PostgreSQL笔记1:AI时代的数据底座——从趋势到实践的全面解读

多Agent工作流落地成败关键:统一数据底座建设指南 多智能体系统(Multi-Agent System)并非简单叠加多个AI模型,而是面向企业级协同的分布式智能范式。其核心原理在于通过领域专精、弹性编排与语义共识,实现群体智能涌现;技术价值体现在打破数据孤岛、降低协作熵增、支撑AI能力复用与规模化交付;典型应用场景涵盖智能供应链、跨部门决策闭环、实时风控联动等复杂业务流。然而,90%的落地失败源于数据层断裂——物理源割裂、语义定义冲突、治理策略失控。本文聚焦Multi-Agent Workflows中真正可落地的数据底座架构,深度解析联邦查询引擎、语义层、策 阅读详情

纲要

  • PostgreSQL 市场趋势与排名
    • DB-Engines 全球数据库排名分析
    • Stack Overflow 2025 开发者调查数据
  • AI时代数据库角色的转变
    • 从存储查询到一体化数据底座
    • 多数据形态与多业务场景的支持
  • PostgreSQL 核心能力与扩展生态
    • 关系数据库核心能力:SQL、事务、MVCC、高可用
    • 扩展生态:PostGIS、全文检索、pgvector、Apache AGE、SQL/PGQ
    • 安全治理:权限、审计、行级安全
  • 学习路径与实践方向
    • 环境搭建与基础操作
    • 核心原理:WAL、事务、索引、执行计划
    • 实战场景:索引优化、慢查询诊断、备份恢复、高可用
  • 课程定位与目标人群

PostgreSQL 的市场趋势

在数据库技术领域,DB-Engines 排名是衡量数据库流行度的重要指标。该排名综合了搜索趋势、技术问答、岗位需求、社交信号等多个维度的数据,每月更新一次。根据 2026 年 7 月的最新排名,PostgreSQL 已位列全球数据库总榜第四名,仅次于 Oracle、MySQL 和 Microsoft SQL Server。近年来,PostgreSQL 与第三名 SQL Server 的差距持续缩小,其生态势能、扩展能力以及开发者心智均在不断增强。

Stack Overflow 2025 年度开发者调查进一步印证了这一趋势。在该调查中,PostgreSQL 以 55.6% 的采用率成为全球开发者社区中使用最广泛的数据库。在专业开发者群体中,PostgreSQL 的使用比例达到 49.09%,超越了 MySQL(40.59%)。更值得注意的是,在使用 AI 的专业开发者中,PostgreSQL 的采用率高达 59.5%,位列所有数据库之首。PostgreSQL 已连续第三年成为“最受欢迎”和“最受喜爱”的数据库。

上述数据表明,PostgreSQL 已不再是传统认知中的小众开源数据库,而是正在成为全球开发者和企业广泛选择的核心数据基础设施。Oracle、MySQL、SQL Server 三足鼎立的传统格局正在被 PostgreSQL 的崛起所改写。

AI时代数据库角色的转变

数据库的角色正在经历深刻的变化。在传统应用场景中,数据库的核心职责是存储、查询、事务与稳定性——确保数据能够被正确地写入,在需要时能够被准确地读出,并保证数据的一致性。

然而,在 AI 时代,应用需要处理的数据形态远不止于传统的业务数据:

  • 文档数据:非结构化的文本内容
  • 向量数据:嵌入模型生成的向量表征
  • 全文检索:对大量文本进行高效的搜索与匹配
  • 空间信息:地理位置与空间关系数据
  • 权限与审计:细粒度的安全治理与合规审计

AI 应用对数据库提出了更为严苛的要求。它所需要的不仅仅是一个数据库,而是一套能够支撑多种数据形态、多种查询方式、多种业务场景的一体化数据底座。

PostgreSQL 的核心能力与扩展生态

PostgreSQL 在这一背景下展现出独特的优势。它既是一款成熟稳定的关系型数据库,又具备极其强大的扩展能力,堪称 AI 时代的“六边形战士”。

关系数据库核心能力

作为一款拥有数十年历史的关系型数据库,PostgreSQL 具备完备的核心能力:

  • SQL 标准支持:高度兼容 SQL 标准,支持复杂的查询语法
  • 事务机制:完整的 ACID 事务保证
  • 索引:支持 B-tree、Hash、GiST、SP-GiST、GIN、BRIN 等多种索引类型
  • 约束:主键、外键、唯一约束、检查约束等
  • MVCC:多版本并发控制,实现高并发读写
  • 高可用:支持流复制、逻辑复制、故障转移等机制

