【案例共创】华为开发者空间云开发环境 x DeepSeek打造全链路高效数据分析工作流

一. 概述

1. 案例介绍

在当今这个数字经济时代,数据无疑成为企业最核心的资产之一。面对激烈的市场竞争,企业若想精准决策,迅速响应市场变化,就必须依赖高效的数据分析能力。数据分析不仅能够帮助企业洞察市场趋势、预测消费者行为,更可以优化运营效率,降低成本,提升企业的整体竞争力。

本案例通过华为开发者空间云开发环境和DeepSeek打造全链路高效数据分析工作流,帮助开发者和企业在数据驱动的道路上走得更快、更稳。

华为开发者空间是为全球开发者打造的专属开发者空间,致力于为每位开发者提供一台云主机、一套开发工具和云上存储空间,汇聚昇腾、鸿蒙、鲲鹏、GaussDB、欧拉等华为各项根技术的开发工具资源,并提供配套案例指导开发者从开发编码到应用调测,基于华为根技术生态高效便捷的知识学习、技术体验、应用创新。

2. 适用对象

  • 企业
  • 个人开发者
  • 高校学生

3. 案例时间

本案例总时长预计90分钟。

4. 案例流程

说明:

  1. 用户进入华为开发者空间云开发环境;
  2. 通过CLI工具连接云开发环境;
  3. 安装ollama并启动本地推理模型DeepSeek;
  4. 结合Python中丰富的三方库、MySQL、DeepSeek,从数据采集、清洗、建模到可视化展示,构建全链路数据分析工作流。

5. 资源总览

本案例预计花费0元。

资源名称规格单价(元)时长(分钟)
华为开发者空间 - 云开发环境鲲鹏通用计算增强型 kc1 | 2vCPUs | 4G | HCE免费90

二. 云开发环境及开发工具准备

2.1 云开发环境

本案例中,使用华为云《开发者空间云开发环境使用指导》的“三、PC端创建和管理云开发环境”章节完成cli工具安装、环境配置、创建云开发环境、开机、建立隧道连接的功能。

2.2 开发工具准备

本案例中,使用华为云《本地CodeArts IDE基于华为开发者空间云开发环境完成小游戏开发》的“三.本地IDE直连云开发环境完成上传下载”章节完成本地IDE连接远程开发环境。

三. 部署DeepSeek大模型

3.1 下载安装ollama

输入以下命令下载ollama:

curl -fsSL https://dtse-mirrors.obs.cn-north-4.myhuaweicloud.com/case/0035/install.sh | sudo bash

下载完毕之后我们可以借助 Ollama 工具来部署 Deepseek 大模型,部署 deepseek-r1:1.5b 版本,如果硬件支撑可以部署更高效的模型,执行命令:

ollama run deepseek-r1:1.5b

3.2 部署测试模型

以上我们就部署完了,可以尝试输入prompt来测试效果:

通过以下命令,可以查看olloama开放的本地端口:

sudo netstat -tunlp

那么接下来我们可以打开CodeArt IDE for Python,对端口进行通信,完成这一步之后我们可以开始尝试构建智能体。

我们知道 ollama serve 默认监听地址为 http://localhost:11434 ,首先下载requests库:

pip install requests

新建DataAnalysis/src文件夹,用于存放项目源码,src下新建文件main.py:

import requests
def chat_with_ollama(prompt, model="deepseek-r1:1.5b"):
    url = "http://localhost:11434/api/generate"
    headers = {
        "Content-Type": "application/json"
    }
    data = {
        "model": model,
        "prompt": prompt,
        "stream": False # 关闭流式返回,适合简单测试
    }
    try:
        response = requests.post(url, json=data, headers=headers)
        response.raise_for_status()
        result = response.json()
        print("模型回复:", result["response"])
    except requests.exceptions.RequestException as e:
        print("请求出错:", e)
    except Exception as e:
        print("其他错误:", e)

if __name__ == "__main__":
    test_prompt = "你好"
    chat_with_ollama(test_prompt)

我们进入DataAnalysis/src文件夹下,执行python代码:

cd DataAnalysis/src

python main.py

如何能获取到大模型输出,说明我们之前的过程都没有问题:

