【得物技术】一文秒懂mongoDB之分片集群

背景

随着公司直播平台的全面开放,加上直播玩法的多样升级,最明显的感受就是:

① 数据增量明显。

② 并发量明显变大。

应对这两种变化,作为后端开发就需要在技术选型方面做一些选择。当前直播量大的业务都是利用mysql进行了分表处理。但是观察一段时间下来发现以下几个问题:

① 部分业务的分表上存储的数据量不是很均衡,会存在一些大主播对应的分表数据量明显偏大。

② 上新业务或者一些新活动就要建几十张表以提前应对已知的数据量,操作繁琐且后续变更不方便。

 

所以在做技术选型的时候就联想到了mongoDB的分片集群。下面我们来一探究竟:

 

一、回忆一下MongoDB的特点

1. 灵活的模型

区别于关系数据库最大的一个特点就是字段灵活变更,这就非常适合一些迭代频繁且数据模型多变的业务场景。例如我们直播的活动业务场景,当前直播活动越来越多,玩的花样也是越来越多,其实就很适合用mongoDB来做活动业务的数据存储。

2. json数据格式

mongoDB的数据存储都是json格式,非常适合微服务\Restful Api。

3. 横向扩展能力

与mysql的分库分表不同,它可以在业务代码不变更的情况下做自动水平扩展,能够很好的解决上文描述的两个场景:

① 分表数据不均匀

② 分表数据过大要调整原有数据分布。

 

二、说一说MongoDB的分片集群的原理和机制

在正式描述分片集群之前,我们先看一下当前MongoDB的架构部署方式如下图:

image.png

从上图我们可以很清晰的看到常用的架构模式氛围三种:

1、单机版:只用于开发和测试环境,没有高可用。

2、复制集:一般是一主二从,当然也可以配置更多从库。大部分用户的生产环境在使用,能够满足绝大多数业务场景,且是高可用。

3、分片集群:满足横向扩展能力且高可用。

 

分片的组成部分

如下图所示:

image.png

我们把上图分为四个模块来讲:

1. 应用程序+驱动程序

2. 路由节点(mongos)

路由节点主要是用来控制分发到哪一个分区(shard),因为mongos他存储有一个映射表。这个映射表的数据就是config节点存储的映射数据同步过来的。一般是在mongo启动的时候load到mongos的内存。

从上图可以看到mongos有多个,其实这也是为了满足高可用的场景。

3. 配置节点(config)

数据节点主要存储了集群元数据的存储,数据分布映射关系表。

存储的数据表格式如下图展示:

image.png

4. 数据节点(shard)

上图最下面的区域就是分片的数据节点,每一个分片都满足高可用,一般都是一主二从。分片的个数最大可以到1024个。所有分片合到一起就是完整的数据。不存在重复数据。

到此我们对分片集群的组成部分大概描述完了。

你会不会有这样的疑问?

  1. 配置表里存的数据分布范围是怎么定的?
  2. mongoDB的分片集群到底是怎么做数据均衡的?

 

如果你有其他疑问可以在文末给我留言,在回答上面问题前我先解释几个概念,我们看下图

image.png

如图所示我们可以看到以下几个名词,分表是集群>片>块>文档。

一个集群是由多个分片组成,一个分片存储了多个块(备注:逻辑上的数据分块),一个块包含多个文档。文档不是最小单位,文档里存着一个个字段,一个字段或者多个字段可以组成为一个片键。

片键有什么用?片键决定了你的数据可以分成多少块。

到此基础概念介绍完了,我来回答一下上面的疑问。

关于数据分布,mongoDB提供了三种方式

a. 基于范围

image.png

如图所示,数据在逻辑上被分成了4个块:举个例子你的系统存的是公司用户信息,如果你按年龄来分,假设公司年龄段在18-60,且按一个年龄分一个块,那么最大可以分43个块。再把块分到多个分片上去。这时我们查询某一个年龄段的数据,比如22-25之间的数据,一般很大可能是在同一个片或者两个片上。故而在范围查询性能上表现较好。那么问题来了,这时我们把数据无限放大,公司年龄在22-25之间的占比80以上,这时我们会发现22-25岁的用户数据所在的片和别的片比起来就很显得特别大,这也就是我们说的数据分布不均衡的情况。新增数据都是在22-25岁之间,这时也就导致了热点片的情况。

b. 基于hash

image.png

如上图所示,片键不是连续的而是通过hash散列到不同的片区,这就很好的解决了数据不均匀的情况。但是同时带来的问题就是,范围查询的场景效率特别低,需要遍历全部的分片才能满足业务查询。举个例子用户的订单系统,我们按照下单用户id去做hash,这样不同用户的订单数据就会被均匀的分布到不同的分片。单查某个用户的订单数据是非常高效的,但是如果去根据时间范围去查则要去扫描全部分片。

