SQL并行执行计划的并发调度由优化器动态决定，需平衡资源利用与依赖约束：依据估算工作量、运行时资源、数据分片可行性确定DOP；Producer/Consumer/Synchronizer类算子分工协作；依赖关系通过同步点与信号量控制；常见瓶颈包括资源争用、数据倾斜和Gather单点瓶颈。
SQL数据库的并行执行计划中，算子并发调度不是简单地“越多越快”，而是由查询优化器结合系统资源、数据分布、算子特性与依赖关系动态决定的。核心逻辑在于：在保证结果正确性和执行依赖的前提下，最大化利用CPU、内存和I/O带宽，同时避免资源争用和调度开销反噬性能。
并行度（DOP）的确定依据
并行度并非固定值，通常由以下因素共同决定：
- 优化器估算：基于表大小、谓词选择率、索引可用性等估算总工作量，再结合配置阈值（如min_grant_percent、cost_threshold_for_parallelism）判断是否启用并行；
- 运行时资源约束：受max degree of parallelism (MAXDOP)、可用工作线程数、内存授予（Memory Grant）限制；
- 数据分片可行性：只有支持水平切分的算子（如扫描、哈希连接、排序）才能真正并行；而某些算子（如全局聚合、TOP-N、序列化输出）天然需要串行合并点，会形成“并行-串行”转换边界。
算子级并发调度行为
不同算子在并行计划中承担不同角色，调度方式差异显著：
Skill Weave Chains — 技能链路由引擎
下载
开箱即用的技能链路由引擎。13 条预定义链覆盖搜索、开发、审查、MLOps、法律、创意等场景，三层路由架构（触发词→SAD反馈→DAG编排），recall@10=96.97%。配置驱动（chains.yaml），零代码扩展。pip install skill-weave-chains 一键安装。
- Producer类算子（如Parallelism（Gather Stream）、Table Scan）：每个线程独立处理一个数据分区（如页范围、分区表子集），产出数据流到共享线程间队列；
- Consumer类算子（如Hash Join Build/Probe、Sort）：Build端常并行构建多个局部哈希表，Probe端则按数据分布将Probe行路由到对应线程；Sort可能先局部排序再归并（Merge Join式归并或Top-N优化）；
- Synchronizer类算子（如Gather Streams、Repartition Streams、Distribute Streams）：负责跨线程协调数据流动——Gather用于最终串行输出，Repartition用于重分区（如为Join重新哈希分发），Distribute用于广播或哈希分发驱动表。
依赖关系与执行时序控制
并行计划仍严格遵循数据依赖和控制依赖：
- 子树内部存在隐式同步点，例如Hash Join的Build必须全部完成，Probe才能开始；
- 多个并行分支之间若无数据依赖（如UNION ALL的两个分支），可完全异步启动；若有依赖（如Nested Loop外层驱动内层），则外层线程需逐批喂入数据，内层按需并行执行；
- 调度器通过轻量信号量（如SOS_SCHEDULER_YIELD）、任务队列状态和线程本地缓冲区水位来协调节奏，避免空转或死锁。
常见调度瓶颈与调优提示
实际执行中，并行优势易被以下问题抵消：
- 过度并行导致线程争抢内存或闩锁（如PAGEIOLATCH_SH、CXPACKET高等待），此时降低MAXDOP或增加cost threshold更有效；
- 数据倾斜使部分线程负载远高于其他线程（如哈希分布不均），可尝试加随机前缀扰动哈希键，或改用Merge Join；
- Gather点成为单点瓶颈，尤其在大结果集返回时，可考虑分页、流式消费或禁用并行（OPTION (MAXDOP 1)）评估收益比。
