Câu hỏi phỏng vấn SQL Server

INSERT INTO ArchiveOrders (...)
SELECT ... FROM Orders WHERE OrderDate < '2025-01-01';

INSERT INTO Audit OUTPUT INSERTED.* VALUES (...);
DELETE FROM Orders OUTPUT DELETED.* WHERE ...;

SELECT Salary FROM (
    SELECT Salary, DENSE_RANK() OVER (ORDER BY Salary DESC) rk
    FROM Employees
) x WHERE rk = N;

WITH Ranked AS (
    SELECT *, ROW_NUMBER() OVER (PARTITION BY Group ORDER BY Score DESC) rn
    FROM T
)
SELECT * FROM Ranked WHERE rn <= N;

STRING_AGG(Name, ', ') WITHIN GROUP (ORDER BY Name)

CREATE INDEX IX ON Orders(CustomerId) INCLUDE (Total, OrderDate);

CREATE INDEX IX ON Orders(CustomerId) WHERE Status = 'Active';

CREATE TABLE Documents (
    Id INT IDENTITY PRIMARY KEY,
    Title NVARCHAR(500),
    Content NVARCHAR(MAX),
    Embedding VECTOR(1536)  -- OpenAI ada-002 embedding
);

-- Chèn vector
INSERT INTO Documents (Title, Content, Embedding)
VALUES (
    N'Hướng dẫn SQL Server 2025',
    N'SQL Server 2025 có native VECTOR type...',
    CAST('[0.0123, -0.0456, 0.0789, ...]' AS VECTOR(1536))
);

DECLARE @queryEmbedding VECTOR(1536) = CAST('[0.01, -0.04, ...]' AS VECTOR(1536));

SELECT TOP 5
    Title,
    VECTOR_DISTANCE('cosine', Embedding, @queryEmbedding) AS Similarity
FROM Documents
ORDER BY Similarity ASC;  -- cosine distance: càng nhỏ càng giống

CREATE VECTOR INDEX IX_Documents_Embedding
ON Documents (Embedding)
WITH (DISTANCE_METRIC = 'cosine', INDEX_TYPE = 'DISKANN');

DECLARE @response NVARCHAR(MAX);

EXEC sp_invoke_external_rest_endpoint
    @url = 'https://your-openai.openai.azure.com/openai/deployments/text-embedding-ada-002/embeddings?api-version=2024-02-01',
    @method = 'POST',
    @headers = '{"api-key": "YOUR_API_KEY", "Content-Type": "application/json"}',
    @payload = N'{"input": "SQL Server 2025 AI features"}',
    @response = @response OUTPUT;

-- Parse embedding từ JSON response (dùng JSON_VALUE với native JSON type)
SELECT JSON_VALUE(@response, '$.data[0].embedding');

-- Tự động summarize khi insert document
CREATE PROCEDURE SummarizeDocument
    @content NVARCHAR(MAX),
    @summary NVARCHAR(MAX) OUTPUT
AS
BEGIN
    DECLARE @response NVARCHAR(MAX);
    DECLARE @payload NVARCHAR(MAX) = JSON_OBJECT(
        'messages': JSON_ARRAY(
            JSON_OBJECT('role': 'system', 'content': 'Summarize in Vietnamese in 2 sentences'),
            JSON_OBJECT('role': 'user', 'content': @content)
        ),
        'max_tokens': 200
    );

    EXEC sp_invoke_external_rest_endpoint
        @url = 'https://your-openai.openai.azure.com/openai/deployments/gpt-4/chat/completions?api-version=2024-02-01',
        @method = 'POST',
        @headers = '{"api-key": "YOUR_API_KEY"}',
        @payload = @payload,
        @response = @response OUTPUT;

    SET @summary = JSON_VALUE(@response, '$.choices[0].message.content');
END;

User Question → VECTORIZE (sp_invoke_external_rest_endpoint → embedding API)
              → VECTOR SEARCH (VECTOR_DISTANCE + DiskANN index → top K documents)
              → BUILD PROMPT (concat question + retrieved docs)
              → LLM CALL (sp_invoke_external_rest_endpoint → GPT)
              → Response