 

c. 基于zone

image.png

顾名思义,基于地域去划分。有时候我们服务的可能是全球用户,又因其地域性则可以天然的按地域去划分分片。这样很好的保证,在某固定地域可以访问到最近的数据节点。

到此对于上文中的第一个疑问是否豁然开朗?下面我们再来回答第二个问题:

简单来说,mongo他提供了两个程序:

① 切割器

切割器可以对某个源分片的数据按chunk(数据逻辑块)去做切割。

② 平衡器

当某些分片数据不均匀的情况下,平衡器就发挥作用了,他会发出一个命令让切割器去需要移动的分片上去做数据切割,再把数据移动到数据少的分片上。具体的步骤如下:

1.平衡器向源分片发送moveChunk的命令

2.源分片收到命令后,会启动自己内部的一个moveChunk命令,如果在数据移动过程中有客户端发来读写请求的话,都会发送到源分片。(因为配置服务器上的元数据还没有改变)

3. 目标片开始向源分片请求将要移动的数据块的文档,准备拷贝文档数据。

4 .当目标分片接收到据块的最后一个文档后,目标分片会启动一个同步进程来检查,是否已经拷贝完全部的文档。

5 .当同步完成后,目标分片会连接配置服务器,更新元数据列表中数据块的地址。

6. 当目标分片完成元数据更新后,源分片就会删除原来的数据块.如果有新的数据块需要移动的话,可以继续进行移动。

7.配置服务器会通知monogs进程更新自己的映射表。

 

到此我们对于上文的第二个问题,也做了较为详尽的描述。下面来归纳一下MongoDB的分片集群的特点:

  • 应用全透明,无特殊处理

对于开发很友好,不需要做改动,mongo架构部署变化不影响业务代码。

  • 数据自动均衡

再也不用担心某个分片过大的情况,但是这里要注意的是你的分块必须要做到不能太大,不然老天也帮不了你。因为太大的话,经常会出现移动失败的情况。

  • 动态扩容,无须下线

如果当前生产环境是mongo复制集的架构,可以在线上环境直接切到分片集群架构。如果你使用阿里云的mongoDb服务,阿里提供了两种方式:1全量切 2增量切(注意增量切是需要另外付费的)对于用户来说操作很方便。

 

三、说一说分片集群适用的场景

上面我们把分片集群的概念,包括组成,实现机制,特点都描述完了。我相信大家也对分片集群有了一个较为完整的认识。下面我们聊一聊哪些场景我们需要考虑使用分片集群呢?

1.数据容量日益增大,访问性能降低

 

2.新品上线异常火爆,如何支撑更多的并发用户

直播打榜活动如火如荼的举行,部分业务数据增量和并发也有明显上升,目前来看无需调整部署策略可以轻松应对,假设这个增量无限陡增,那么就可以考虑使用分片集群,以解决数据库性能瓶颈。

 

3.单库已有海量数据,出了故障如何快速恢复

这时候我们需要提前预判风险问题,不能等出了故障再考虑使用分片集群。海量数据(假设数据已达TB级别)去做数据恢复耗时很长。

4.地理分布

数据来源不同地域,可以考虑使用

 

四、在使用分片集群前需要考虑的问题

1、合理的架构,需要考虑以下几个问题

问题1:是否需要分片

这个就需要结合自己的业务场景和当前的架构部署情况去做甄别。可以结合上文提到的适用场景去对号入座。

 

问题2: 需要多少分片

这一般需要考虑三个维度

① 你预估的业务在未来一年或者某一段时间,存储总量来计算,一般经验之谈2TB一个分片

② 根据你业务的最大并发量来计算

③ 根据你的硬件设备条件去衡量

这可能更需要dba去做一个评估来决定。

 

问题3:数据分布规则

这是非常关键的一点,关于数据分布这个,如果你的数据分布不合理,直接导致你没办法横向扩展、查询效率低等等性能问题

 

2、使用正确的姿势

① 选择你需要分片的表

mongo的分片都是基于表的,这是一个大前提。只对需要做分片的表做分片。

② 选择正确的片键

上文我们已经说过片键的作用,片键直接决定了你数据的分块。下面我们着重对片键的选择来阐述什么才是正确的片键。

首先我们需要遵守以下几个准则:

① 基数要大!

