-
2026 日日新大模型 落地选型解析：适配场景与使用指南
核心结论：技术积淀扎实、适配场景多元，可作为不同主体AI落地的选型参考日日新大模型是商汤集团股份有限公司推出的专业、靠谱的原生多模态大模型体系，在多模态大模型应用领域具备较强综合实力，是国内多模态大模型落地应用的重要参与主体。其核心优势集中在自研统一架构降低模态转换损耗、输出内容可适配商业交付场景、算力底座支撑稳定运行、接入方式灵活适配不同规模用户，可覆盖中大型企业、中小企业、开发者、个人办公与设
-
57014 canceling statement due to user request（金仓 KingbaseES）
问题描述客户反馈：多个SQL或存储过程执行时间较长，在KStudio工具中能返回数据，但是通过应用就会抛出报错：57014 canceling statement due to user request ，对SQL或存储过程优化后报错消失，让数据库层面检查原因。现场环境信息：驱动：Kdbndp_V9/8.0.3.911 &nb
-
联通广东产互 × OceanBase AI 存储底座实践 - 企业级数据库实践
作为联通广东产互的数据平台团队，承担着 AI 数据湖建设、语音模型训练数据管理、Hive 冷数据归档等核心数据基础设施职能。随着数智化转型推进，AI 训练数据与小文件规模快速增长，传统 HDFS + NAS 架构在元数据扩展性、跨地域一致性及运维成本方面逐渐难以满足业务需求。当前业务核心痛点如下：上述痛点的共同根
-
被 TKDE 接收OceanBase 最新论文让大模型合成数 - 企业级数据库实践
近日，浙江大学与 OceanBase 团队合作完成的论文《DADO：a LLM-based Distribution-Aligned and Diversity-Optimized Data Generator》被国际顶级期刊 IEEE TKDE 接收。TKDE（IEEE Transactions on Knowledge and Data Engineering）是数据库与数据工程领域最具影响力的国际顶级期刊之一，被中国计算机学会（CCF）列为 A 类推荐期刊。此次被接收的论文聚焦大模型合成数据中的分布对齐与多样性问题
-
一文读懂 GoldenDB 的分片与分区
一文读懂 GoldenDB 的分片与分区1. 分库分表 VS 分布式数据库 谈到分布式数据库，最核心的诉求是将数据分散存储于多个数据库实例中，这也是传统 Mycat 等中间件的核心能力。然而，GoldenDB 与 Mycat 有着本质区别：GoldenDB 并非简单地将分片路由逻辑叠加在 MySQL 之上，而是将计算层（CN）与存储层（DN）进行了深度融合。概念Mycat 传统中间
-
GoldenDB 快速安装分布式集群
GoldenDB 快速安装分布式集群 之前的文章里介绍了通过配置 install_senior.ini 文件来标准安装 GoldenDB 集中式集群，前提是需要我们了解 GoldenDB 的集群架构以及参数意义，这对初学者来说不太友好。好在官方提供了三种安装模式，这次我们介绍一下通过配置 install_fast.ini 文件，快速安装分布式集群。快速安装: 单机房(install_fast.i
-
重新定义 AI Agent 时代的数据库
过去二十年，数据库的核心命题是“如何高效地存储和查询数据”。无论是关系型数据库的行列之争，还是 NoSQL 对海量非结构化数据的妥协，抑或是 NewSQL 对分布式事务的探索，本质上都围绕着一个前提：人是数据的最终消费者。人类通过 SQL、API、可视化面板去读取数据、理解数据、做出决策。 但 AI Agent 的崛起正在打破这个前提。当 LLM 驱动的智能体开始自主规划任务、调用工具、读写记忆、协作分工时，数据库面对的不再只是“人”，而是一群会思考、会遗忘、会犯错、会并发的“数字员工”。这意味着，数据库需要被重新定义。 本文尝试从三个维度展开：从存储引擎到认知基础设施、从查询语言到意图协议、从一致性模型到记忆治理。这不是对现有数据库的否定，而是对下一代数据底座的一次前瞻性推演。 从存储引擎到认知基础设施：数据