四. 数据分析工作流项目工程介绍及运行

我们下一步就可以开始全链路高效数据分析工作流搭建了,开始之前,我们首先看下整个项目的目录结构:

4.1 创建项目虚拟环境

因为业务场景的Python开发,多数都是构建一个大型应用程序,并且不希望各种组件的各种版本之间相互冲突,所以需要设置一个虚拟环境。

先需要更新下载源。执行如下命令:

sudo yum -y update
sudo yum -y upgrade

安装virtualenv:

pip3 install virtualenv  -i https://repo.huaweicloud.com/repository/pypi/simple/

创建虚拟环境:

python3 -m venv myenv 

激活环境:

source myenv/bin/activate 

环境激活后,用户名前会有(myenv)字样,如上图所示。

4.2 安装依赖并配置模型

安装依赖之前,更新pip:

python3 -m pip install --upgrade pip -i https://repo.huaweicloud.com/repository/pypi/simple/

使用pip3依次安装pandas、sqlalchemy、pymysql、python-dotenv、requests、matplotlib、plotly模块:

pip3 install pandas==2.2.2 -i https://repo.huaweicloud.com/repository/pypi/simple/

pip3 install sqlalchemy==2.0.32 -i https://repo.huaweicloud.com/repository/pypi/simple/

pip3 install pymysql==1.1.1 -i https://repo.huaweicloud.com/repository/pypi/simple/


pip3 install python-dotenv==1.0.1 -i https://repo.huaweicloud.com/repository/pypi/simple/

pip3 install requests==2.32.3 -i https://repo.huaweicloud.com/repository/pypi/simple/

pip3 install matplotlib==3.9.0 -i https://repo.huaweicloud.com/repository/pypi/simple/

pip3 install plotly==5.23.0 -i https://repo.huaweicloud.com/repository/pypi/simple/

启动本地推理模型:

ollama pull deepseek-r1:1.5b

本地模型配置:

在DataAnalysis目录下,新建.env文件:

LLM_PROVIDER=ollama
LLM_HOST=http://localhost:11434
LLM_MODEL=deepseek-r1:1.5b

4.3 文本预处理(Text Cleaning & 信息抽取)

进行数据清洗及信息抽取,格式化输出数据,便于模型调用。

4.3.1 代码:src/data_cleaning.py

data_cleaning.py:用于数据清洗及信息抽取,便于模型调用。

import os, re, json, requests
from typing import List, Dict, Any
from dotenv import load_dotenv
from typing import Optional, Union

load_dotenv()

class LLMClient:
    def __init__(self):
        self.provider = os.getenv("LLM_PROVIDER", "ollama")
        self.host = os.getenv("LLM_HOST", "http://localhost:11434")
        self.model = os.getenv("LLM_MODEL", "deepseek-r1:1.5b")
        self.api_key = os.getenv("LLM_API_KEY", "")

    def generate(self, prompt: str) -> str:
        if self.provider == "ollama":
            resp = requests.post(f"{self.host}/api/generate", json={
                "model": self.model, "prompt": prompt, "stream": False
            })
            resp.raise_for_status()
            return resp.json().get("response", "").strip()

        else:
            raise ValueError(f"Unsupported LLM provider: {self.provider}")


class DataCleaningAgent:
    def __init__(self, llm: Optional[LLMClient] = None):
        self.llm = llm or LLMClient()

    @staticmethod
    def clean_text(text: str) -> str:
        text = re.sub(r"<[^>]+>", " ", text) # 去HTML
        text = re.sub(r"\s+", " ", text) # 合并空白
        text = re.sub(r"[^\w\s\u4e00-\u9fa5@::,,。.\-—/()()]+", " ", text) # 去特殊符
        return text.strip()

    def extract_fields(self, text: str, instruction: str) -> Dict[str, Any]:
        """
        instruction 示例:
        从文本中提取公司名称(company)、联系人(contact)、电话(phone)。返回JSON,如:
        {"company": "...", "contact": "...", "phone": "..."}
        """
        prompt = f"""你是信息抽取助手。请严格输出JSON。

