请描述 Apache Druid 中查询计划生成的具体流程，并探讨在实际使用中如何对查询计划进行优化。

回答思路

1. 【回答框架 1】Druid 查询计划生成分为四个阶段：SQL 解析、逻辑计划优化、物理计划生成和本地/分布式执行。查询语句先被解析为抽象语法树，经 Apache Calcite 进行语法与语义分析，生成逻辑计划；随后经过规则优化如谓词下推、列裁剪等，转化为物理执行计划，最终分解为多个查询片段下发到 Historical 和 Broker 节点执行。
2. 【回答框架 2】优化查询计划主要围绕减少扫描数据量和计算量：使用段元数据预过滤，避免加载无关段；通过时间范围剪裁和维度过滤将谓词下推到存储层；合理设置段粒度与排序，使数据分布与查询模式匹配；避免低效的跨段 shard 查询，优化 groupBy 和 topN 的聚合节点选择。
3. 【回答框架 3】查询计划的优化也依赖系统配置和资源调度：调整 Broker 的缓存策略、查询优先级和线程池大小，合理设置 Druid 的段缓存，避免因缓存失效导致的查询退化；对于复杂查询，可借助 EXPLAIN PLAN 查看物理计划，定位高成本节点并针对性改写查询。
4. 【回答框架 4】针对特定类型查询，还需注意拓扑结构：基于时间序列的查询应充分利用数据的时间分布，避免全表扫描；对于高基数维度，topN 可能比 groupBy 更高效；当无法避免大型聚合时，考虑构建预聚合和 rollup，或使用近似计算如 HyperLogLog 和 DataSketches。
5. 【关键点 1】Druid 查询计划通过 Calcite 解析生成逻辑计划，再优化为物理计划下发执行。
6. 【关键点 2】谓词下推、时间剪裁和列裁剪是核心优化手段。
7. 【关键点 3】段粒度和排序设计直接影响查询计划效率。
8. 【关键点 4】高频查询应利用段缓存，复杂查询可用 EXPLAIN PLAN 定位瓶颈。
9. 【关键点 5】高基数场景优先选 topN，低延迟可依赖近似聚合。
10. 【易错点 1】不要忽略段粒度过细导致的元数据膨胀和调度开销。
11. 【易错点 2】避免在查询计划优化中盲目增加索引而忽略段排序。
12. 【易错点 3】不要将分区剪裁能力与 where 过滤完全等同，需结合 Druid 的段内部结构。