ITPub博客

在与客户交流过程中，我们曾遇到一家电商企业，其分析数据规模已达到 80TB。为了支撑不同业务场景，团队分别部署了仪表盘、商品搜索和向量检索三套独立系统。随着业务发展，系统间的数据同步、运维和故障排查成本持续增加，维护多套系统逐渐成为新的挑战。最终，该团队基于 Apache Doris 完成了相关能力的统一建设，在满足业务需求的同时，也显著降低了系统复杂度。类似的情况在企业数字化建设过程中并不少见。

在 Lakehouse 架构中，数据通常以开放湖格式（如 Iceberg）存放在对象存储中，并由 Spark、Flink、Trino、Apache Doris 等计算引擎共同管理和访问。这是一套天然的存算分离架构，并且同一份开放数据可以服务于不同的计算场景。但数据开放，并不意味着操作链路已经统一。围绕同一张 Iceberg 表，之前的分工往往是这样的：Iceberg 做表格式，Spark 负责管理

摘要：本文介绍哥瑞利基于 Apache Doris 构建泛半导体统一 OLAP 架构的实践。该方案支撑万亿级制造数据的实时分析与生产追溯，常规交叉分析可在秒级别完成，并覆盖良率管理、设备监控和企业数据中台等核心场景。通过主键模型、分区分桶、Colocate Join 等能力，帮助制造企业减少系统复杂度，构建稳定、高效的数据分析底座。在 Doris Summit 2025 上，哥瑞利大数据总监尹炬分

作者：吴迪，SelectDB 内核研发工程师、Apache Doris PMC MemberPostgreSQL 已成为众多业务系统的核心数据库，在 各类 TP 场景中被广泛采用。然而，PostgreSQL 的设计目标是高并发在线事务处理，并不适合承载分析型负载。当执行跨表聚合、大范围扫描等查询时，容易占用大量系统资源，从而影响线上业务的稳定性。因此，在实时分析、实时大屏、数据仓库以及 AI 数据

上一篇文章介绍了快手在 AB 场景中实现 145 倍性能提升的实践，重点解析了从 Spark 迁移至 Apache Doris 的加速路径。本文将进一步系统梳理快手在 OLAP 分析引擎领域从 ClickHouse 向 Apache Doris 迁移的实践过程。针对 ClickHouse 在 Join 能力、湖仓一体、存算分离和运维复杂度等方面的局限，快手基于 Apache Doris 引入了更完

作者：陈明雨，飞轮科技技术副总裁、Apache Doris PMC Chair列式存储的优势很直接：查询用到哪些列，就只读取哪些列。假设一张用户行为表有 3000 列，而查询只需要 user_id 和 event_time，理论上，其余 2998 列都不应产生明显开销。SELECT user_id, event_timeFROM eventsWHERE dt = '2026-04-20&#

AI Agent 的日志正在变得越来越复杂。过去日志通常只有时间、级别和消息，但现在一次 Agent 调用可能包含模型参数、工具调用、检索结果、Prompt 版本、用户上下文等大量动态字段。这些字段很难提前设计 schema，于是 JSON 成为了最自然的数据承载方式。问题也随之出现：当 payload （即结构经常变化、字段无法提前固定的 JSON 数据）从几十个字段扩展到几百、几千个字段时，数

随着美团业务规模持续增长，数据分析系统所面对的问题已经不再只是查询更快，而是如何在多业务、多场景、多负载并存的情况下，构建一套长期可演进的统一 OLAP 架构。基于此，美团 OLAP 平台完成了从多引擎并存，到基于 Apache Doris 构建统一分析引擎，再到大规模集群治理、无感升级和 AI 场景演进的建设过程。本文将围绕整体架构、核心能力建设与无感升级，介绍美团在 Doris 体系下的 OL

注意：本文中的基准数据反映了 2026 年 5 月的 AgentLogsBench 结果。该基准会定期更新。如需查看最新结果，请参阅实时排行榜。当一个 Coding Agent 在生产环境中陷入循环时，问题往往不会以清晰的错误码出现。它可能为了修复一个失败的测试反复编辑同一个文件，多次调用相同工具，持续消耗 token，最终仍然返回一个不可用的 patch。此时，平台团队需要在极短时间内判断：这是

导读：快手 AB 指标生产场景从 Spark 切换到 Doris 提速 145 倍、资源消耗下降 72%，并刷新了 Doris 单机群最大规模：2000 节点、10 万核。本文介绍快手数据平台团队为什么选择 Apache Doris 构建 AB 实验平台，针对 AB 指标生产场景进行了哪些落地过程中的存储、计算、调度、稳定性等方面优化。快手的干货分享，对需要构建 AB 实验平台的团队有很大的参考价