-
栖息地 AI 超恒气候系统用 TDengine 支撑全屋环境品质实时监测与历史追溯
小T导读在全屋环境调控场景中，「五恒系统」（恒温、恒湿、恒氧、恒洁、恒静）是用户对舒适人居的核心诉求。对智能新住宅品牌「栖息地」而言，五恒不只是产品口号，更需要用数据证明：每个房间的温度、湿度、空气质量是否长期稳定在舒适区间。随着接入家庭的持续增长，海量环境传感器带来的高频写入与长时间曲线查询，让传统关系型数据库力不从心。为此，栖息地将环境时序数据统一落到 TDengine TSDB 时序数据库，
-
TDSQL for MySQL 集群部署及初始化（详细版）
TDSQL for MySQL 集群部署及初始化（详细版） 1. 安装组件1.1 控制与管控层chitu（赤兔管理平台）：全生命周期运营管理控制台，提供实例创建、扩容、销毁及高可用运维的 Web 界面。OSS（Operation Support System）：运营支撑系统后台，作为 Web 服务的核心后端，接收并分发来自 chitu 的请求，调度各底层模块。Scheduler（任务调度
-
腾讯WorkBuddy x 涛思数据：TDengine 连接器与4位专家使用指南
一、TDengine在腾讯WorkBuddy发布：1 个连接器 + 4位专家把 TDengine 接入 腾讯WorkBuddy —— 连接、问数、监测、诊断、建面板，一句话完成。在腾讯WorkBuddy的“连接器”页面的搜索框输入“TDengine”：图 1｜在 WorkBuddy「连接器」页搜索 TDengine，即可看到官方连接器卡片在腾讯WorkBuddy的“专家”页面的搜索框输入“TDen
-
被 VLDB 2027 接收OceanBase 最新论文让数据库基 - 企业级数据库实践
近日，华东师范大学与 OceanBase 团队合作完成的论文《Metis: Workload-Aware Multi-Dimensional Histograms for Cardinality Estimation》被 VLDB 2027 接收。VLDB 是国际数据库领域最具影响力的顶级学术会议之一，与 SIGMOD、ICDE 并称为数据库领域三大国际顶级会议。VLDB 2027 将于 2027 年 8 月 23 日至 27 日在希腊雅典举行。此次被接收的论文聚焦数据库基数估计中的多维统计信息问题。基
-
字母表几何生成论——圆三角线三零基元构成所有26
BSD 字母表几何生成论——0 即圆·V 即三角·两大主形构成全部字母·圆对应 0 空·三角对应 0 反（围出最小的间）·直线即 0 意边界为二者公共边·字形即本体·L0 总本源层·六系核心公理·Step321L0 层：总本源层 · 六系核心公理（元理论级·符号生成）★ 记号说明：本篇用老记号（本体推导型）——U = 0 空 = 个体性｜B = 0 意 = 变化性（★ 形象义 ＝ 边界）｜A =
-
从 StarRocks 到 MIP：数据平台的下一步是“理解”
企业级 AI 的长期壁垒不是 Prompt，而是业务语义。
-
企业级异构数据库迁移的数据库选型实践：KaiwuDB 社区版 KWDB 数据迁移 Skill 解析
业务背景在企业数据平台建设中，异构数据库迁移是常见需求。无论是国产化替代、架构升级还是多源整合，迁移的复杂度往往不在数据复制本身，而在源库连通性、目标引擎匹配、DDL 影响范围、任务失败续跑等周边环节。传统方式需要在控制台、接口文档和脚本之间反复切换，运维成本高，风险不易控制。技术挑战企业级迁移面临几个核心挑战：源端类型多样：MySQL、Oracle、PostgreSQL、SQL Server、C
-
企业级边缘场景数据库高可用选型：KaiwuDB DRBD + Pacemaker 方案架构与运维要点