CREATE PROCEDURE AskRAG
    @question NVARCHAR(MAX),
    @answer NVARCHAR(MAX) OUTPUT
AS
BEGIN
    DECLARE @questionEmbedding VECTOR(1536);
    DECLARE @context NVARCHAR(MAX) = '';
    DECLARE @prompt NVARCHAR(MAX);
    DECLARE @response NVARCHAR(MAX);

    -- Bước 1: Vectorize câu hỏi
    DECLARE @embedResponse NVARCHAR(MAX);
    EXEC sp_invoke_external_rest_endpoint
        @url = 'https://api.openai.com/v1/embeddings',
        @method = 'POST',
        @headers = '{"Authorization": "Bearer YOUR_KEY"}',
        @payload = JSON_OBJECT('input': @question, 'model': 'text-embedding-ada-002'),
        @response = @embedResponse OUTPUT;

    SET @questionEmbedding = CAST(
        JSON_QUERY(@embedResponse, '$.data[0].embedding') AS VECTOR(1536)
    );

    -- Bước 2: Vector search — tìm 5 document gần nhất
    SELECT @context = STRING_AGG(Content, CHAR(10) + CHAR(10))
    FROM (
        SELECT TOP 5 Content
        FROM Documents
        ORDER BY VECTOR_DISTANCE('cosine', Embedding, @questionEmbedding)
    ) AS relevant;

    -- Bước 3: Build prompt với context
    SET @prompt = CONCAT(
        N'Dựa vào các tài liệu sau, trả lời câu hỏi: ',
        CHAR(10), @question, CHAR(10), CHAR(10),
        N'Tài liệu tham khảo:', CHAR(10), @context
    );

    -- Bước 4: Gọi LLM
    EXEC sp_invoke_external_rest_endpoint
        @url = 'https://api.openai.com/v1/chat/completions',
        @method = 'POST',
        @headers = '{"Authorization": "Bearer YOUR_KEY"}',
        @payload = JSON_OBJECT(
            'model': 'gpt-4',
            'messages': JSON_ARRAY(
                JSON_OBJECT('role': 'user', 'content': @prompt)
            )
        ),
        @response = @response OUTPUT;

    SET @answer = JSON_VALUE(@response, '$.choices[0].message.content');
END;

-- So sánh 2 document xem có giống nhau không
DECLARE @d1 VECTOR(1536), @d2 VECTOR(1536);
SELECT @d1 = Embedding FROM Documents WHERE Id = 1;
SELECT @d2 = Embedding FROM Documents WHERE Id = 2;

SELECT VECTOR_DISTANCE('cosine', @d1, @d2) AS SimilarityScore;
-- Kết quả: 0.0 → 2.0 (cosine): càng gần 0 càng giống

DECLARE @queryVec VECTOR(1536) = ...;

SELECT TOP 10
    Id, Title,
    VECTOR_DISTANCE('cosine', Embedding, @queryVec) AS Score
FROM Documents
ORDER BY VECTOR_SEARCH('cosine', Embedding, @queryVec, 'IX_Documents_Embedding')
-- Dùng DiskANN index, nhanh hơn 100-1000x trên dataset lớn

-- Đăng ký Azure OpenAI model
CREATE EXTERNAL MODEL GPT4o_Model
WITH (
    TYPE = 'REST',
    PROVIDER = 'OPENAI',
    URL = 'https://your-openai.openai.azure.com/openai/deployments/gpt-4o',
    AUTHENTICATION = '{"api-key": "YOUR_KEY"}'
);

-- Đăng ký ONNX model cho local inference
CREATE EXTERNAL MODEL SentimentClassifier
WITH (
    TYPE = 'ONNX',
    LOCATION = '/var/opt/mssql/models/sentiment_model.onnx',
    INPUTS = (InputText NVARCHAR(MAX)),
    OUTPUTS = (Label NVARCHAR(50), Probability FLOAT)
);

-- Sử dụng model đã đăng ký
SELECT
    CommentText,
    PREDICT(SentimentClassifier, CommentText) AS Sentiment
FROM Comments;

-- Cách cũ (pre-2025)
CREATE TABLE OldWay (
    Id INT,
    Data NVARCHAR(MAX),
    CONSTRAINT CK_ValidJSON CHECK (ISJSON(Data) = 1)
);