扩展生态

PostgreSQL 的真正强大之处在于其扩展生态。通过扩展机制,PostgreSQL 可以在单一数据库中支持多种数据形态:

数据形态扩展/能力说明
空间数据PostGIS业界领先的地理空间扩展,支持空间索引与查询
全文检索内置 tsvector/tsquery、pgsearch支持全文搜索与 BM25 相关度算法
向量检索pgvector支持向量存储与近似最近邻搜索,是 RAG 应用的首选
图检索Apache AGE、PostgreSQL 19 SQL/PGQ支持属性图查询与图模式匹配
时序数据TimescaleDB针对时间序列数据优化的扩展

在向量检索领域,pgvector 已成为 PostgreSQL 生态中的核心组件。它使得团队无需单独部署向量数据库即可在 PostgreSQL 中完成向量的存储与检索。围绕 pgvector,已形成包括 pgai、pg_vectorize 等在内的完整工具链。

在图检索方面,PostgreSQL 19 引入了对 SQL/PGQ(SQL Property Graph Queries)的原生支持。通过 CREATE PROPERTY GRAPH 和 GRAPH_TABLE 语法,开发者可以直接在关系型表上定义属性图并执行图查询,无需额外同步数据到独立的图数据库。

安全治理

PostgreSQL 还提供了一套完整的安全治理机制:

  • 权限管理:基于角色的访问控制(RBAC)
  • 审计:通过 pgAudit 等扩展实现操作审计
  • 行级安全:RLS(Row Level Security)实现细粒度的行级访问控制
  • 列级权限:对敏感列进行单独的权限控制

一体化数据底座的价值

PostgreSQL 的核心价值在于,它能够将结构化数据、全文检索、向量搜索、空间数据、图数据、安全治理和高可用等能力整合在同一个数据库中。

对于 AI 项目而言,落地的难点往往不在于模型本身,而在于:

  • 数据如何进入系统
  • 进入后如何进行多维度的检索与关联
  • 如何保证数据的安全与合规
  • 如何确保系统的稳定运行

PostgreSQL 在这些环节中均能发挥关键作用,成为 AI 应用的数据基础设施。

学习路径与实践方向

系统掌握 PostgreSQL 需要遵循一条从基础到原理、从原理到实践的学习路径。

环境搭建与基础操作

学习的第一步是完成 PostgreSQL 的部署与安装,理解配套工具的使用、常见参数配置以及目录结构。以下是基于 Ubuntu/Debian 的快速安装示例:

# 安装 PostgreSQL(以 Ubuntu 22.04 为例)
sudo apt update
sudo apt install postgresql postgresql-contrib

# 查看服务状态
sudo systemctl status postgresql

# 切换到 postgres 用户
sudo -i -u postgres

# 进入 psql 命令行
psql

# 查看版本
SELECT version();
-- 创建测试数据库
CREATE DATABASE testdb;

-- 连接到测试数据库
\c testdb

-- 创建表
CREATE TABLE users (
    id SERIAL PRIMARY KEY,
    username VARCHAR(50) NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- 插入数据
INSERT INTO users (username) VALUES ('alice'), ('bob'), ('charlie');

-- 查询数据
SELECT * FROM users;

核心原理

在掌握基础操作后,需要深入理解 PostgreSQL 的核心运行原理:

  • WAL(Write-Ahead Logging) :预写式日志机制,保证数据持久性与崩溃恢复能力
  • 事务机制:ACID 特性的实现原理,隔离级别的含义与影响
  • 索引原理:不同索引类型的数据结构与适用场景
  • 执行计划分析:使用 EXPLAIN 和 EXPLAIN ANALYZE 分析查询性能
-- 查看执行计划
EXPLAIN ANALYZE SELECT * FROM users WHERE username = 'alice';

-- 创建索引
CREATE INDEX idx_users_username ON users(username);

-- 再次查看执行计划,对比索引前后的变化
EXPLAIN ANALYZE SELECT * FROM users WHERE username = 'alice';

实战场景

实战场景是理论知识的最终落脚点,包括但不限于:

  • 索引优化:根据查询模式设计合理的索引策略
  • 慢查询诊断:通过 pg_stat_statements 等工具定位性能瓶颈
  • 备份恢复:pg_dump、pg_basebackup 的使用与恢复演练
  • 高可用架构:流复制、Patroni 等高可用方案的部署与管理
-- 启用 pg_stat_statements 扩展
CREATE EXTENSION IF NOT EXISTS pg_stat_statements;

-- 查看最耗时的查询
SELECT query, calls, total_time, mean_time
FROM pg_stat_statements
ORDER BY total_time DESC
LIMIT 10;