为了基数要大?如果你的基础小,例如上文举的例子,按年龄来分段,那么你的数据分块最多分几十块,如果你的数据是10TB,那么你每一块就算平均分布每一块的数据就要几百GB,这么大的块,是很难移动的,直接导致均衡策略失效。

 

② 保证分布均匀

为什么要保证分布均匀,如果不均匀我们会出现什么情况?

a、导致热片产生 (可以回忆一下上文讲分片数据分布方式时候提的例子)

b、导致分片数据经常大小差异大,频繁进行数据均衡

 

③ 要保证定向查询好

好的架构都是服务于业务的,如果你的某些查询业务比较多,你肯定不希望你每次查询都要遍历所有的分片吧。

所以我们需要尽可能让自己查询的数据落在同一个分片上。

 

3、我们通过两个业务场景来聊聊

① 商家订单系统

业务描述:假设平台每日下单量在百万级,不同商家需要经常统计不同周期的订单数据

针对这一业务场景,我们按照上面思考的步骤考虑一下?

思考步骤一:要不要用分片?

回答:可以使用,因为数据量非常大,而且查询统计很频繁。

思考步骤二:使用什么做片键最合适?

回答:结合选片键的准则,最佳为商家id和下单时间。如果只用商家id做片键,他的确满足基数够大,另外数据均匀也没问题,但是查询某段连续时间内的订单需要遍历所有的分片。所以要选择商家id和下单时间的组合片键,这样才能保证定向查询。

 

② 直播打赏记录

业务描述:  记录用户给主播打赏数据,,假设打赏记录日增百万,只存在查询近期数据

从业务描述来分析,这个日志的历史数据没有查询的必要其实我们可以对历史数据做归档处理。无需考虑使用分片集群。

 

四、小结

看完全文,我相信你们对于分片集群都有了一定的认识。在工作中针对某些业务场景希望能给你提供一个多的选择。最后我终结两点:

  1. 分片集群可以有效解决性能瓶颈及系统扩容问题
  2. 分片管理复杂,成本高,能不分片尽量不用

 

文/荣荣

关注我们,带你走向技术的云端

相关推荐

压测AI Agent 治理与评测调优实践|得物技术

本文介绍智能分析Agent在压测调试中上线后的治理闭环建设:通过Langfuse记录完整执行链路,结合用户反馈与Trace还原问题根因;利用CLI Mock固化证据数据集,实现相同场景下的回测验证。基于固定案例与五档评分机制,持续评估方案质量、延迟与成本,确保修复有效且无新问题引入,推动Agent能力迭代优化。

SmartCodeTech的博客 317

从中心调度到自驱协作多 Agent 架构的三次反转|得物技术

本文探讨多Agent系统中的控制权分配问题,提出三大协作架构:Master Agent(中心调度)、任务看板(共享状态)与Advisor(轻量咨询)。通过划清上下文边界与模型边界,强调应以信息相关性而非职业标签划分Agent。三种模式分别将决策权集中于中心、下放至共享状态、再下沉至执行者,形成控制权逐步下沉的演进路径。案例显示,合理设计可提升复杂任务的并行性、弹性与可维护性。

SmartCodeTech的博客 420

Jev 实战:为AI工作流引入轻量决策层 x10倍提速|得物技术

完成这三个场景后,我对适用边界有了更明确的认识:它们都可以先定义答案范围,再根据判断结果驱动下一步操作。接入时,我会优先明确输入、选项、采纳条件和兜底路径,再评估Jev是否适合承担这一环节。结合这些实践,我更容易理解Jev(TypeSafe System One)作为专用结构化决策模型不生成自然语言,而是返回带概率的判断结果。后续接入时,我会继续从脚本中边界明确的判断任务开始,分别验证准确性、耗时和费用,再决定是否扩大使用范围。下面整理了相关能力、限制和接入要点,便于查阅。