        文本:{text}

        任务:{instruction}
        
        注意: 
        1. 只输出一个JSON对象,不要输出多余文字。
        2. 缺失字段请用null。
        """

        raw = self.llm.generate(prompt)

        return parse_llm_json_response(raw)
        # try:
        #     return json.loads(raw)
        # except Exception:
        #     # LLM 偶发输出非纯JSON,兜底提取
        #     m = re.search(r"\{.*\}", raw, re.S)
        #     return json.loads(m.group(0)) if m else {"_raw": raw}

    def batch_process(self, samples: List[str], instruction: str) -> List[Dict[str,Any]]:
        out = []
        for s in samples:
            cleaned = self.clean_text(s)
            extracted = self.extract_fields(cleaned, instruction)
            out.append({"original": s, "cleaned": cleaned, "extracted": extracted})
        return out




def parse_llm_json_response(raw: str) -> Dict[str, Any]:
    """
    解析 LLM 生成的 JSON 响应,带有强大的错误处理和回退机制
    
    Args:
        raw: LLM 生成的原始响应字符串
        
    Returns:
        解析后的 JSON 字典,或包含原始响应的字典
    """
    # 首先尝试直接解析
    try:
        return json.loads(raw)
    except json.JSONDecodeError:
        # 如果直接解析失败,尝试提取可能的 JSON 部分
        pass
    
    # 使用更精确的正则表达式匹配 JSON 对象
    # 改进1: 非贪婪匹配,匹配第一个{到最后一个}之间的内容
    # 改进2: 处理可能的嵌套结构
    json_pattern = r"\{.*\}"
    match = re.search(json_pattern, raw, re.DOTALL)
    
    if match:
        try:
            return json.loads(match.group())
        except json.JSONDecodeError:
            # 如果提取的内容仍然不是有效 JSON,尝试清理内容
            cleaned_json = clean_json_string(match.group())
            try:
                return json.loads(cleaned_json)
            except json.JSONDecodeError:
                # 最终回退
                pass
    
    # 如果所有尝试都失败,返回原始文本
    return {"_raw": raw, "_error": "Failed to parse JSON response"}

def clean_json_string(json_str: str) -> str:
    """
    清理 JSON 字符串,尝试修复常见问题
    
    Args:
        json_str: 需要清理的 JSON 字符串
        
    Returns:
        清理后的 JSON 字符串
    """
    # 移除尾随逗号(在最后一个元素后)
    cleaned = re.sub(r',\s*}', '}', json_str)
    cleaned = re.sub(r',\s*]', ']', cleaned)
    
    # 修复单引号(JSON 标准要求双引号)
    cleaned = re.sub(r"'([^']*)'", r'"\1"', cleaned)
    
    # 移除注释(JSON 不支持注释)
    cleaned = re.sub(r'//.*?$', '', cleaned, flags=re.MULTILINE)
    cleaned = re.sub(r'/\*.*?\*/', '', cleaned, flags=re.DOTALL)
    
    return cleaned

4.3.2 运行脚本:src/preprocess.py

preprocess.py:数据清洗及信息抽取的执行类,输出清洗后的格式化数据。

import json, os
from pathlib import Path
from data_cleaning import DataCleaningAgent
ROOT = Path(__file__).resolve().parents[2]
RAW_DIR = ROOT / "data" / "raw"
PROC_DIR = ROOT / "data" / "processed"
PROC_DIR.mkdir(parents=True, exist_ok=True)

def read_raw_samples():
    files = sorted(RAW_DIR.glob("*.txt"))
    if not files:
        # 内置两条示例,避免“无数据就跑不起来
        return [
            "联系人:张三,联系电话:123456789,公司:江西省招标有限公司",
            "地址:南昌市东湖区,北京华为技术有限公司;联系人王五,电话:13800001234"
        ]
    samples = []
    for f in files:
        samples.append(f.read_text(encoding="utf-8"))
    return samples

if __name__ == "__main__":
    agent = DataCleaningAgent()
    samples = read_raw_samples()
    instruction = "请提取company(公司名称)、contact(联系人)、phone(电话)。返回JSON。"
    results = agent.batch_process(samples, instruction)
    # 写入两个文件,便于排查与复用
    with open(PROC_DIR / "cleaned.jsonl", "w", encoding="utf-8") as fw1, \
        open(PROC_DIR / "extracted.jsonl", "w", encoding="utf-8") as fw2:
        for r in results:
            fw1.write(json.dumps({"original": r["original"], "cleaned": r["cleaned"]},ensure_ascii=False) + "\n")
            fw2.write(json.dumps(r["extracted"], ensure_ascii=False) + "\n")
    print(f"已输出:{PROC_DIR/'cleaned.jsonl'} 与 {PROC_DIR/'extracted.jsonl'}")