随着 AI 应用和实时分析场景深入，进入数据平台的不再只是结构化业务表。日志、JSON、文本内容、行为事件、模型推理结果等半结构化和非结构化数据，正在成为实时分析的常见对象。与此同时，分析链路中要完成的工作也在变化：它不再只是 COUNT、SUM、GROUP BY，还包括规则判断、字段解析、特征加工、标签抽取、模型打分等更复杂的业务逻辑。这些逻辑往往更适合用 Python 实现。但如果把数据导出到

导读：在 SelectDB AI 产品发布会上，阶跃星辰可观测性专家 Ric 分享了 Agent 不确定性带来的可观测性挑战，为什么选择 SelectDB 作为 Agent 可观测平台 StepTrace 的数据底座，获得 Agent Trace 实时写入、全文检索、成本和延迟分析等方面的优势，并在 SWE-Agent 代码评测与智能座舱两个真实场景中落地。大家好，我是 Ric，目前在阶跃星辰负责

导读 ：本文系统阐述了途虎养车在大数据 OLAP 领域的架构演进路径。针对历史架构中多套技术栈并存导致的数据孤岛、多系统接力及运维成本高等痛点，团队以用户标签系统为突破口，推行以 Apache Doris 为核心的统一数据底座建设，逐步实现点查、圈选、BI 报表、即席分析统一承载，实现核心查询场景提速约 20 倍。本文整理自途虎养车 数据平台开发工程师 王文博 在 Doris Summit 202

Litefuse 正式开源，并推出轻量的单机单进程版本。开发者只需一行命令，即可在约 25 秒内完成 Litefuse 的下载、安装和部署，快速搭建 Agent 可观测、Trace 分析与效果评估平台。curl -fsSL https://litefuse.ai/install.sh | sh在前一篇文章《Litefuse 正式发布：Agent 可观测与效果

过去十年，数仓从"上云"走向"云原生"。然而在资源管理层面，一个根本性矛盾依然存在：业务负载具有波动性，而资源规格通常只能依据峰值提前锁定。很多数据团队都经历过类似场景：为保障上午的 BI 报表高峰购买了 64 核计算资源，但实际高负载时间每天仅有 3-4 小时，其余时间 8 核即可满足需求。按全天 24 小时计算，超过 70% 的计算资源处于空转状态。反之

2026 年 SelectDB AI 产品发布会圆满举行。本次发布会聚焦 Agent 时代下数据分析基础设施的全新变化，围绕极速分析、多模数据统一管理、Agent Native、Agent Observability 以及 Serverless 弹性架构等方向，系统展示了 SelectDB 面向 AI 与 Agent 场景的最新产品演进。发布会吸引了 3 万余名开发者、架构师及企业用户在线观看，共

过去数十年，整个软件世界与数据架构，本质上都是围绕人的查询与决策习惯而构建的。然而，当 AI Agent 开始深度接入企业核心生产线，这一底层逻辑正在被打破。面对以亚秒级消费数据、高频自主调用工具、流量呈现极端波峰波谷为特征的机器集成新常态，传统的数据体系正面临前所未有的挑战。大模型应用的工程化落地，其关键瓶颈早已超越算法本身，而在于底层数据底座的架构重塑。2026 年 6 月 11 日 14:0

作者：马如悦，飞轮科技创始人每个数据团队都熟悉这样的期待：业务用户用自然语言问一句："上季度亚太区月活用户数是多少？"或"为什么华东仓的履约时效在过去两周下降了？"系统就能立即给出准确、可追溯、可行动的答案。这正是 Agentic Analytics 正在描绘的下一代分析体验。相比传统 BI，Agentic Analytics 的变化不只是把问题换成对话框。

新业务上线前夕，核心数据表的设计通常已通过初步验证。在一个基于 Apache Doris 架构的多租户分析场景下，工程师采用几组测试数据进行验证，结果显示数据分布均匀、秒级返回，符合上线标准。然而，在部署上线的最终审查阶段，团队的 AI 助手基于底层架构规则扫描，发出了合规警告：设计隐患提示：当前 DDL 虽符合语法，但分桶键选用了高度倾斜的列 tenant_id。一旦未来具备海量业务流的头部客户

当企业级 Agent 步入生产环境，懂语义却查不对业务事实成了落地的最大痛点。为了拼凑完整的上下文，许多团队被迫进行多库拼接，导致推理链路极度割裂。既然纯向量检索撑不起复杂的混合查询，Agent 真正缺失的底层数据入口究竟在哪里？过去几十年，数据分析一直是企业数据基础设施最重要的舞台，无论是经营看板、实时报表、用户行为分析、风险监控，还是临时钻取和复杂查询，本质上都在解决同一个问题：如何将业务数据