SmartCodeTech的博客 346

国产算力·昇腾 910C 大模型推理优化(下):源码修改与算子优化,提速30%|得物技术

本文延续上篇,深入vllm-ascend源码优化:通过多流重叠实现MoE共享专家并行计算,消除冗余事件开销,并解除与FUSED_MC2的互斥限制,实现c=1下TPOT从8.2ms降至8.0ms;优化decode阶段host侧开销,引入状态跟踪跳过冗余拷贝;设计Block Table CPU快路径,规避小batch下NPU kernel启动延迟;针对GDN层融合L2Norm至recurrent kernel,减少算子调用与内存往返。综合优化后推理性能显著提升,形成可复用的昇腾910C大模型推理优化方法论。

SmartCodeTech的博客 248

国产算力·昇腾 910C 大模型推理优化(上):镜像更新与参数调优,提速 40%|得物技术

文中详细给出每一项优化的动机、实现(含具体源码改动路径与关键代码片段)、验证数据与踩坑记录(包括十余项实测无效或负向的尝试),希望为同样在国产算力上做推理优化的团队提供一份可直接复用的工程参考。

SmartCodeTech的博客 227

动态规则的 Agent 实践:用确定性工程驾驭 LLM 的资产智能验收

面对财务验收中规则多变、材料非结构化、核对复杂等痛点,传统规则引擎难以应对。系统采用“规则即配置”思路,由大语言模型(LLM)负责理解合同、扫描件等非结构化材料并执行语义比对,工程系统则保障流程编排与可追溯性。通过异步处理、幂等设计、三类流量隔离及双通道(文本/图像)处理,实现高效稳定运行。结合用户反馈构建自动标准答案,辅以试跑、回测与发布门禁机制,形成闭环质量体系。底层采用确定性工作流架构,确保行为可预期、可测试,真正实现灵活规则的快速迭代与安全上线。

SmartCodeTech的博客 345

发一张图,它居然“跃“出屏幕了?一文读懂得物 3D 空间图片技术实践

3D 空间图片功能的落地,涉及模型生成、内容分发、客户端渲染之间的一系列取舍。本文重点分享如何生产出高质量、小体积的模型,以及如何在手机上流畅运行。

SmartCodeTech的博客 555

别再只卷向量检索了,得物交易搜索如何用“生成式”实现召回范式跃迁?

你搜"af1",它得给你"空军一号"。这一年,得物交易搜索把召回从"做选择题"改成了"写答案"——不再从商品池里"找"最像的,而是让模型自己"生成"你真正想要的。从 LLM 语义索引到 HLLM、语义 ID,搜索是怎么从"检索"走向"生成"的?

SmartCodeTech的博客 594

指标平台:从语义底座到智能消费的实践路径|得物技术

这篇文章想做的,不是在本体化的宏大叙事上再叠加一层理论,而是把我们在真实落地中验证过的路径讲清楚:语义底座怎么从零建立起来、怎么保证质量不失控、怎么支撑 Text2SQL 和 AI Coding 两条消费主线,以及沿着这条路径往前走,下一步该往哪个方向发力。

SmartCodeTech的博客 317

企业级 MultiAgent 落地:Plan 模式与主子 Agent 协作|得物技术

基于 AgentScope Java 的企业级 MultiAgent 平台,为研发、数据分析和知识问答等场景提供统一的模型调用、工具接入、任务编排、流式输出与运行追踪能力。

SmartCodeTech的博客 302

得物小摊 AI Native 演进实录:用 Harness 构建可控 AI 交付

AI Coding 一个人用很顺手,进了团队就漏:指令没人审、经验难沉淀、过程看不见、链路不闭环。作者团队基于 Multica 做了 EP-Harness,把 Agent 当成员管,给它套一层可执行、可观察、可治理的 Harness,并让反馈闭环。成果:可追溯决策、多 Agent 协作,高频异常从每 4 小时 2400 多条降到个位数,对得物技术补上团队级 AI 协作关键一环。

SmartCodeTech的博客 544

企业级 MultiAgent 的记忆系统:短期上下文与四层记忆架构实现|得物技术

在 MultiAgent 平台中,Agent 的"记忆"能力是实现智能对话和个性化服务的核心资产。本文深入剖析 Agent 记忆系统的设计理念与实现细节,重点解析长期记忆架构的写入与加载流程,涵盖 LLM 智能判断、语义检索、Token 预算控制、冲突处理等关键技术,为开发者提供完整的技术实现参考。

