ITPub博客

在交易、行情、IoT、日志补全等典型时间序列场景中，业务需要的不是普通等值关联，而是“按业务键分组后，在时间轴上找到不晚于左侧记录的最近一条右侧记录”。ASOF JOIN 正是为这类问题设计的：它把“同键匹配”和“时间近邻”统一到一条执行路径上，天然适合做交易撮合行情补全、事件归因、快照对齐等分析任务。Doris 在 4.0.5 和 4.1.0 版本引入的 ASOF JOIN，正是为这类场景准备的

摘要：本文从 AI Agent 日志观测切入，讨论 JSON 分析为什么重要：Agent Trace、Tool Call、RAG 检索结果、Prompt 和 Reasoning 具有嵌套结构与动态 Schema，既不能简单拍平，也不适合只当 String 存储。因此，如何保留 JSON 灵活性的同时，获得列式存储的查询性能，成为 Agent Observability 的关键问题。如果想进一步了解

摘要：随着数据不断演进，尤其在 AI Agent、LLMOps 与可观测性系统快速发展的背景下，宽 JSON 的字段膨胀带来巨大的性能挑战。Apache Doris 4.1 通过 Doc Mode 与 Segment V3 实现了高效的存储与查询优化，使系统在写入吞吐、查询性能与资源开销之间保持良好平衡，其综合性价比优于 Clickhouse、PostgreSQL 等业界典型方案。随着业务持续演进

在传统离线数据体系下，核心数据往往需要 T+1 才能可用，难以支撑实时风控、监控告警和业务决策等关键场景。金城银行通过引入 Apache Doris，结合 Flink CDC 重构数据链路，将端到端延迟压缩至 2-3 分钟，实现从离线批处理向准实时分析的关键跃迁。在此过程中，平台不仅解决了实时性问题，还在高频 Schema 变更、数据一致性保障及链路稳定性方面形成了一套可规模化落地的实践方案。目前

在实时分析领域，Apache Doris 已经成为一款被广泛采用的开源 OLAP 数据库。凭借高性能查询引擎与一体化架构，Doris 在实时数仓、日志分析等场景中持续发挥重要作用，并在近几个版本中不断向 AI 与搜索能力演进。在此基础上，SelectDB Enterprise 作为官方企业版发行形态，面向生产环境对 Doris 进行系统性增强，重点补齐安全、治理、生态兼容以及可控交付能力，帮助企业

摘要：瓴岳科技原数据平台基于 Hive 与 StarRocks、Spark 多引擎协同架构，随着数据规模增长，在性能与易用性上逐渐面临瓶颈。通过引入阿里云 SelectDB，构建湖仓一体化探索分析平台，在无需迁移数据的前提下实现对 Hive 数据湖的透明加速，显著提升查询性能并简化架构，完成从多引擎协同向统一分析平台的升级。瓴岳科技是一家以大数据与人工智能为核心的数字科技集团，旗下拥有国内产品洋钱

在过去几年中，数据基础设施的演进始终围绕一个核心问题展开：如何更快地分析数据？但进入 2026 年，这个问题正在被重新定义。随着 AI 应用的爆发式增长，数据系统不再只是分析工具，而逐渐成为 智能系统的一部分。数据不再只是被查询，而是被 Agent 调用、被模型理解、被系统实时消费。在这样的背景下，Apache Doris 社区提出了 2026 年的年度主题：Scale Intelligence,

摘要：丰巢日志平台从 ELK 升级至 Apache Doris，旨在构建统一、高效的可观测性底座。新架构解决了原系统在写入、存储和查询上的瓶颈：存储成本降低 50%，写入性能提升 2 倍，查询速度提升 6 倍。为未来统一可观测性平台的建设奠定了技术基础。本文整理自丰巢大数据开发工程师 宋友刚 在 Doris Summit 2025 中的演讲。丰巢的业务覆盖快递、广告、洗护和到家四大板块。围绕这些核

在快递行业，运单数据贯穿业务全流程，每一单的流转状态、时效分析、异常监控，都离不开实时数据的支撑。作为行业领军企业，中通快递每天新增的运单数据超过 6 亿条（80% 为更新操作），总数据量高达 45 亿条，单表字段超过 200 个——这是一个超大规模、超高维度的实时分析场景。面对如此庞大的数据规模，如何让数据分析快起来，让业务人员随时能查到想看的运单信息，成为技术团队必须攻克的难题。今天，我们就来

