Jim, likes, bananas)），可用 Turtle 格式書寫。同一個移民查詢，SPARQL 比 Cypher 還簡潔，:within*一樣表達「零次或多次」的遍歷。 - Datalog（1980 年代，比前兩者更老，卻是許多語言的基礎；用於 Datomic、Cascalog）：資料寫成
predicate(subject, object)，查詢靠定義規則 (rule)——規則能參照其他規則、也能遞迴呼叫自己。一條within_recursive遞迴規則就能推導出所有「包含在某地點內」的位置。 - Datalog 需要換一種思維，一次性查詢不方便，但規則能跨查詢組合與重用，面對複雜資料時更強。
🔑 Takeaways
- 宣告式（SQL）vs 命令式是關聯模型帶來的關鍵分水嶺：只描述「要什麼」，讓查詢與底層實作解耦，並打開平行化空間。
- MapReduce 卡在中間——用純函數換來可平行/可重試，但難用到讓 MongoDB 又補上宣告式的 aggregation pipeline。
- 圖查詢語言各有擅場：Cypher（箭頭樣式）、SPARQL（RDF 三元組）、Datalog（可組合、遞迴規則）；共同賣點都是用一行
*表達「任意深度」的關係遍歷。 - Cypher 4 行 vs SQL 遞迴 CTE 29 行——選對資料模型與查詢語言，是架構設計最關鍵的決策之一。
No notes yet — jot your takeaways or Q&A here.