入门技巧

一门系统性的 PostgreSQL 学习路径应当具备以下特征:

  1. 完整性:从环境搭建到架构原理,从事务索引到高可用,形成从入门到进阶的完整学习路径
  2. 实践驱动:关键能力配合实际的操作命令、案例与演示,确保学习者不仅“知道怎么做”,更“理解为什么这么做”
  3. 面向趋势:将向量检索、图查询等 AI 时代的前沿能力纳入主线,使学习者既掌握传统 PostgreSQL,也能理解其如何承接 AI 应用

以下三类人群适合快速入门:

  • 具备基础计算机操作能力,希望在 AI 时代掌握 PostgreSQL 的学习者
  • 从事数据库开发、运维、调优的技术人员
  • AI 应用开发者,需要理解向量数据库原理及智能问答背后的数据能力

API 速览

本节梳理 PostgreSQL 学习与使用过程中涉及的核心 API 与命令。

psql 元命令

psql 是 PostgreSQL 的交互式命令行工具,以下为常用元命令:

命令说明示例
\l列出所有数据库\l
\c连接到指定数据库\c database_name
\dt列出当前数据库的所有表\dt
\d查看表结构\d table_name
\du列出所有角色/用户\du
\dx列出已安装的扩展\dx
\q退出 psql\q

SQL 核心 DDL/DML

-- 创建数据库
CREATE DATABASE database_name;

-- 创建表
CREATE TABLE table_name (
    column1 datatype CONSTRAINT,
    column2 datatype,
    ...
);

-- 创建索引
CREATE INDEX index_name ON table_name (column_name);
CREATE INDEX idx_gin ON table_name USING GIN (column_name);

-- 创建扩展
CREATE EXTENSION extension_name;

-- 查询
SELECT columns FROM table_name WHERE condition ORDER BY column;

-- 执行计划分析
EXPLAIN [ANALYZE] [VERBOSE] SELECT ...;

备份与恢复命令

# 逻辑备份(pg_dump)
pg_dump -U username -d dbname -f backup.sql

# 逻辑恢复
psql -U username -d dbname < backup.sql

# 物理备份(pg_basebackup)
pg_basebackup -D /path/to/backup -Fp -P -U replication_user -h host -p port

高可用与复制

-- 查看复制状态
SELECT * FROM pg_stat_replication;

-- 查看 WAL 日志位置
SELECT pg_current_wal_lsn();

-- 创建发布(逻辑复制)
CREATE PUBLICATION pub_name FOR TABLE table_name;

-- 创建订阅
CREATE SUBSCRIPTION sub_name CONNECTION 'conninfo' PUBLICATION pub_name;

Demo 简单示例

以下是一个完整的 Node.js 示例,演示使用 pg 库连接 PostgreSQL,执行建表、插入、查询和索引优化操作。

运行说明

  1. 确保本地已安装 PostgreSQL 并运行
  2. 创建测试数据库:CREATE DATABASE demo_db;
  3. 安装依赖:npm install pg
  4. 运行脚本:node demo.js

代码示例

const { Client } = require('pg');

// 数据库连接配置
const config = {
    host: 'localhost',
    port: 5432,
    database: 'demo_db',
    user: 'postgres',
    password: 'your_password',
};

const client = new Client(config);

async function runDemo() {
    try {
        await client.connect();
        console.log('✅ 连接 PostgreSQL 成功');

        // 1. 创建表
        await client.query(`
            CREATE TABLE IF NOT EXISTS products (
                id SERIAL PRIMARY KEY,
                name VARCHAR(100) NOT NULL,
                category VARCHAR(50),
                price DECIMAL(10, 2),
                stock INT DEFAULT 0,
                created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
            )
        `);
        console.log('✅ 表创建成功');

        // 2. 批量插入测试数据
        const insertQuery = `
            INSERT INTO products (name, category, price, stock)
            VALUES ($1, $2, $3, $4)
        `;
        const testData = [
            ['Laptop Pro', 'Electronics', 1299.99, 50],
            ['Wireless Mouse', 'Electronics', 29.99, 200],
            ['Desk Chair', 'Furniture', 249.00, 30],
            ['Coffee Mug', 'Kitchen', 12.50, 500],
            ['Monitor 27"', 'Electronics', 349.00, 75],
        ];

        for (const data of testData) {
            await client.query(insertQuery, data);
        }
        console.log('✅ 测试数据插入成功');

        // 3. 查询:无索引时的执行计划
        console.log('\n📊 无索引查询计划:');
        const explainResult = await client.query(
            'EXPLAIN ANALYZE SELECT * FROM products WHERE category = $1',
            ['Electronics']
        );
        console.log(explainResult.rows.map(r => r['QUERY PLAN']).join('\n'));

