Visualize 要求使用者逐项选择 bucket 和 metric，Lens 则尝试从字段类型和当前画布状态推断合理方案。一次拖拽会触发 operation 匹配、维度约束和可视化建议排序。Lens 的价值不只在交互更轻，而在于它把聚合知识编码进了推断流程。

字段类型到聚合的映射

Lens 拿到一个字段后，它首先读取该字段在 Data View 里登记的类型。映射规则如下：

1
2
3
4
5
6
7
字段类型 → 默认聚合

keyword / ip / boolean    → terms（top N 分组）
date                      → date_histogram（时间分桶）
number（metric 位置）     → avg
number（bucket 位置）     → histogram / range
geo_point                 → geotile_grid（地图场景）

这不是 UI 里写死的一张枚举表，而是 Lens datasource 和 operation 定义共同给出的兼容结果。当前 Lens 插件位于 x-pack/platform/plugins/shared/lens；这些内部模块会随重构移动，不应当当作稳定的插件 API。拖字段时，Lens 会按字段类型和当前维度筛选可用 operation，再选择默认建议。

这解释了一个常见现象：把同一个字段拖到 X 轴和 Y 轴，Lens 会选不同的聚合——X 轴（dimension）更倾向于 bucket 语义，Y 轴更倾向于 metric 语义，即使字段类型相同。

Suggestion 引擎

字段映射只解决了"聚合选什么"，图表类型的推断由 suggestion 引擎负责。

1
2
3
4
5
6
7
8
用户拖入字段序列 → suggestion 引擎 → 候选图表列表（按置信度排序）

规则示例：
  1 个 date + 1 个 number           → line chart（首选）/ bar chart / area
  1 个 keyword + 1 个 number        → bar chart（横向或纵向）
  1 个 keyword + 2 个 number        → stacked bar / grouped bar
  2 个 number                        → scatter plot / metric
  geo_point                          → maps（如果 Maps 插件已安装）

suggestion 逻辑分布在 x-pack/platform/plugins/shared/lens/public/visualizations/ 下的各图表实现中，例如 XY 图使用独立的 xy_suggestions.ts。不同图表类型根据字段维度和当前状态生成候选结果，Lens 再把候选项显示在 Suggestions 面板中。

当用户调整字段组合时，suggestion 列表实时刷新。这意味着 Lens 不是预先规定"两个字段只能画折线图"，而是每次都重新评估所有图表类型对当前维度组合的兼容性。

Layer 模型

1
2
3
4
5
6
7
8
Lens 画布
└── Layer 0（主层）
    ├── X 轴 dimension    → 字段 A（date → date_histogram）
    ├── Y 轴 dimension    → 字段 B（number → avg）
    └── breakdown         → 字段 C（keyword → terms）
└── Layer 1（附加层，可选）
    ├── 类型：reference line / annotation
    └── 独立的 data source 或表达式

一个 Lens 画布可以有多个 layer。常见用法是在 time series 上叠加一条阈值参考线（reference line layer），或者叠加事件注解（annotation layer）。不同 layer 可以共享同一个 data source，也可以各自绑定不同的 index pattern。每个 layer 的聚合结果独立计算，最终在渲染层合并到同一张图上。

Formula：computed metric

Lens 的 formula 功能允许在 Y 轴输入表达式而不是单选一个聚合函数：

1
2
3
4
5
6
formula 示例：

  count() / overall_sum(count())       → 各桶占总量比例
  moving_average(sum(bytes), window=7) → 7 期移动平均
  differences(sum(bytes))              → 相邻桶差值
  sum(bytes) / max(bytes)              → 归一化后的值

formula 表达式被 Lens 的表达式引擎解析成一个 pipeline，在 ES 的 aggregation 层（bucket_script、moving_fn 等）执行，不在 Kibana 侧做二次计算。这意味着 formula 的计算精度和性能取决于 ES 管道聚合的能力，而不是 JavaScript。

为什么 Lens 取代了 Visualize

Visualize（传统面板编辑器）与 Lens 的根本差异在于配置入口：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Visualize 工作流：
  选图表类型 → 手动配置 bucket agg → 手动配置 metric agg → 预览

