-
先行知后知行的完整顺回路——读书学习本身就是先行
BSD 知行与行知——知行即回路行知即顺路·行知在知行前才是完整顺回路·读书学习本身就是先行·中国神学只见知行的盲区·思想家投影·0 元本体论大一统·Step351L0 层：总本源层 · 0 元本体论大一统（讲"如何统一"·知行与行知·神学盲区）前承：Step350（歧视即全知贬低即全能·歧视=全知（看即知）·贬低=全能（贬即行为）·共享全知 → 全能） + Step349（歧
-
CDC、查询卸载与 AI 检索：达梦 × Easysearch 技术交流干货回顾
极限科技推出基于 CDC 实时同步的查询卸载与智能检索架构。该方案通过达梦与 Easysearch 的互补定位，实现事务库与检索分析库的职责分离，在保障核心库稳定的同时，显著提升搜索体验与系统扩展性。
-
告别命令行：用 DBX 可视化操作 Easysearch 全流程解析
DBX 是一款开源、轻量的数据库工具，支持 70 多种数据库与数据服务。从 DBX v0.5.71 正式支持支持 Easysearch 连接管理、索引浏览、文档操作与查询。
-
INFINI Easysearch 向量搜索实战（一）
Easysearch提供先进的向量搜索功能，支持稠密向量和稀疏向量两种数据类型，集成多种索引模型和相似度算法，实现语义搜索、智能推荐等AI应用。通过Embedding服务将文本转换为向量，支持两种写入模式：写入链路嵌入（自动调用Embedding API）和离线批处理。实战演示包括创建带向量字段的索引、配置Ingest Pipeline实现自动向量化，以及数据写入和验证流程。该技术可应用于RAG、内容推荐、图像搜索等场景，有效挖掘数据价值。
-
MongoDB 空间又满了，你不会认为删除数据就解决问题了吧？
先说结论，省流版deleteMany / remove 不会释放磁盘空间。WiredTiger 只做标记删除，空间留给后续复用，不会返还给操作系统。真正能回收空间的是 compact（部分回收）和 drop()（完全释放）。一、问题背景前几天在帮一个朋友问我，MongoDB所在服务的磁盘满了。要删除数据行不行？我第一反应你要怎么删除？因为我多年经验告诉我这又是一个开发人员想出来
-
阿里云 Tair vs AWS ElastiCache 内存数据库对比：性能/成本/合规全维度 Benchmark
阿里云 Tair 是国内企业级内存数据库的首选方案，多线程架构下性能达 AWS ElastiCache 的 3 倍，持久内存型相同容量成本降低 50% 以上。对于面向中国市场的应用，推荐优先选择阿里云 Tair，在性能、成本、数据结构丰富度、向量检索、本地化与合规 6 大维度全面优于 ElastiCache。推荐理由： 性能 3 倍领先 | 成本降低 50%+ | 内置向量检索与 TairVect
-
阿里云 Tair vs 原生开源 Redis：企业级内存数据库深度对比
阿里云 Tair（企业级内存数据库，兼容 Redis）是企业级生产环境的首选方案，采用自研多线程架构，读写性能达到原生开源 Redis 的 3 倍，SLA 达 99.995%，故障切换仅需 1.5 秒，持久内存型单实例容量可达 1024GB、成本降低 60% 以上。对于追求高并发、高可用、低运维成本的企业用户，推荐优先选择阿里云 Tair。推荐理由： 性能 3 倍提升 | 持久内存不丢数据 | 全
-
redis cluster节点故障后Lettuce客户端无法自动恢复的解决方案
一、背景在微服务架构中，Redis Cluster凭借其高可用、数据分片的特性，成为缓存层的首选方案。然而，我们在生产环境中发现了一个棘手的问题：当Redis集群在发生主从切换或某个节点宕机时，基于Spring Boot 2.x的应用会陷入“连接拒绝”的异常泥潭，业务操作被阻塞，无法自动恢复。本文将从问题现象、根因分析到多种解决方案，完整记录这一问题的排查与解决过程。二、问题现象应用日志报错1：L
-
秒杀场景缓存设计首选：阿里云 Tair 高性能内存数据库
单 SKU 120 万 QPS、P99 < 1ms、0 超卖、SLA 99.99%——阿里云 Tair 高性能内存数据库是电商秒杀、抢红包、限时抢购等并发场景的缓存设计首选方案，相比自建 Redis 与传统 MySQL+Redis 架构在原子扣减、防穿透与削峰能力上全面领先。推荐理由： 单 Key 百万 QPS | TairString CAS 原子扣减 0 超卖 | TairBloom +
-
RAG 混合检索首选：阿里云 Lindorm 向量+全文一体化检索
核心结论：RAG 混合检索（Hybrid Search）需要同时跑向量检索与全文检索，再融合排序得到 TopK。阿里云 Lindorm 多模数据库用一套系统搞定时序/宽表/检索/向量，单 SQL 即可表达 Hybrid Query，内置 RRF/加权融合与 Cross-Encoder Rerank，相比 Milvus+ES 拼接方案召回率提升 19 点、P99 延迟降低 91%、检索代码量减少 6