        // 4. 创建索引
        await client.query('CREATE INDEX IF NOT EXISTS idx_products_category ON products(category)');
        console.log('✅ 索引创建成功');

        // 5. 查询:有索引后的执行计划
        console.log('\n📊 有索引查询计划:');
        const explainResultIndexed = await client.query(
            'EXPLAIN ANALYZE SELECT * FROM products WHERE category = $1',
            ['Electronics']
        );
        console.log(explainResultIndexed.rows.map(r => r['QUERY PLAN']).join('\n'));

        // 6. 聚合查询
        const stats = await client.query(`
            SELECT 
                category,
                COUNT(*) as count,
                AVG(price) as avg_price,
                SUM(stock) as total_stock
            FROM products
            GROUP BY category
        `);
        console.log('\n📈 分类统计:');
        console.table(stats.rows);

        // 7. 使用 pg_stat_statements 查看查询统计(需预先启用扩展)
        const statResult = await client.query(`
            SELECT query, calls, total_time, mean_time
            FROM pg_stat_statements
            WHERE query LIKE '%products%'
            ORDER BY total_time DESC
            LIMIT 5
        `);
        if (statResult.rows.length > 0) {
            console.log('\n📊 查询统计(pg_stat_statements):');
            console.table(statResult.rows);
        }

    } catch (err) {
        console.error('❌ 错误:', err);
    } finally {
        await client.end();
    }
}

runDemo();

技术点总结

  • 连接管理:使用 pg 库的 Client 进行数据库连接与生命周期管理
  • 参数化查询:使用 $1、$2 占位符防止 SQL 注入
  • 执行计划分析:通过 EXPLAIN ANALYZE 观察索引对查询性能的影响
  • 索引优化:演示 B-tree 索引的创建与效果
  • 性能监控:使用 pg_stat_statements 进行查询性能统计

多语言示例

Go
package main

import (
    "database/sql"
    "fmt"
    "log"

    _ "github.com/lib/pq"
)

func main() {
    connStr := "user=postgres password=your_password dbname=demo_db host=localhost port=5432 sslmode=disable"
    db, err := sql.Open("postgres", connStr)
    if err != nil {
        log.Fatal(err)
    }
    defer db.Close()

    // 建表
    _, err = db.Exec(`
        CREATE TABLE IF NOT EXISTS logs (
            id SERIAL PRIMARY KEY,
            level VARCHAR(20),
            message TEXT,
            created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
        )
    `)
    if err != nil {
        log.Fatal(err)
    }

    // 插入
    _, err = db.Exec(
        "INSERT INTO logs (level, message) VALUES ($1, $2)",
        "INFO", "Service started successfully",
    )
    if err != nil {
        log.Fatal(err)
    }

    // 查询
    rows, err := db.Query("SELECT id, level, message, created_at FROM logs ORDER BY id DESC LIMIT 10")
    if err != nil {
        log.Fatal(err)
    }
    defer rows.Close()

    for rows.Next() {
        var id int
        var level, message string
        var createdAt string
        rows.Scan(&id, &level, &message, &createdAt)
        fmt.Printf("[%s] %s: %s\n", createdAt, level, message)
    }
}
Python
import psycopg2
from psycopg2.extras import RealDictCursor

conn = psycopg2.connect(
    host="localhost",
    port=5432,
    database="demo_db",
    user="postgres",
    password="your_password"
)
cur = conn.cursor(cursor_factory=RealDictCursor)

# 建表
cur.execute("""
    CREATE TABLE IF NOT EXISTS events (
        id SERIAL PRIMARY KEY,
        event_type VARCHAR(50),
        payload JSONB,
        created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
    )
""")

# 插入
cur.execute(
    "INSERT INTO events (event_type, payload) VALUES (%s, %s)",
    ("user_login", {"user_id": 1001, "ip": "192.168.1.1"})
)
conn.commit()

# 查询
cur.execute("SELECT * FROM events ORDER BY id DESC LIMIT 10")
for row in cur.fetchall():
    print(row)

cur.close()
conn.close()
Java
import java.sql.*;
import java.util.Properties;

public class PostgresDemo {
    public static void main(String[] args) {
        String url = "jdbc:postgresql://localhost:5432/demo_db";
        Properties props = new Properties();
        props.setProperty("user", "postgres");
        props.setProperty("password", "your_password");

        try (Connection conn = DriverManager.getConnection(url, props);
             Statement stmt = conn.createStatement()) {

            // 建表
            stmt.execute("""
                CREATE TABLE IF NOT EXISTS metrics (
                    id SERIAL PRIMARY KEY,
                    name VARCHAR(100),
                    value DOUBLE PRECISION,
                    recorded_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
                )
            """);