Lens 工作流：
  拖字段 → 系统推断聚合 → suggestion 引擎推荐图表类型 → 调整

Visualize 劣势：
  - 配置顺序固定；改图表类型通常需要重新配置聚合
  - 不同图表类型的编辑界面各自独立，学习成本高
  - 无法跨图表类型复用配置状态

Lens 优势：
  - 字段维度和聚合逻辑解耦；换图表类型时维度配置保留
  - formula 支持管道聚合的表达式化
  - layer 模型支持在同一画布叠加多种数据层
  - 与 Dashboard 的 Embeddable 框架深度集成（inline editing）

Kibana 8.x 官方文档明确标注 Lens 为推荐的可视化编辑器。Visualize 仍然保留（主要是历史 Dashboard 的兼容），但新功能只在 Lens 里迭代。

Lens Saved Object 结构

1
2
3
4
5
6
7
8
9
10
11
12
13
Saved Object type: lens

attributes
├── title           图表名称
├── description
├── visualizationType   "lnsXY" / "lnsPie" / "lnsMetric" ...
├── state
│   ├── datasourceStates
│   │   └── formBased（或 textBased）
│   │       └── layers: { layerId → { columnOrder, columns } }
│   └── visualization
│       └── 各图表类型自有的配置（X/Y 轴绑定、颜色、图例等）
└── references       → 引用的 index-pattern（Data View）

columns 里每一列就是一个 operation 配置，包含字段名、聚合类型、参数（如 terms 的 size）。Lens 的 “Inspect” 面板会展示最终发给 ES 的聚合 JSON，这是验证推断结果是否符合预期的直接手段。

实验：观察推断差异

在 Lens 编辑器里，依次拖以下三种字段到 X 轴维度，记录每次 Lens 自动选择的聚合类型，然后用 Inspect（图表右上角 → Inspect → Requests）查看实际发给 ES 的聚合 JSON：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
实验序列：

  1. 拖一个 keyword 字段到 X 轴
     预期：terms aggregation，size=5（默认）

  2. 拖一个 date 字段到 X 轴
     预期：date_histogram，interval 由 Lens 自动计算（auto）

  3. 拖一个 number 字段到 X 轴
     预期：histogram aggregation，interval 由字段值域推断

  4. 再拖一个 number 字段到 Y 轴
     预期：avg aggregation（若字段在 Y 轴位置）

  对比在 Visualize 里需要点多少步配置才能达到同样结果

Inspect 面板里的 Request 标签页会展示完整的 ES 请求 body，其中 aggs 节点就是 Lens 推断并生成的聚合定义。这与 Visualize 需要手动配置后才能在 Inspect 里看到的 aggs 直接对应。

将实验结果映射到内部对象

1
2
3
4
5
6
7
用户操作               → Lens 内部对象               → ES 请求

拖 keyword 到 X 轴    → TermsIndexPatternColumn       → { terms: { field, size } }
拖 date 到 X 轴       → DateHistogramIndexPatternColumn → { date_histogram: { field, calendar_interval } }
拖 number 到 Y 轴     → AvgIndexPatternColumn          → { avg: { field } }
输入 formula 表达式   → FormulaIndexPatternColumn      → { bucket_script: { ... } }
添加 reference line   → 独立 Layer（非聚合）           → 单独 ES 请求或客户端常量

每种 Column 类型都在 Lens 的 operation 模块里有对应的 toEsAggsFn 方法，负责把 column 配置序列化成 ES aggregation 参数。

模式提炼

1
2
3
4
5
6
7
8
9
10
11
12
模式：字段类型驱动的聚合推断 + suggestion 引擎的图表推荐

核心机制：
  1. operation catalog 声明兼容类型，拖入时过滤并排序候选
  2. suggestion 引擎由各图表类型自述兼容性并打分，汇总后排序
  3. layer 模型把"多套数据叠加"从特殊功能变成组合基元
  4. formula 把管道聚合的组合能力暴露为文本表达式

