用途：覆盖 ClickHouse 核心工作流的读写部分，把数据高效写入 ClickHouse，再用聚合、漏斗、留存、窗口函数和物化视图回答分析问题。
前提：表已创建（否则先运行 clickhouse-core-workflow-a）；已安装并连接 @clickhouse/client，环境变量含 CLICKHOUSE_HOST、CLICKHOUSE_USER、CLICKHOUSE_PASSWORD；有目标库表（示例用 analytics.events）。
主要能力与用法：
- 批量插入（快路径）：用 client.insert({ table, values, format: 'JSONEachRow' }) 批量写入，客户端内部缓冲。最佳实践是每次 INSERT 约 1 万至 10 万行，避免逐行插入；ClickHouse 每次 INSERT 生成一个新 part，过多小插入会导致 too many parts；实时流可缓冲 1-5 秒再刷写。流式文件（CSV、Parquet 等）用同一调用配合读流和对应格式（如 CSVWithNames）。
- 分析查询：用 count()、uniqExact() 与时间过滤做聚合，典型形态为按 tenant_id、event_type 分组统计事件数与去重用户数，按事件数降序取前 100。漏斗、留存与安全参数化查询模式见 references/queries.md。
- 预聚合与窗口：仪表盘场景可在 INSERT 时用物化视图配合 AggregatingMergeTree 目标表预聚合，读取时合并状态；窗口函数（row_number()、OVER (PARTITION BY ...) 累计）与完整函数参考见 references/advanced.md。
输出：批量插入代码或文件流；通过 rs.json() 返回的聚合结果，可直接供仪表盘或 API 使用；物化视图与目标表 DDL，使小表随源表 INSERT 自动更新。
错误处理：too many parts（300）多因频繁小插入，应批量插入或调大 parts_to_throw_insert；内存超限因大 GROUP BY/JOIN，可加 WHERE 过滤或调大 max_memory_usage；UNKNOWN_FUNCTION 多为版本不符，用 SELECT version() 检查；日期解析失败需用 YYYY-MM-DD HH:MM:SS 格式。
限制：需先完成建表工作流；具体函数与高级引擎细节需查阅随附 references 文件；资料未提供收费、平台支持范围等信息。