            // 插入
            PreparedStatement pstmt = conn.prepareStatement(
                "INSERT INTO metrics (name, value) VALUES (?, ?)"
            );
            pstmt.setString(1, "cpu_usage");
            pstmt.setDouble(2, 45.6);
            pstmt.executeUpdate();

            // 查询
            ResultSet rs = stmt.executeQuery(
                "SELECT * FROM metrics ORDER BY id DESC LIMIT 10"
            );
            while (rs.next()) {
                System.out.printf("id=%d, name=%s, value=%.2f, at=%s%n",
                    rs.getInt("id"),
                    rs.getString("name"),
                    rs.getDouble("value"),
                    rs.getTimestamp("recorded_at")
                );
            }

        } catch (SQLException e) {
            e.printStackTrace();
        }
    }
}

项目难点与解决方案

核心难点

  • 多数据形态的统一管理:在同一个数据库中同时处理结构化数据、向量、全文检索、空间数据和图数据,需要理解不同扩展的适用场景与性能特征
  • 性能调优的复杂性:PostgreSQL 的查询优化器、索引选择、WAL 配置、内存参数(如 shared_buffers、work_mem)之间存在复杂的相互影响,调优需要系统性的知识
  • 高可用架构的搭建:流复制、逻辑复制、故障转移等机制的配置与运维需要深入理解 PostgreSQL 的复制原理

解决方案

  • 分层学习:从基础操作到核心原理,再到实战场景,逐层递进
  • 实践驱动:每个知识点配合实际操作与案例演示,确保理解与落地
  • 工具辅助:利用 pg_stat_statements、EXPLAIN、pgBadger 等工具进行性能诊断与监控

广度

涵盖 PostgreSQL 的安装部署、核心原理(WAL、事务、索引、执行计划)、扩展生态(PostGIS、pgvector、全文检索、图查询)、安全治理、高可用等完整知识体系。

深度

深入 PostgreSQL 内核层面的工作机制,包括 MVCC 的实现、索引的内部结构、查询优化器的决策逻辑、WAL 的写入与恢复流程等。

复杂度

涉及单机部署、主从复制、逻辑复制、扩展安装与配置、性能调优等多个维度,需要综合运用系统运维、数据库原理、应用开发等多方面技能。

官方文档

参考链接

润色纠正的前后对比

原文(机器翻译)修正后说明
postsqueeze / posgreeze / poseezPostgreSQL统一修正为正确的产品名称
DBenginesDB-Engines修正为正确的产品名称格式
circlese rverMicrosoft SQL Server修正为正确的产品名称
ststackoflowStack Overflow修正为正确的产品名称
popossejesPostGIS修正为正确的扩展名称
testspectortsvector/tsquery修正为正确的全文检索技术术语
PGactorpgvector修正为正确的向量扩展名称
diskANpgvector 的 DISKANN 索引修正为正确的索引类型描述
AGEApache AGE修正为正确的图扩展名称
propertygraphSQL/PGQ 属性图修正为正确的技术术语
MCCLWARMVCC修正为正确的并发控制术语
WARWAL(Write-Ahead Logging)修正为正确的日志机制术语
“休息大家好,我是CC”删除去除口语化开场白
“老油条”删除去除口语化表达
“这门课程我觉得会是非常适合的学习路径”精简为客观陈述去除个人感受与课程推广语气

总结

PostgreSQL 凭借其在 DB-Engines 排名中位列全球第四的强劲势头,以及 Stack Overflow 2025 年调查中 55.6% 的开发者采用率(AI 专业开发者中高达 59.5% ),已确立其作为全球数据基础设施的核心地位。在 AI 时代,数据库的角色从单纯的存储查询工具转变为一套支撑多数据形态、多查询方式、多业务场景的一体化数据底座。

PostgreSQL 通过其完备的关系数据库核心能力(SQL、事务、MVCC、高可用)与强大的扩展生态(PostGIS、pgvector、全文检索、Apache AGE 及 PostgreSQL 19 的 SQL/PGQ 原生图查询),将结构化数据、向量检索、空间数据、图数据与安全治理整合于一身。

系统掌握 PostgreSQL 需要遵循从环境搭建到核心原理(WAL、事务、索引、执行计划)、再到实战优化(索引优化、慢查询诊断、备份恢复、高可用)的完整学习路径。这一能力体系对于数据库开发运维人员与 AI 应用开发者均具有重要的实践价值。

