ITPub博客

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

摘要：针对大模型应用中专用向量库成本高、混合查询难的痛点，本文深入拆解 Apache Doris 4.1 原生向量检索的工程实践。从 IVF 算法降本、存储分层，到突破性能瓶颈的 ANN Index Only Scan，系统化解决 AI 时代的海量数据存算难题。在大幅压低内存开销的同时，跑出了 900 QPS 与 97% 召回率的亮眼成绩。随着大语言模型（LLM）应用与 RAG（检索增强生成）逐步

Agent 时代，为什么需要新的可观测范式？先从一个真实场景出发：某团队上线了一款客服 Agent，并规范地接入了 Prometheus、Grafana、ELK 等主流的可观测性工具。从监控大盘来看，各项核心指标非常完美：P99 延迟为 0.2 秒，错误率为 0.001%，Token 消耗曲线表现平稳，所有系统指标均处于健康状态。然而，产品团队很快在用户反馈中发现了一个问题：系统把一个明明符合退款

导读：多模态数据正成为企业核心资产，但规模化管理仍具挑战。自动驾驶在 PB 级图像、点云、视频等数据治理中积累了可复用经验。本文介绍某公司以 Apache Doris 统一标签、元数据、全文和向量检索，将查询从分钟级提升至秒级。多模态数据正在成为各行业企业的核心资产，但大多数团队仍在摸索如何对其进行规模化管理。自动驾驶是少数已经在生产环境中，大规模面对并持续优化这一问题的领域之一：图像、点云、视频

摘要：Litefuse 是一个 Agent 可观测与评估平台，通过 Evaluation Driven Development (EDD) “观测-评估-优化”闭环，让 Agent 的执行过程可追踪、问题可定位、效果可量化、优化可验证。Litefuse 兼容 Langfuse SDK 和 100 多个 AI 生态，并支持 Hermes、OpenClaw、Claude Code 等通用 Agent。

过去一年，Agent 正从一个技术概念，逐渐变成企业智能化落地的核心入口。这背后并不只是应用形态变化，更像是一场新的接口革命：人不再需要理解每一个工具的使用方式，也不再需要在不同系统之间反复切换；人只需要表达目标，Agent 则负责理解意图、拆解任务、选择工具、调用数据并完成执行。在即将举行的 SelectDB 产品发布会上，我们也将围绕这一变化做一次更系统的分享：当 Agent 成为新的应用范式