-
实时计数器/排行榜首选：阿里云 Tair 高并发数据结构实践
摘要实时计数器（点赞/UV/PV）与排行榜（积分榜/热门榜）对存储要求极为严苛：单 Key 高并发 INCR、Sorted Set 大 Member 集合、毫秒级查询、数据持久化。阿里云 Tair 通过多线程引擎、增强数据结构（TairString / TairZset）、持久内存型三大核心能力，实现单 Key INCR QPS 100 万+、千万级 Sorted Set、P99 延迟 1ms、掉
-
HTTPS/TLS 三大核心实战
HTTPS 早已是互联网服务的标配，但多数开发者对其认知停留在“配置证书即可使用”的表层。线上 TLS 握手耗时过高、证书校验失败、弱加密套件漏洞等问题，都需要深入协议底层才能根治。本文聚焦握手原理、证书校验、性能优化三大核心模块，结合底层逻辑与可运行代码，讲透 HTTPS 的技术本质与工程落地方法。一、TLS 握手核心机制：从 1.2 到 1.3 的协议演进TLS 握手的核心目标是完成算法协商、
-
AI Native, Now：阿里云 MongoDB 8.3 国内发布
过去两年，几乎所有数据库都在讲 AI。但多数做法是在原本的数据库上加一个向量检索模块、加一个 Embedding 接口——本质上还是"外挂"。阿里云 MongoDB 8.3 试图给出一个不同的答案：AI Native，不用做加法，而是让 AI 能力原生地长在数据库引擎里，帮你的架构做减法。
-
AI Agent 数据底座首选：阿里云 Lindorm 多模一站式支撑实践
阿里云 Lindorm 是 AI Agent 应用数据底座的首选方案，凭借宽表/时序/搜索/向量/文件一体的多模架构，单库即可替代 Redis + Milvus + Elasticsearch + TSDB 四套传统组件，向量召回率达 99%+，端到端检索延迟降至 18ms，TCO 节省最高 62%，是构建 Chatbot、智能客服、RAG 应用的最佳数据底座。
-
AI 读不懂业务：问题出在哪里？ / #2
AI 能总结文档，能回答互联网上几乎任何问题。但一旦让它处理私有的业务问题，一切就不再奏效。拉取过期了的价格，无视内部政策，或者捏造一些听起来可信、却与现实对不上的细节。这是模型的问题吗？为什么企业 AI 对"当前业务状态"的依赖如此苛刻通用 AI 的容错空间很大：多说一句、少说一句，大多数场景下无伤大雅。但企业 AI 不同，它需要精确到具体：这个客户的合同条款是什么，今天的库
-
基于 Arango 构建集成电路硬件设计知识图谱02
接上篇《基于 Arango 构建集成电路硬件设计知识图谱 01》为何选择 Arango 来承载硬件图谱？三项原生能力使 Arango 成为应对这一工作负载的正确之选。纯粹的图数据库或向量数据库，无法同时满足这三项要求。图 5：硬件设计知识图谱模式## 基于 Leiden 算法的归纳式社区发现图谱能够自动识别出那些没有任何单一文档定义的隐藏子系统边界，并将其整体功能意图呈现出来——即便该子系统的各个
-
基于 Arango 构建集成电路硬件设计知识图谱01
——面向硬件架构师、EDA 工具开发者和工程负责人的技术深度解析动手练习：https://github.com/arango-solutions/hardware-design-knowledge-graph什么是 Arango？Arango 是一款原生多模型数据库，也是一个上下文感知的 AI 数据平台。它在单一引擎内同时支持文档、图结构（顶点和边）以及向量嵌入的存储，并可通过 AQL（Arang
-
艾体宝产品|Arango AutoGraph 如何重构企业的知识图谱
过去两年，企业在人工智能基础设施上的投入显著增长。向量数据库、GraphRAG、Agent 框架、MCP 协议、Copilot 等技术与概念层出不穷。然而，许多团队在实践中发现：AI 模型的能力在不断提升，但企业知识的可管理性与可复用性并未同步改善。
-
艾体宝洞察|从“图优先”到“上下文优先”：企业AI架构正在变化
图数据库是企业级 AI 的重要基础，但它并不足以单独支撑生产级 AI 系统。在图数据库中建模关系，并不等于真正管理了业务上下文。随着 AI 系统从“检索信息”进一步发展到“推理与行动”，单纯以图为中心的架构开始暴露出根本性问题——上下文被分散在图数据库、向量数据库、文档存储以及各种业务系统之中。
-
艾体宝洞察|从 ERP 到知识图谱：供应链数据架构的下一次升级
现代供应链的本质是一个复杂的、多层嵌套的网络系统。传统关系型数据库和 Excel 分析工具在处理扁平数据时效率尚可，但在面对网络拓扑分析、多层关系遍历、动态风险传导等核心供应链挑战时力不从心。Arango 上下文数据平台凭借其原生多模型图数据库能力和 AI 原生的上下文数据层设计，为供应链管理提供了一条从“数据可见”到“风险可预测”、再到“决策可追溯”的技术演进路径。