射频电路设计——射频器件基础 本文仅供自己复习使用,请勿转载! 射频电路制作方法 MCM工艺 CMOS工艺 趋肤效应、深度 频率越高趋肤效应越明显 高频器件 高频电阻 绕线的比贴片的多一个电感,是因为绕线的因为是线绕制的,只有有线就会有电感,所以绕线电阻等效模型会比贴片的多一个电感 多晶硅电阻模型 深线性区MOS电阻 高频电阻的频率响应 记忆的话就后面的频率特性有点像电容的 高频电容 作用 单层贴片式电容 多层贴片式电容 MIM电容 MOM电容 由于是并联的,所以总的电容值是单个的直接相加 PN结电容 M. 阅读详情

相关推荐

STM32在六轴机械臂实时控制中的选型与分层架构设计

嵌入式实时控制系统中,微控制器的选型直接决定运动控制精度与系统可靠性。其核心在于匹配确定性中断响应、低延迟外设协同与工业协议栈支持等硬性指标。STM32凭借Cortex-M内核的NVIC调度能力、成熟HAL库及CAN FD/高级定时器等专用外设,在机电一体化场景中成为伺服控制中枢的首选。相比ESP32等通用MCU,STM32在硬实时性、EMC认证生态和工业总线兼容性上具备不可替代优势。本文围绕GTB六轴机械臂项目,详解基于STM32F407的硬件抽象层配置、FreeRTOS任务调度、事件队列解耦及闭环控制数

jupi8的博客 758

PostgreSQL笔记2: AI时代的首选数据库——从六边形战士到生态融合

本文从技术能力、产业生态、AI 融合、信创国产化以及全球趋势五个维度,系统阐述了PostgreSQL为何能够成为 AI 时代的首选数据库。PostgreSQL凭借其全面均衡的技术能力(“六边形战士”)、开放的扩展生态、成熟的企业级特性,以及在向量检索、时序数据、地理信息等新兴领域的快速跟进,成功应对了 AI 时代多样化的数据管理需求。2025 年发生在PostgreSQL生态中的数起大规模收购(Databricks收购Neon与Snowflake收购)进一步印证了其在开源数据库领域的事实标准地位。

Wang的专栏 438

【清风数学建模笔记】第十一讲:时间序列分析

【清风数学建模笔记】第十一讲:时间序列分析

manerzi的博客 835

AI时代首先数据库-PostgreSQL实战笔记 | 01 :AI时代为什么必须学PostgreSQL?

这是《PostgreSQL 实战进阶笔记》系列的第一篇。在这个系列里,我们不只讲 SQL 语法,更要深入进程架构、MVCC、WAL、索引优化,直到用 pgvector 构建 AI 向量搜索。而这一切,从回答一个问题开始:AI 时代,为什么 PostgreSQL 值得你投入时间?

源码获取 | 运行部署 | 定制二开修改,如果回复不及时请耐心等待,请见谅。 536

Revit二次开发——不启动Revit,做rvt文件数据导出

Revit二次开发——不启动Revit,做rvt文件数据导出Node.js部分调用C#端供外部调用的dllC#部分调用RevitNet.dll,做数据导出exe做外部调用dll总结功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 N

Y.Jerome的专栏 4113

在claude code desktop中安装pdf处理skill的实战教程

本文介绍了在Claude Code Desktop中安装PDF处理Skill的详细教程。针对国内用户使用第三方API时无法直接调用官方插件的问题,提供了完整的解决方案。教程从下载Anthropic官方Skills源码开始,逐步演示了如何将PDF处理模块打包、上传至Claude Code Desktop,并最终成功加载使用。整个过程采用全流程拆解方式,确保新手也能快速上手。通过本文,读者可以掌握在非官方环境下扩展Claude Code功能的方法,从而提升工作效率

weixin_43178406的博客 9万+

AI-Agent时代:SQL与向量数据库的相关学习笔记

fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;SQL 生态结构化数据精确查询/聚合/Join向量数据相似度检索 ANN统一答案AI 应用 RAG 与 ChatBISQL 管 “确定性的精确世界”,向量检索管 “模糊的语义世界”。智能应用两者都要 —— 先用向量找 “相关”,再用 SQL 做 “精确过滤、聚合、权限控制”。

Jqz2005523的博客 208

R语言机器学习算法实战系列(十五)随机森林生存预后模型+SHAP值 (Random Survival Forest + SHAP)

本教程运用随机森林生存分析筛选与患者生存状态显著相关特征。该方法借随机森林这一强大机器学习算法,构建多棵决策树并集成结果,以提高生存分析准确性,识别关键生物标志物。接着,利用选定特征构建风险得分,将多个特征转化为单一数值,量化患者风险水平。之后,依据风险得分将患者分为高、低风险亚型,为临床治疗提供个性化指导。最后,通过分析时间依赖的 ROC 曲线评估模型长期预测能力。此曲线计算不同阈值下的真正例率与假正例率,在多个时间点评估,全面展现模型长期稳定性与准确性。。并且增加了SHAP值评估特征重要性

专注生信领域 2630

2026趋势解读:为什么国内大厂纷纷弃坑MySQL,转投PostgreSQL?