激活python虚拟环境,进入DataAnalysis/src 目录下,执行python文件。

依次执行以下命令:

source myenv/bin/activate 

cd DataAnalysis/

cd src

python preprocess.py

执行成功后,在/home/developer/data/processed目录下生成cleaned.json1和extracted.json1文件,数据清理并提取json数据。

4.4 Text2SQL(自然语言 → SQL → 结果)

自然语言转换成SQL语句,使用SQL语句查询MySQL数据库,返回查询结果。

4.4.1 安装MySQL

更新系统软件包:

sudo yum update

sudo yum upgrade -y

安装MySQL服务器:

sudo yum install mysql-server -y

启动并设置开机自启:

sudo systemctl start mysqld

sudo systemctl enable mysqld

验证 MySQL 运行状态:

sudo systemctl status mysqld

显示 active (running) 则表示成功启动。

安装nano:

sudo yum install nano

先创建目录,再配置MySQL:

sudo mkdir -p /etc/mysql/mysql.conf.d

sudo nano /etc/mysql/mysql.conf.d/mysqld.cnf
[mysqld]
bind-address = 0.0.0.0 # 允许远程连接(生产环境建议注释或设置为服务器IP)
port = 3306
character-set-server = utf8mb4 # 字符集设置
collation-server = utf8mb4_unicode_ci
innodb_buffer_pool_size = 1G # 内存分配(根据服务器总内存调整)
max_connections = 200 # 最大连接数

按下Ctrl+x,再按下Y保存,最后按下Enter键,退出编辑状态。

重启MySQL:

sudo systemctl restart mysqld

使用root用户登录:

sudo mysql -u root

创建数据库和用户:

SELECT VERSION();
SHOW DATABASES;
CREATE DATABASE mydatabase CHARACTER SET utf8mb4;
CREATE USER '用户名'@'localhost' IDENTIFIED BY '密码';
GRANT ALL PRIVILEGES ON mydatabase.* TO '用户名'@'localhost';
FLUSH PRIVILEGES;
EXIT;

注意:用户名和密码要替换成您自己的。

数据库配置:

在DataAnalysis目录下.env文件中,添加数据库配置:

LLM_PROVIDER=ollama
LLM_HOST=http://localhost:11434
LLM_MODEL=deepseek-r1:1.5b

DB_URL=mysql+pymysql://用户名:密码@localhost:3306/mydatabase

注意:用户名和密码要替换成您自己的。

4.4.2 准备演示数据

在data目录下,创建sales.csv文件:

product_name,year,sales_amount,region
产品A,2023,15000000,华东
产品B,2023,12000000,华南
产品C,2023,11000000,华北
产品D,2022, 8000000,华东
4.4.3 代码:src/text2sql.py

text2sql.py:自然语言转换成SQL语句。

import os, sqlite3, pandas as pd, requests
from sqlalchemy import create_engine, text
from dotenv import load_dotenv
load_dotenv()

class SQLRunner:
    def __init__(self, db_url: str):
        self.engine = create_engine(db_url)
    def exec(self, sql: str) -> pd.DataFrame:
        with self.engine.connect() as conn:
            return pd.read_sql_query(text(sql), conn)
    def init_from_csv(self, csv_path: str, table_name: str = "sales"):
        df = pd.read_csv(csv_path)
        with self.engine.connect() as conn:
            df.to_sql(table_name, conn, if_exists="replace", index=False)

class NL2SQLAgent:
    def __init__(self, schema_hint: str = "", provider=None, host=None, model=None,api_key=None):
        self.schema_hint = schema_hint
        self.provider = provider or os.getenv("LLM_PROVIDER", "ollama")
        self.host = host or os.getenv("LLM_HOST", "http://localhost:11434")
        self.model = model or os.getenv("LLM_MODEL", "deepseek-r1:1.5b")
        self.api_key = api_key or os.getenv("LLM_API_KEY", "")