SmartCodeTech的博客 502

EP-Harness:从个人 AI Coding 到团队级 Agent 工作流|得物技术

AI Coding 个人用得爽,一到团队就崩。EP-Harness 把 Agent 从聊天工具变成团队协作成员——可管理、可追溯、可闭环。落地后高频异常从 2400+/4h 收敛到个位数。

SmartCodeTech的博客 694

得物知识问答:复合检索 Agent 的系统设计实践

从"搜到什么用什么"到"搜→筛→挖→验"自主决策闭环——我们造了一个有判断力的 RAG Agent,不是套壳。

SmartCodeTech的博客 736

实战从零开始构建一个Coding Agent:Violin |得物技术

理解了 coding agent 的构建原理,也就掌握了理解其他 agent 的一把钥匙。笔者对每天都在使用的 agent 原理很感兴趣,于是决定自己写一个:violin。

SmartCodeTech的博客 927

AI Native 交易核心系统的研发范式|得物技术

如何改造旧研发流程适配 AI 编码?本文提出五道标准化关口治理思路,依托 Claude Code Spec-Driven 插件打通需求澄清、方案设计、TDD 落地、门禁管控与埋点监控,构建带人工确认门控的完整工作流,以五层自底向上架构实现 AI 编码规范化落地。

SmartCodeTech的博客 975

推荐系统体验的数字化突破:得物自动化评测平台的技术实践|AICon 文章整理

「得物推荐 AI Harness 工程化实践系列」的末篇内容,本系列共三篇连载。本篇(末篇)详解得物推荐评测平台的完整技术体系:从主观体验量化到大模型自动化评测流水线,涵盖多维度指标设计、人机协作提示词校验闭环、分布式任务调度与成本精控等核心工程实现,以及单周百万级审计需求下实现 91% 资源成本优化的工业级落地实战细节。

SmartCodeTech的博客 1495

RAG 核心概念与原理:Chunking、Embedding、相似度、HNSW 与多路召回|得物技术

决定 RAG 效果的关键不在大模型,而是文本切块、查询改写、多路召回与精排。合理切块存好知识库内容,向量匹配抓语义、BM25 匹配关键词互补。先优化用户提问,快速召回一批相关文档,再用精排模型精细筛选,整套检索流程配合到位,问答准确度才会明显提升。

SmartCodeTech的博客 1082

从“机械应答“到“服务伙伴“:得物高可控智能客服的 Agent 工程实践|AICon 演讲整理

本次分享围绕以下核心技术展开:客服 Agent 挑战与架构设计(Single-Agent→Multi-Agent→Harness);高可控性数据飞轮(PE 自动化 + DPO 训练);RL 策略训练和人工经验对齐;多轮半双工消息流控制。

SmartCodeTech的博客 755

得物推荐系统诊断 Agent:从 “调接口” 到 “会思考”|AICon 演讲整理

本文是得物技术专家在 AICon 上海演讲整理的技术实录。AICon上海2026_全球人工智能开发与应用大会暨大模型应用生态展_InfoQ技术大会「得物推荐 AI Harness 工程化实践系列」的中篇内容,本系列共三篇连载。本篇(中篇)进一步详解得物推荐复杂业务场景下,AI代码从生成、防护校验到安全上线的完整技术体系、自研AI Harness整体架构框架、全流程安全防护机制、混合智能体核心算法实现,以及工业级工程落地的实战细节。

SmartCodeTech的博客 1365

得物 OceanBase 落地实践

得物选型OceanBase多模数据库应对业务挑战,通过验证其高可用架构、存储压缩技术及混合负载处理能力。测试显示OceanBase在复杂查询场景性能较MySQL提升130-200倍,在高并发TP/AP混合场景表现优异,存储成本降低40%+。通过DBA内部报表业务试点验证其稳定性后,逐步推广至核心业务场景,优化数据库技术栈,实现性能与成本的双重收益。

SmartCodeTech的博客 1385

AI UITester:AI Native 的 UI 自动化测试新范式|得物技术

ai_uitester 代表了 AI Native 的 UI 自动化测试新范式:这不仅是工具的升级,而是测试范式的转变 ------ 从 "代码驱动" 转向 "视觉驱动",从 "人工调试" 转向 "AI 自愈",从 "三端分离" 转向 "统一抽象"。