经历过LAMP时代的开发者都清楚,MySQL曾长期垄断国内互联网开源数据库市场,是中小项目、互联网业务的首选。越来越多国内头部大厂,开始放弃深度绑定MySQL,全面押注PostgreSQL。这并非跟风炒作,而是架构迭代、业务升级、信创需求、版权风险多重因素下的理性技术选型。本文全方位拆解这场数据库阵营更替的底层逻辑,帮你吃透当下主流数据库选型思路。从DB-Engines长期趋势可以看出:PostgreSQL热度持续暴涨,MySQL市场份额逐年下滑,阵营更替已成定局。初创期。

IT枫斗者的博客 231

C#操作MySQL从入门到精通(1)——安装MySQL数据库

我们使用C#操作MySQL数据库第一步要做的就是安装MySQL数据库,本文就是详细讲解如何安装MySQL数据库。

qq_34059233的博客 965

基于STM32的多功能旅行箱_329

随着智能硬件技术的不断发展,智能化产品逐渐渗透到日常生活的各个领域。旅行箱作为出行必需的工具,其传统功能已无法满足现代用户的需求,尤其是在安全性、便捷性和智能交互方面。为了解决这一问题,本设计基于STM32单片机开发了一款多功能智能旅行箱,集成了移动防盗报警、语音寻箱、GPS定位、称重检测、手势控制和蓝牙通信等多项功能。通过STM32F103RCT6主控芯片与HC-05蓝牙模块进行通信,结合海凌科V20语音识别模块、ATGM336H-5N GPS模块和HX711称重模块,提供了全方位的智能化体验。

485

大厂纷纷押注 PostgreSQL?它背后究竟有什么优势

PostgreSQL 凭借其开源、稳定、功能强大的特性,已成为国产数据库创新的首选技术底座。国内多家头部科技企业纷纷基于 PostgreSQL 深度定制,打造出满足自身业务需求的分布式、云原生或 HTAP 数据库系统。

2402_89042144的博客 1851

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

有了开源的 MySQL,为什么还要选择 PostgreSQL?

PostgreSQL 与 MySQL 并非简单的谁更好,而是谁更适合。对于追求长期演进、复杂数据模型和强一致性的系统,PostgreSQL 是更坚实的基础;而对于快速上线、读多写少的 Web 应用,MySQL 依然是高效之选。而国产数据库的崛起,正是站在 PostgreSQL 的肩膀上,走出了一条自主创新之路。

stone_tmp的博客 549

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

PostgreSQL这么多优势,为什么还要使用MySQL?

国产数据库创新首选PostgreSQL技术底座,腾讯、阿里、华为等头部企业基于其深度定制分布式和云原生数据库。相比MySQL,PostgreSQL优势显著:1)支持丰富数据类型(数组、范围等);2)具备独立序列对象;3)拥有强大扩展生态;4)提供完善监控工具;5)复制机制更可靠;6)完全开源透明;7)MVCC实现更优。MySQL则在简单部署、读性能、Web生态方面保持优势。两者各有所长,PostgreSQL更适合作长期演进的复杂系统基础,而MySQL仍是快速上线Web应用的高效选择。国产数据库正依托Post

2501_94505843的博客 775

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Salestrics开源解读:MCP协议与CRM融合,打造AI原生数据层

AI要真正驱动业务增长,前提是能像人类一样读取并操作企业数据。传统CRM集成依赖API、ETL和定制SDK,接口标准各异,形成数据孤岛,AI难以高效接入。MCP协议(Model Context Protocol)的出现,为AI与软件系统之间提供了类似USB-C的标准化接口,让AI客户端能自动发现并调用数据资源与工具。当CRM以MCP server形式存在时,业务数据便成为AI原生可操作的对象,AI可实时查询客户、更新商机、跟进任务,真正成为销售团队的一员。这种模式不仅降低集成成本,更催生了'AI-nativ