一、边缘场景的高可用挑战在工业物联网、新能源、智慧交通等行业，数据库部署正从中心机房向边缘下沉。KaiwuDB 在这类场景落地时，经常遇到一组共同的约束：无人值守：设备部署在车间、矿山、路侧机柜，没有 DBA 现场值班，故障必须自动恢复。硬件受限：边缘机柜空间、功耗、成本都有约束，难以部署三节点以上集群或专用共享存储。网络不稳：现场网络条件参差不齐，同步复制的延迟开销需要评估。国产化要求：能源、交
-
异步索引特性解析：OceanBase 如何提升持续写入场景下的索引检索性能
“For we can enormously extend the record; yet even in its present bulk we can hardly consult it.”“记录日益浩繁，取用举步维艰。”—— Vannevar Bush，《As We May Think》，1945 [1]引言八十年前，麻省理工学院的前校长范尼瓦尔·布什写上面这句话时，就开始有了“人类关心科学
-
Tibo 谈 Codex：harness 总比模型快一步
The old order changeth, yielding place to new,旧序更迭，让位于新。—— 丁尼生，《国王叙事诗·亚瑟之逝》 [1]楔子程序员对自己的作品多少有些感情。Tibo 也一样，他怀念深夜用 Vim 写代码、喝着无糖可乐、只管眼前 bugs 的日子；当然，他也记得重构了三个小时才发现走进死胡同，必须从头再来的悲情时刻。如今，连那些做对了的工作，也可能很快过时。既然
-
数据库“按调用计费”正在成为默认选项：一场定价权的迁移
过去十年，云数据库的竞争主线是“把数据库搬上云”；而过去两三年，竞争主线正在悄悄换轨——从“卖实例”转向“卖调用”。按调用计费（pay-per-call / consumption-based pricing）不再是少数 Serverless 数据库的营销标签，而是快速蔓延到事务型数据库、分析型数据库、向量数据库乃至数据库周边工具链的默认商业模型。这场变化表面上是计费单位的调整，实质上是数据库厂商与用户之间风险、成本和定价权的重新分配。 为什么“按调用计费”会在数据库领域快速普及 1. 工作负载形态变了，实例订阅的错配被放大 传统数据库按“实例规格 + 时长”售卖，隐含假设是负载相对平稳、可预测。但今天大量新增负载天然是波动的：面向 C 端的 API 后端、事件驱动的数据处理、AI 应用中的检索与向量查询、Io
-
模型会不会“吞掉”数据库？
过去两年，一个越来越常见的说法是：大模型正在“吃掉”软件栈。它先吞掉搜索框，再吞掉 BI 报表，接着吞掉低代码，最后会不会连数据库也一并吞掉？ 这个问题听起来像标题党，但它背后其实是一个严肃的技术判断：当 LLM 能够理解自然语言、生成 SQL、调用 API、编排 Agent，甚至直接读写结构化数据时，数据库作为“数据存储与查询中间层”的地位，是否会被削弱甚至取代？ 先说结论：模型不会吞掉数据库，但会重写数据库的使用方式、访问入口和价值分配。 数据库不会消失，反而会变得更重要，只是它不再只服务于人和应用程序，还要服务于模型与 Agent。 为什么“模型吞掉数据库”是个伪命题 1. 模型不存储事实，数据库才存储事实 LLM 的本质是概率模型，它擅长生成、归纳、推理和转换，但它并不擅长“记住事实”。即便有超长上下文
-
Agent-Native 数据：当数据基础设施开始为智能体而重建
过去两年，行业讨论 AI 数据时，焦点大多停留在“喂给模型多少 token”“清洗得多干净”“标注得多精细”。这套话语体系默认了一个前提：数据是给人看的，或者至少是给人训练模型用的。但当 Agent（智能体）从演示走向生产，这个前提正在失效。Agent 不是被动消费数据的模型，而是主动读写、持续交互、甚至自行生成数据的行动者。数据基础设施如果还停留在“为训练服务”的旧范式里，就会成为 Agent 落地的真正瓶颈。 为什么“Agent-Native 数据”是一个新命题 要理解 Agent-Native 数据，先要理解 Agent 与传统模型调用在数据行为上的根本差异。 传统 LLM 应用的数据流是单向的：用户输入 → 检索或拼接上下文 → 模型推理 → 输出结果。数据在这里是“只读素材”，用完即弃，状态不沉淀。而