SmartCodeTech的博客 780

从狂野代码到按目标生产:得物推荐 AI Harness 的工程化实践|AICon 演讲整理

本文是得物技术专家在 AICon 上海演讲整理的技术实录。「得物推荐 AI Harness 工程化实践系列」的开篇内容,本系列共三篇连载。将系统拆解得物推荐复杂业务场景下,AI 代码从生成、防护校验到安全上线的完整技术体系,逐一详解自研 AI Harness 整体架构框架、全流程安全防护机制、混合智能体核心算法实现,以及工业级工程落地的实战细节。本篇(上篇):将整体介绍团队自研的 AI Harness 体系,包括建设思路、全生命周期防护机制、混合智能体架构及落地效果。

SmartCodeTech的博客 1082

从表单到 Agent:得物社区活动搭建的 AI 实践之路

一场营销活动从策划到上线,运营要在三个系统间跳转 10 + 次、填写 40 + 个字段。我们用 AI 重新设计了这条链路 —— 从 “AI 帮你填表单” 到 “两阶段 Agent + 聚合工作台”。这篇文章记录的不是技术细节,而是这条路上的选择和反思。

SmartCodeTech的博客 745

从埋点需求到规则资产:Hermes Agent 重构得物数仓工作流

埋点和指标需求中,消耗数据承接方的不是生成答案,而是补齐证据链、对齐历史口径、识别下游影响,并在生产写入前留下可追溯的确认记录。本文数据承接方指承接业务需求的数据同学或业务合作伙伴;后文讨论内部研发、元数据、查询和门禁能力在流程中的角色。

SmartCodeTech的博客 657

让 Claude Code 拥有自我进化和记忆系统|得物技术

本文记录了为 Claude Code 构建的一套持久化记忆与自我学习系统的设计思路与实现细节。这套系统让 AI 助手能够跨越会话边界记住用户习惯,并在每次对话结束后自动提炼行为规律和系统信息,通过向量检索快速提取关键信息,下一次对话时主动应用,逐步进化为更懂你的编程伙伴。

SmartCodeTech的博客 994

用 LLM Agent 重构告警排查流程|得物技术

告警排查需频繁切换日志、APM、链路追踪等多个平台,耗时 10~30 分钟,且高度依赖个人经验。我们做了 Troubleshooter——用 LLM Agent 自动完成数据采集、根因分析和处置建议生成。上线后中位数排查耗时从 20 分钟降到 4.4 分钟,覆盖 11 个服务和 10+ 种告警类型。

SmartCodeTech的博客 1008

HorizonVault 技术深潜:如何在 HDD 上做出 100GB/s+ 级大吞吐分布式存储|得物技术

HorizonVault是一款面向Kafka远程存储的高吞吐分布式存储引擎,通过分布式并行写入和状态感知调度解决冷数据存储的三大核心问题:吞吐瓶颈、性能抖动和恢复能力。系统采用分层架构,Meta负责全局资源调度,Broker处理请求路由,Store实现本地磁盘管理,形成完整的写入治理链路。通过将HDD磁盘提升为一等资源,实现顺序追加写入、多盘并行和慢盘隔离,在保证高吞吐的同时控制延迟。存储结构采用DiskStore组织磁盘资源,LogSegment顺序写入数据,IndexSegment定位读取,Change

SmartCodeTech的博客 892

Claude Code Harness 工程:数仓侧落地方案|得物技术

Harness 工程通过职责分层实现研发流水线可靠性提升。Claude 负责需求理解与代码生成等语义层工作;hooks 负责规范检查等确定性执行;Subagents 隔离血缘查询、自测等高 token 操作;Memory 承载跨会话状态持久化。四层协同使数仓 AI 开发从"对话式辅助"转变为"规则驱动的自动化流程"。

SmartCodeTech的博客 1103

BP Claw 破解 AI 编码输入难题 ——FlinkSpec 需求智能化实践|得物技术

本文为 FlinkSpec 系列之开篇,亦是这场工程化变革的序章。BP Claw 所立之处,不过链路之源。FlinkSpec 所图,乃以 AI 之力,将实时数仓从需求落地至验收上线的全程工序,熔铸为一套精密自洽、生生不息的智能工程体系。宏图未竟,后续系列将逐章揭幕,敬请期待!

SmartCodeTech的博客 1039
上一篇: 【得物技术】App 需要什么样移动网关
下一篇: 【得物技术】无侵入式mock平台在得物的实践
得物技术
得物技术 得物技术官方账号 得物技术官方账号
博客等级 码龄6年 2492粉丝 408原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值