weixin_34279184的博客 324

AI Agent如何安全访问数据库:工具链、实战与边界治理

数据库访问是后端系统的核心基石,传统开发中SQL编写与数据权限边界相对稳定。随着AI Agent的兴起,自然语言直接驱动数据库查询成为现实需求,但大模型生成的SQL不可控,数据安全与工具链复杂度随之上升。工具调用是AI Agent与外部数据交互的桥梁,它让大模型具备感知、规划与行动能力,但如何构建可靠的数据库访问边界成为工程关键。通过最小权限账号、查询白名单、超时限制与审计日志等实践,可以在AI Agent与业务数据库之间建立安全可控的链路。这类能力广泛应用于RAG智能问答、数据分析、业务系统自然语言交互等

weixin_34121282的博客 587

PostgreSQL这么多优势,为什么还要使用MySQL

PostgreSQL成为国产数据库创新首选技术底座,相比MySQL具有显著优势:数据类型更丰富、支持独立序列、扩展生态完善、监控工具丰富、复制机制可靠、开源更彻底、MVCC实现更优。MySQL虽在读性能、部署简易性等方面仍有优势,但PostgreSQL在复杂场景、长期演进方面表现更佳。国产数据库基于PostgreSQL深度定制,正是看中其作为坚实技术基础的能力,为自主创新提供了可靠支撑。两种数据库各有适用场景,选择需根据具体需求权衡。

xh2277659985的博客 906

LangGraph:用有向无环图重构AI工作流的工程化底座

AI工作流已从简单问答演进为多角色协同、外部工具调用、状态持久化与动态分支的复杂系统。传统线性Chain缺乏容错与分支能力,ReAct Agent则因LLM自由决策导致不可控、难审计。LangGraph以DAG(有向无环图)保障流程拓扑安全,以强类型State Machine实现状态可信与编译时校验,将‘流程如何流转’与‘当前走到哪’彻底解耦。其原生支持Chat Models适配与Tools标准化集成,使重试、降级、人工审核等生产级需求可声明式定义。典型应用于智能客服、报销审批、跨模型投研等需高可靠性与可观

weixin_30721077的博客 361

pentagi:基于PostgreSQL的自托管多代理AI平台核心架构与部署实践

随着大语言模型应用不断深化,AI代理(Agent)成为自动化复杂任务的关键技术。传统代理框架常将对话历史保存在内存中,任务结束或进程重启后上下文即丢失,且难以追踪和检索,限制了长期运行与审计需求。将PostgreSQL作为系统核心记忆中枢,结合pgvector向量检索与pgai扩展,为多代理协作提供了结构化、可查询、可回溯的解决方案。这种架构不仅统一存储对话状态与任务记录,还能通过语义检索动态注入相关上下文,显著提升多步骤任务的处理效率与透明度,尤其适合本地化部署、私有数据处理以及AI基础设施选型等场景。本

weixin_29053577的博客 224

PostgreSQL有这么多优势,为什么还要使用MySQL?

PostgreSQL 与 MySQL 并非简单的谁更好,而是谁更适合。对于追求长期演进、复杂数据模型和强一致性的系统,PostgreSQL 是更坚实的基础;而对于快速上线、读多写少的 Web 应用,MySQL 依然是高效之选。而国产数据库的崛起,正是站在 PostgreSQL 的肩膀上,走出了一条自主创新之路。

程序员高级码农的博客 600

AllData数据中台2026年度技术直播深度解读:数据采集-开发-治理-AI应用全链路闭环与国产信创适配

> 本文依据 [wiki/2026-Community-Meetup.md](https://link.gitcode.com/i/6498daf01f4face84622c43ca20ff062) 中记录的 2026 年 4 月 30 日 AllData(AIIData)数据中台年度技术直播分享会议纪要整理而成。文章以会议披露的公开信息为主体脉络,结合当前开源仓库的模块结构、部署脚本与前端 AP

gitblog_00689的博客 207

从GPGPU到国产算力底座:海光深算系列三代演进与工程实践解读

通用并行计算处理器(GPGPU)因其兼顾科学计算与AI训练的特性,正成为超算与智算融合的关键硬件基础。在Transformer等大模型对显存容量与卡间通信带宽提出极高要求的背景下,国产加速卡如何在架构与生态上实现突围?海光深算系列从一号到三号的迭代,给出了务实路径:以兼容ROCm开源生态降低开发者迁移成本,逐步补齐编译器、算子库与多卡互联能力。文章结合真实部署经验,从CUDA到HIP的无感迁移、混合精度调优、集群显存规划等角度,剖析深算系列在HPC与AI场景中的技术价值与落地要点,为正在评估国产算力或计划迁

weixin_34245749的博客 424
上一篇: AI Agent 从无到有77:基础认知、核心框架与多智能体实战全景
下一篇: PostgreSQL笔记2: AI时代的首选数据库——从六边形战士到生态融合
Wang's Blog
博客等级 码龄12年 7441粉丝 2427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

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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