摘要：Apache Doris 4.0 作为一个重要里程碑正式发布，引入了原生向量检索、AI 函数以及全新的混合检索与分析处理（HSAP）架构。此后，社区通过 4.0.1 至 4.0.4 四个版本快速演进，本文总结了这四个版本中引入的关键新特性。Apache Doris 4.0.4 现已正式发布，该版本相较于其他 4.0.x 版本，更为稳定、可靠。Apache Doris 4.0.4 版本囊括了

导读：AI 时代日志量巨大，传统用 Elasticsearch 做搜索、ClickHouse 做分析的两套系统成本高且复杂。SelectDB（基于 Apache Doris 内核研发的商业化产品） 通过内置 search() 函数，在同一个引擎内融合全文检索与 SQL 分析，实现一份数据同时支持搜索和分析，大幅简化架构、提升查询性能。AI 时代日志爆增带来的难题当下，日志成为 AI 时代最丰富的数

像 PostgreSQL 和 MySQL 这样的 OLTP（在线事务处理）数据库，凭借其强一致性和高并发事务处理能力，已成为行业标准。为应对更大规模的工作负载，许多团队还会引入分库分表方案，将数据分布到多个实例和表中，以此突破单节点瓶颈。然而，这种对事务行之有效的方案，在实时分析需求（实时运营仪表盘、多维业务报告、用户行为分析和实时监控）面前却暴露出明显短板。问题的关键不在于将 PostgreSQ

引言：Apache Doris 通过内置的轻量级强一致事务机制，解决了实时分析中数据重复与中间状态可见等挑战。支持 READ COMMITTED 隔离级别，通过 Label 机制确保数据不重不丢，并为复杂 ELT 提供原子性保障。Doris 打破了“OLAP 无需事务”的认知，是业界少数能同时实现实时、高性能与强一致性的分析引擎。传统观念中，事务往往与 OLTP（在线事务处理）系统紧密关联，而 O

我们正处在一个数据与智能深度耦合的时代。当生成式 AI 重构着人机交互的边界，当大模型开始渗透每一个业务环节，一个根本性问题浮出水面：AI 究竟能跑多快、多准，这取决于它能多快、多准地获取实时数据。这正是我们今天强调实时分析的底层逻辑。它不再是加分项，而是企业在数字经济中生存与成功的必需品。实时分析的价值并非孤立存在，它紧密围绕三大核心驱动力，重塑着企业的竞争壁垒：即时决策与快速响应：这是最直观、

导读：易车引入 Apache Doris 取得以下核心成果：替换 Druid、Kudu、ClickHouse 等近 10 种数据引擎构建 Apache Doris + Paimon + Hive 湖仓架构探索 Doris + AI（ChatBI、Data Agent）融合应用覆盖实时多维分析、用户画像、BI 报表等核心场景数据的爆发式增长与业务对实时性的极 致追求，驱动易车技术团队在实时湖仓建设上

OpenClaw 成为风靡全球的 AI Agent 同时，它的安全性和 AI Agent 通用的不确定性等问题也引发人们的广泛关注。基于 SelectDB 或 Apache Doris 的 AI Observe Stack 可以为 OpenClaw 提供可观测性，让 AI Agent 的每一个行为清晰可见、安全问题可被洞察，让你看清它的每一个 “脑回路”。本文基于 AI Observe Stack

Data + AI 能用在哪些场景？具体落地又该如何操作？ 本文借助 SelectDB + AI，搭建一个用于收集、整合与分析全域用户反馈的智能洞察系统。 以此实战，给有需求的用户提供可参考的基础方法论。

亲爱的社区小伙伴们，**Apache Doris 4.0.3 版本已正式发布。**此版本新增了在 AI & Search、湖仓一体、查询引擎等方面的能力，并同步进行了多项优化改进及问题修复，欢迎下载体验！

面对日增 3 亿行、万亿规模存量广告数据，快手广告数据平台如何突破性能瓶颈、实现架构统一与体验跃升？ 快手引入 Apache Doris 替换 ClickHouse、Elasticsearch，从分散存储到统一分析，实现查询性能提升 20～90%，单表写入吞吐 300 万行/秒，存储效率提升 60%！

MiniMax 作为上市大模型企业，基于阿里云 SelectDB 打造 AI 可观测中台，实现“一个平台，全球覆盖”。这一成功实践足以表明：SelectDB 能够很好满足 AI 时代海量数据实时处理与分析的需求，为同样需求的 AI 大模型企业提供了一个高性能、低成本的可靠技术解决方案。