-- Cách mới (2025)
CREATE TABLE NewWay (
    Id INT,
    Data JSON  -- Native JSON type!
);

-- Dot notation cho path (mới trong 2025)
SELECT Data.name, Data.address.city
FROM NewWay
WHERE Data.age > 25;

-- Tạo bảng với JSON type
CREATE TABLE Products (
    Id INT PRIMARY KEY,
    Details JSON
);

-- Tạo JSON index trên các field thường query
CREATE JSON INDEX IX_Product_Category
ON Products (Details)
ON (Details.category, Details.price);

-- Query tận dụng JSON index — seek thay vì scan
SELECT Id, Details.name
FROM Products
WHERE Details.category = N'Điện tử'   -- Dùng index
  AND Details.price < 5000000;         -- Dùng index

-- Primary JSON index: index mọi path, giống full-text
CREATE JSON INDEX IX_Primary ON Products (Details);

-- Secondary JSON index: index path cụ thể (nhẹ hơn, nhanh hơn)
CREATE JSON INDEX IX_Price ON Products (Details)
ON (Details.price);  -- Chỉ index price path

-- Unique JSON index: đảm bảo unique constraint trên JSON field
CREATE UNIQUE JSON INDEX IX_SKU ON Products (Details)
ON (Details.sku);

-- Gộp tất cả sản phẩm của mỗi category thành array
SELECT
    Category,
    JSON_ARRAYAGG(
        JSON_OBJECT('id': Id, 'name': Name, 'price': Price)
        ORDER BY Price DESC
    ) AS ProductsArray
FROM Products
GROUP BY Category;

/*
Kết quả cho Category = 'Điện tử':
[
  {"id": 5, "name": "Laptop", "price": 15000000},
  {"id": 3, "name": "Chuột", "price": 500000}
]
*/

-- Tạo object với key = ProductId, value = tên sản phẩm
SELECT
    Category,
    JSON_OBJECTAGG(Id, Name) AS ProductMap
FROM Products
GROUP BY Category;

/*
Kết quả:
{"1": "iPhone", "3": "Chuột", "5": "Laptop"}
*/

-- Kiểm tra array có chứa giá trị
SELECT *
FROM Orders
WHERE JSON_CONTAINS(Tags, '"VIP"');  -- Tags = ["VIP", "Urgent"]

-- Kiểm tra object có chứa key-value
SELECT *
FROM Products
WHERE JSON_CONTAINS(Details, '{"color": "red"}', '$.attributes');

-- Kiểm tra path tồn tại
SELECT *
FROM Configs
WHERE JSON_CONTAINS(Settings, NULL, '$.features.ai');
-- TRUE nếu Settings có path $.features.ai dù giá trị là gì

-- Thêm phần tử vào cuối JSON array
UPDATE Products
SET Details = JSON_MODIFY(Details, 'append $.tags', N'Bestseller');

-- Trước: {"tags": ["New", "Sale"]}
-- Sau:   {"tags": ["New", "Sale", "Bestseller"]}

-- Xóa 1 key khỏi JSON object
UPDATE Products
SET Details = JSON_MODIFY(Details, 'delete $.temporaryFlag');

-- Trước: {"name": "Laptop", "temporaryFlag": true, "price": 1000}
-- Sau:   {"name": "Laptop", "price": 1000}

-- 2025 hỗ trợ multiple path operations trong 1 JSON_MODIFY
UPDATE Products
SET Details = JSON_MODIFY(
    Details,
    'set $.price', 12000000,
    'set $.discount', 10,
    'append $.tags', N'Khuyến mãi',
    'delete $.old_field'
);

DECLARE @text NVARCHAR(500) = N'Liên hệ: email1@example.com, email2@domain.vn. ĐT: 0912-345-678';

-- REGEXP_LIKE: kiểm tra có email không
SELECT REGEXP_LIKE(@text, '[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}');
-- TRUE

-- REGEXP_SUBSTR: lấy email đầu tiên
SELECT REGEXP_SUBSTR(@text, '[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}');
-- 'email1@example.com'

