傳統 database benchmark 常從資料完成 load、type conversion、index 與 statistics 之後才開始計時。對 exploratory work 而言，這漏掉了使用者最先承受的成本。NoDB 最重要的貢獻因此不是「CSV 也能下 SQL」，而是把 metric 從 query time 改成 data-to-query time。
NoDB 重新定義的問題
假設 analyst 收到新的 100 GB file，只想先用三個 column 做一個 experiment：
- 傳統流程要先支付 ingestion，之後才拿到第一個答案。
- Raw-data engine 可以立刻開始，但可能在每次 query 重付 parsing 與 conversion。
兩者沒有永遠的贏家。真正的問題是 cumulative raw-query cost 何時超過 load-once cost。
traditional total = load + index/statistics + repeated database queries
raw total = repeated scan/parse cost - benefits learned over time白話來說： NoDB 取消的是入場費，不是把使用成本變成零。
PostgresRaw 如何避免重複工作
Paper prototype 在 PostgreSQL 上加入數個互相配合的機制：
- Selective tokenization： 可以時只定位 query 需要的 attribute。
- Selective parsing： 只把必要 text value 轉成 binary type。
- Positional map： 記住先前 scan 發現的 attribute position。
- Binary cache： 保留 converted value，後續 query 不必再次轉型。
- Adaptive behavior： 按 workload 真正碰到的 column 與 row 投資。
Positional map 對 wide row 特別重要。要讀後段 CSV attribute，parser 通常得一路走過前面的 delimiter；保存 offset 能把部分反覆探索變成較直接的定位。
為什麼這篇 paper 有說服力
Evaluation 不只做單一 demo，而是包含 wide-table microbenchmark、TPC-H 規模 experiment 與 scientific FITS data，並比較 conventional loading workflow。這支持了「up-front preparation 可能主導 first useful answer」的論點。
設計也承認 raw access 必須逐步學習。沒有 positional information 和 cache，每次 query 只會重複昂貴 parsing。
結論的邊界
Break-even 取決於 workload 長度
如果 stable dataset 要服務數千次 query，完整 load 與成熟 index 能攤平入場費。NoDB 最適合新鮮、不確定、短命或只被選擇性查詢的資料。
Memory 會改變看見的優勢
Binary conversion 昂貴，但 cached value 會吃 memory。Benchmark 應掃過不同 cache budget 並報告 eviction，而不是只展示一個有利設定。
Raw text 不是現代唯一 baseline
Parquet 等 columnar format 已保存 typed value、column boundary 與 metadata。現代比較要拆開 NoDB 的 pay-as-you-go 原則，和 CSV-specific parsing technique。
Convenience 不會消除 governance
Direct query 仍需要 schema decision、invalid-row handling、reproducible transformation、access control 與 provenance。延後 loading 可能延後治理，但不會讓治理消失。
一個更適合今天的實驗
用同一 dataset 比較 CSV、Parquet 與 loaded table，觀察三個 horizon：
| Horizon | 問題 |
|---|---|
| First query | 使用者多久拿到第一個正確答案？ |
| Short session | 10–20 次 exploratory query 的總成本？ |
| Stable service | 何時 loading 與 indexing 開始 break even？ |
同時記 elapsed time、CPU、bytes read、conversion work、cache memory 與 answer correctness。改變 column width、selected-column position、selectivity 和 cache budget。真正有價值的輸出是 break-even curve，不是單一 winner。
留下來的核心思想
Preparation 不必是全做或全不做。系統可以依實際 workload 逐步建立 metadata、index 與 binary representation。即使 storage format 已不同，這個原則仍出現在 external-table engine、lakehouse query、automatic materialization 與 adaptive indexing。
複習卡
- Data-to-query time 包含第一個 query 前的準備。
- Selective tokenization／parsing 避免處理沒碰到的 attribute。
- Positional map 記結構；binary cache 記轉型結果。
- 決定勝負的是 workload 的 break-even horizon。
- CSV 結果不能直接套到 columnar format。
- Pay-as-you-go 只是延後部分工作，不會消除 correctness 與 governance。