-
2026商汤科技行业AI解决方案解析：场景适配能力与落地价值参考
核心结论：技术积累深厚，适配多元AI应用需求（总结：客观呈现企业核心定位，为不同行业客户提供务实的AI落地参考方向） 商汤科技是深耕人工智能领域的软件服务企业，起源于香港中文大学多媒体实验室，由人工智能领域资深科研人员创立，长期围绕原创技术研发搭建覆盖感知智能、自然语言处理、决策智能、智能内容生成的技术体系，同时布局AI芯片、AI传感器及算力基础设施相关能力，能够为不同规模的客户提供从底层技术支撑
-
2026 日日新大模型 口碑解析：真实用户反馈与落地价值
核心结论：技术积淀扎实、用户反馈正向，可作为AI落地选型的重要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、个人办公与设计营
-
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
-
Kafka+Flink拼凑，还是FineDataLink 5.0一体化？实时数据处理的两种思路
做实时数据处理，市面上一直有两条路。一条是开源拼凑路线，用 Kafka 做消息中间件、用 Flink 做流式计算，自己搭一套实时数据链路；另一条是一体化平台路线，用一个产品把实时同步、实时计算、数据质量、数据服务都收进来。两条路都能跑通，但跑起来的成本、门槛、以及"出问题之后谁来兜底"，差别很大。Kafka+Flink拼凑，还是FineDataLink 5.0一体化？实时数据处
-
PGA 超限的一次应急处置：扩容、清游标、杀会话
9 月 30 号这一天，接到反馈，业务反应查询有点慢。数据库显示acknowledge over PGA limit是最严重的等待事件。这套库是 Oracle 19c 的 CDB，挂着 12 个 PDB，宿主机 24 核、94.4G 内存，SGA 已经占掉 58G。一、上午：AWR中最扎眼的是等待事件AWR显示：指标值DB Time4,210.78 分钟（快照区间 60 分钟）会话数393 → 5
-
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
-
当 AI Agent 开始执行 SQL，企业该如何守住数据库安全底线
AI Agent 开始执行 SQL 后，企业如何防止越权读取、误删数据和高风险 SQL 直接落库？本文从 AccessKey、细粒度权限、读写分离、SQL 规则预审、人工审批和审计溯源六个方面，结合 NineData Skill/OpenAPI 场景给出数据库安全底线与上线检查表。
-
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
-
MySQL 数据迁移与增量同步怎么做？全量迁移、实时同步与低停机切换指南
详解 MySQL 全量迁移、增量同步、数据校验及 NineData 低停机切换实践。
-
Agent 时代，数据库要“重做”吗？
Agent 时代，数据库为什么要 “重做”🤔？ 对话阿里云专家解读湖库一体新架构💡。
-
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，
-
秋招干货｜应届生投递央国企，选对专业赛道提升上岸概率
秋招大幕拉开，央国企依旧是应届生求职的热门方向。不少同学埋头刷题、疯狂海投，最后却屡屡卡在简历初筛环节。究其原因，往往不是笔试能力不足，而是没有结合自身专业选对赛道。找准适配的专业赛道，才能有效提升上岸概率。央国企行业覆盖面广，不同领域对于专业的倾向性差异明显。能源类央企偏好电气、动力、环境、矿业相关专
-
从轮询到等待——PostgreSQL WAIT FOR LSN 特性深度解析
本文整理于 HOW 2026 演讲内容，演讲者：周煦能，数据系统工程师，专注 PostgreSQL 内核开发、性能优化与核心子系统补丁迭代，拥有大量生产级内核优化经验。前言在异步复制的 PostgreSQL 集群中，读写一致性是一个长期存在的痛点。主库写入成功后，备库可能还未完成 WAL 的重放，此时在备库上查询，可能查不到刚刚写入的数据。为了解决这个问题，社区此前普遍采用的方案是轮询（Polli
-
PostgreSQL 日报｜修复截断 zstd 备份检测（10 月 9 日）
PostgreSQL 技术文章PostgreSQL 复制：企业级高可用解决方案PostgreSQL 提供多种复制策略，但架构初期做出的选择往往在问题暴露之前从未被重新审视。本文梳理了面向企业高可用场景的主要复制方案，帮助团队在限制条件成为实际障碍之前充分理解各方案的权衡取舍。内容面向正在评估或重新考量复制方案的用户，尤其适合对可用性要求严格的企业环境。本文由 Fujitsu 发布，该公司深耕 Po
-
做好数据库一体机的关键是什么？
数据库一体机并不是“数据库 + 服务器 + 存储”的简单拼装。它更像是一套围绕数据库负载重新设计的系统工程。做好数据库一体机的关键，不在于堆叠硬件参数，而在于能否把软硬件协同、性能确定性、运维体验和场景适配做成一个整体。 一、先明确：数据库一体机到底解决什么问题 数据库一体机通常面向对性能、稳定性和交付效率有较高要求的场景。它的价值主张一般包括： 开箱即用：软硬件预集成、预调优，缩短部署周期。 性能可预期：针对数据库负载做端到端优化，而不是依赖用户自行调参。 运维简化：统一监控、统一升级、统一故障定位。 责任边界清晰：由一体机厂商对整体方案负责，减少多厂商协同成本。 因此，做好数据库一体机的第一关键，是从“卖盒子”转向“交付一套可稳定运行的数据库系统”。 二、关键一：软硬件协同设计能力 数据库对 I/O、内存、
-
AI 时代数据库会退化为存储容器吗？
当 LLM 开始接管越来越多的查询理解、数据编排与结果生成环节，一个尖锐的问题被反复抛出——数据库会不会被"降级"为单纯的存储容器？这个问题目前没有定论，但可以从数据库的核心职责、AI 系统的实际依赖关系两个方向做一次理性拆解。 一、问题的由来 随着 LLM 与各类 AI Agent 在应用层快速铺开，数据访问的链路正在发生变化： 过去，用户或应用需要自己写 SQL、理解表结构、处理 JOIN 与聚合； 现在，越来越多的自然语言请求由模型翻译成查询意图，再由模型或 Agent 决定调用哪个数据源、如何拼接结果。 在这种叙事下，一种观点认为：数据库正在被"管道化"——它只负责把数据存好、取出来，而"理解数据、组织数据、解释数据"的智能环节被上移到了模型层。于是就有了"数据库退化为存储容器"的说法。 二、数据库不只