可迁移的设计原则：
  - 把用户输入（字段）和系统决策（聚合、图表类型）分层
  - "推荐 + 可覆盖"优于"必填 + 空白"：给默认值，但允许手工改
  - 把图表类型从中央注册表改成各自声明 getSuggestions，利于扩展

工程迁移表

Lens 概念 Grafana 对应 Tableau 对应 Power BI 对应
Operation catalog（字段 → 聚合） Query 字段配置（手动） "Show Me"自动推断聚合 自动汇总（SUM/COUNT 推断）
Suggestion 引擎 无内置（靠用户选面板类型） Show Me（基于维度/度量组合） Auto-visualization hint
Layer 模型 多 series + override 多 mark layer 叠加图层
Formula（管道聚合表达式） 计算字段（Transforms） 计算字段（LOD 表达式） DAX 计算列 / 度量
Lens Saved Object Panel JSON 工作簿 XML pbix 二进制
Inline editing（Dashboard 内直接编辑） Grafana 8+ 面板内编辑 Dashboard 内编辑 报表内编辑

常见误解

误解一：“Lens 只能画简单图，复杂聚合还是要用 Visualize”。formula 功能已经覆盖了移动平均、差值、百分比等管道聚合场景。Visualize 的手动配置能表达的聚合，Lens 通过 operation catalog 和 formula 基本都能覆盖，差异主要在旧版本或特定图表类型。

误解二：“Lens 的图表类型比 Visualize 少”。Kibana 8.x 中 Lens 已经包含折线、柱状、面积、饼图、环形图、热力图、散点、Metric、Gauge、Waffle 等主流类型。Visualize 中部分类型（如 TSVB、Vega）是独立编辑器，不归属于 Lens，但这不代表 Lens 图表类型少。

误解三：“拖字段后 Lens 就直接发请求”。Lens 有一个 debounce 机制，配置变更会短暂等待后再触发查询，避免在拖拽过程中发出大量中间状态的请求。

误解四：“Lens 公式和 Elasticsearch Painless 脚本是一回事”。Lens formula 被编译成 ES 的标准聚合（bucket_script、moving_fn 等），不涉及 Painless 脚本。Painless 是 ES 侧的脚本执行能力，用在 runtime fields 和 script query 里。

练习

  1. 在 Lens 编辑器中，分别把 keyword、date、number 三种类型的字段拖到 Y 轴（metric 位置），观察每次自动选中的 operation 名称，然后在 Inspect → Requests 里找到对应的 ES aggregation JSON，确认推断的聚合类型与字段类型的对应关系。

  2. 用 formula 实现"每个 bucket 的值占所有 bucket 总和的百分比"：在 Y 轴输入 count() / overall_sum(count()) * 100，用 Inspect 查看生成的 ES bucket_script 结构，理解 overall_sum 如何映射为 pipeline aggregation。

  3. 建一个双 layer 图表：Layer 0 是正常的时序折线，Layer 1 是一条固定值的 reference line。观察 Inspect 里 Layer 0 和 Layer 1 各自发出了什么 ES 请求（或 Layer 1 是否发请求）。

系列导航

篇目 主题
00 导读：Kibana 的状态存在 Elasticsearch 里
01 架构：浏览器、Node.js server 与 New Platform
02 Saved Object：一切状态的统一模型
03 Data View：查询之前的字段抽象
04 Search Source 与查询翻译
05 Discover：交互式检索的执行模型
06 聚合式可视化：Visualize 与 bucket/metric
07 Lens：拖拽背后的自动聚合推断
08 TSVB、Timelion 与 Vega
09 Dashboard 与 Embeddable
10 Alerting：Rule、Connector 与 Action
11 Reporting：从 Dashboard 到 PDF/PNG
12 Task Manager：分布式任务调度
13 Spaces 与安全：RBAC、Feature Controls 与多租户
14 插件体系：setup/start 生命周期
15 性能模型：bundle、bootstrap 与异步搜索会话
16 Kibana vs Grafana：两种平台的设计取舍
17 演进：从纯前端到 Platform 再到 Serverless

参考资料