-- REGEXP_REPLACE: mask email thành ***
SELECT REGEXP_REPLACE(
    @text,
    '[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}',
    '***@***.***'
);
-- 'Liên hệ: ***@***.***, ***@***.***. ĐT: 0912-345-678'

-- REGEXP_COUNT: đếm số email
SELECT REGEXP_COUNT(@text, '[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}');
-- 2

-- REGEXP_INSTR: vị trí email đầu tiên
SELECT REGEXP_INSTR(@text, '[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}');
-- 10 (vị trí bắt đầu của 'email1@example.com')

CREATE TABLE Users (
    Id INT PRIMARY KEY,
    Email NVARCHAR(256),
    Phone NVARCHAR(20),
    CONSTRAINT CK_ValidEmail
        CHECK (REGEXP_LIKE(Email, '^[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}$')),
    CONSTRAINT CK_ValidPhone
        CHECK (REGEXP_LIKE(Phone, '^0\d{9,10}$'))
);

-- Dùng LIKE: pattern đơn giản, prefix cố định → có thể seek index
SELECT * FROM Customers WHERE Name LIKE N'Nguyễn%';  -- Index seek OK

-- Dùng REGEXP: validate, extract, pattern phức tạp
SELECT * FROM Customers WHERE REGEXP_LIKE(Email, '^[a-z0-9._%+-]+@gmail\.com$');
SELECT REGEXP_REPLACE(Phone, '[^\d]', '') AS CleanPhone FROM Customers;

-- Chuẩn hóa số điện thoại: xóa hết non-digit, thêm +84 nếu bắt đầu bằng 0
UPDATE Customers
SET Phone = REGEXP_REPLACE(
    CASE
        WHEN REGEXP_LIKE(Phone, '^0') THEN '+84' + SUBSTRING(Phone, 2, 20)
        ELSE Phone
    END,
    '[^\d+]',  -- Xóa mọi thứ không phải số hoặc dấu +
    ''
)
WHERE Phone IS NOT NULL;
-- '0912.345.678' → '+84912345678'

-- Parse log message: lấy IP, timestamp, status code từ Apache access log
DECLARE @log NVARCHAR(500) = N'192.168.1.1 - - [08/Jul/2026:14:30:00 +0700] "GET /api/products HTTP/1.1" 200 1234';

SELECT
    REGEXP_SUBSTR(@log, '^\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}') AS IP,
    REGEXP_SUBSTR(@log, '\[([^\]]+)\]', 1, 1, 1) AS Timestamp,  -- group 1
    REGEXP_SUBSTR(@log, '"\w+ ([^?]+)') AS Endpoint,            -- path sau method
    REGEXP_SUBSTR(@log, ' (\d{3}) ') AS StatusCode;

-- Mask email và credit card trước khi export ra môi trường test
SELECT
    REGEXP_REPLACE(Email, '([^@]+)@', '***@') AS MaskedEmail,
    REGEXP_REPLACE(CreditCard, '\d{12}(\d{4})', '************$1') AS MaskedCC,
    REGEXP_REPLACE(SSN, '\d{3}-\d{2}-(\d{4})', '***-**-$1') AS MaskedSSN
FROM SensitiveData;

-- Kiểm tra Optimized Locking đã bật chưa
SELECT name, is_optimized_locking_on
FROM sys.databases;

-- Bật Optimized Locking (default ON trong 2025)
ALTER DATABASE MyDB SET OPTIMIZED_LOCKING = ON;

-- Bật CE Feedback (default ON trong 2025)
ALTER DATABASE SCOPED CONFIGURATION
SET CE_FEEDBACK = ON;

-- Kiểm tra CE Feedback đã apply cho query nào
SELECT
    qt.query_sql_text,
    p.plan_id,
    p.ce_feedback_status,
    p.ce_feedback_last_applied
FROM sys.query_store_plan p
JOIN sys.query_store_query qt ON p.query_id = qt.query_id
WHERE p.ce_feedback_status <> 'None';

-- Bật PSPO
ALTER DATABASE SCOPED CONFIGURATION
SET PARAMETER_SENSITIVE_PLAN_OPTIMIZATION = ON;

-- Ví dụ: query này có 2 plan:
-- Plan A: @Status = 'Active' (80% rows → scan clustered)
-- Plan B: @Status = 'Pending' (0.1% rows → index seek + key lookup)
SELECT * FROM Orders WHERE Status = @Status;
-- PSPO tự tạo cả 2 plan, runtime chọn dựa trên @Status thực tế

-- Query có optional parameter
CREATE PROCEDURE SearchOrders
    @CustomerId INT = NULL,     -- NULL = tất cả khách
    @Status NVARCHAR(20) = NULL -- NULL = tất cả trạng thái
AS
BEGIN
    SELECT * FROM Orders
    WHERE (@CustomerId IS NULL OR CustomerId = @CustomerId)
      AND (@Status IS NULL OR Status = @Status);
END;

-- OPPO tự detect và optimize dạng query này,
-- thay vì 1 plan xấu cho mọi combination

-- Bật OPPO
ALTER DATABASE SCOPED CONFIGURATION
SET OPTIONAL_PARAMETER_PLAN_OPTIMIZATION = ON;

-- Batch mode tự động kích hoạt với compatible level 170 (2025)
ALTER DATABASE MyDB SET COMPATIBILITY_LEVEL = 170;

-- Kiểm tra execution plan: tìm operator "Batch Hash Aggregate"
-- hoặc "Batch Window Aggregate" thay vì row-mode tương ứng

-- Ép buộc row mode (để compare)
SELECT Category, STRING_AGG(Name, ', ')
FROM Products
GROUP BY Category
OPTION (USE HINT('DISALLOW_BATCH_MODE'));

# Pull và chạy SQL Server 2025 Express trên Docker
docker run -e "ACCEPT_EULA=Y" -e "MSSQL_EDITION=Express" \
  -p 1433:1433 \
  mcr.microsoft.com/mssql/server:2025-latest

# Triển khai trên K8s với SQL Server Operator 2025
kubectl apply -f sqlserver-2025-operator.yaml

# Tự động failover, backup, scale
kubectl get sqlservers

-- Connect SQL Server 2025 vào Azure Arc
-- (chạy trên máy on-premise)
EXEC sys.arc_connect
    @tenant_id = 'your-tenant-id',
    @subscription_id = 'your-subscription-id',
    @resource_group = 'sql-servers-rg';

┌─────────────────────────────────────────────────┐
│                  Azure Portal                     │
│  ┌──────────┐ ┌──────────┐ ┌──────────────────┐ │
│  │ Security │ │  Update  │ │ Compliance        │ │
│  │ Center   │ │ Manager  │ │ (Microsoft Purview)│ │
│  └────┬─────┘ └────┬─────┘ └────────┬─────────┘ │
└───────┼────────────┼───────────────┼────────────┘
        │            │               │
   ┌────▼────────────▼───────────────▼────────────┐
   │         Azure Arc agent (on-prem)             │
   │  ┌──────────┐  ┌─────────────┐               │
   │  │ SQL Svr 1│  │ SQL Svr 2   │  ...          │
   │  │ (Windows)│  │ (Linux)     │               │
   │  └──────────┘  └─────────────┘               │
   └──────────────────────────────────────────────┘

-- Không cần CREATE SERVER, chỉ cần CREATE DATABASE
CREATE DATABASE SalesAnalytics;
GO

USE SalesAnalytics;
CREATE TABLE orders (...);
-- Dùng T-SQL y hệt, có VECTOR, JSON, RegEx đầy đủ

# Azure Arc: cài agent lên SQL Server on-prem
# Agent chỉ cần OUTBOUND HTTPS (443) → không cần mở inbound port

# 1. Tạo Azure Arc resource trong portal
az connectedmachine create --resource-group my-rg \
    --name sql-onprem-01 --location westeurope

# 2. Cài Azure Connected Machine agent lên server on-prem
# (download script từ Azure portal)

# 3. Enable SQL Server extension
az connectedmachine extension create \
    --machine-name sql-onprem-01 \
    --name WindowsAgent.SqlServer \
    --type WindowsAgent.SqlServer

# 4. SQL Server xuất hiện trong Azure portal → quản lý như cloud resource
# Dùng Entra ID để auth: không cần Windows AD!