    def _ask(self, prompt: str) -> str:
        if self.provider == "ollama":
            r = requests.post(f"{self.host}/api/generate", json={"model": self.model, "prompt": prompt, "stream": False})
            r.raise_for_status()
            return r.json().get("response", "")
        else:
            # 以 DashScope 为例,其它厂商同理
            headers = {"Authorization": f"Bearer {self.api_key}","Content-Type": "application/json"}
            r = requests.post(f"{self.host}/chat/completions", headers=headers, json={"model": self.model, "messages":[{"role":"user","content":prompt}]})
            r.raise_for_status()
            return r.json()["choices"][0]["message"]["content"]

    def generate_sql(self, question: str) -> str:
        prompt = f"""你是SQL生成助手。根据以下数据库结构和问题,生成可在对应数据库上直接执行的SQL。

        只返回SQL,不要任何解释或注释。
        [数据库结构]{self.schema_hint}
        [问题]{question}
        """

        sql = self._ask(prompt).strip().strip("```").replace("sql", "")
        return sql
4.4.4 运行脚本:src/text2sql_demo.py

text2sql_demo.py:自然语言转换成SQL语句的执行类,输出转换后的SQL语句并操作MySQL数据库。

import os
import re
from pathlib import Path
from dotenv import load_dotenv
from text2sql import SQLRunner, NL2SQLAgent
load_dotenv()
ROOT = Path(__file__).resolve().parents[2]

if __name__ == "__main__":
    db_url = os.getenv("DB_URL", "mysql+pymysql://用户名:密码@localhost:3306/mydatabase")
    csv_path = ROOT / "data" / "sales.csv"
    # 1) 初始化数据库与示例表
    runner = SQLRunner(db_url)
    runner.init_from_csv(str(csv_path), table_name="sales")
    # 2) 提供 schema_hint(强烈建议绑定到你企业真实数据字典)
    schema = """CREATE TABLE sales (product_name TEXT,year INTEGER,sales_amount INTEGER,region TEXT);"""
    agent = NL2SQLAgent(schema_hint=schema)

    # 3) 自然语言问题
    q = "查找2023年所有销售额超过1000万的产品,并按销售额降序排列"
    sql = agent.generate_sql(q)

    # 使用 split() 方法分割字符串,以 "</think>" 为分隔符,并取最后一部分
    parts = sql.split("</think>")
    # 提取最后一部分并去除首尾空格
    real_sql = parts[-1].strip()
    print("生成的SQL:\n", real_sql.strip())

    # 4) 执行与结果
    df = runner.exec(real_sql.strip())
    print("\n查询结果:\n", df.to_string(index=False).strip())


注意:DB_URL中的用户名和密码要替换成您自己的用户名和密码。

安装cryptography库:

pip3 install cryptography -i https://repo.huaweicloud.com/repository/pypi/simple/

进入DataAnalysis/src 目录下,执行python文件。

依次执行以下命令:

cd DataAnalysis/

cd src

python text2sql_demo.py

生成了SQL语句,并根据SQL语句查询了数据库,返回了查询结果。

4.5 可视化智能体(Visualization Agent)

可视化智能体是一种能够分析数据、生成见解并通过可视化方式呈现结果的智能系统。结合 Pandas 进行数据处理和Matplotlib/Seaborn/Plotly 进行可视化,可以构建一个基础的智能体框架。也可以将DataFrame 交给大模型智能体,让它根据数据内容决定可视化方式,并自动生成图表代码(如用 matplotlib/ plotly / seaborn)。这种做法本质上就是构建一个 DataFrame 可视化智能体(Visualization Agent),它能够结合数据结构、字段含义与任务需求,为用户自动设计图表并呈现。具体实现逻辑很简单:DataFrame → LLM → 图表自动生成。

4.5.1 代码:src/viz.py

viz.py:数据分析与可视化。

import pandas as pd
import matplotlib.pyplot as plt

class VizAgent:
    
    def __init__(self, df: pd.DataFrame):
        self.df = df

    def bar(self, x: str, y: str, title: str = ""):
        plt.figure()
        self.df.plot(kind="bar", x=x, y=y, title=title)
        plt.savefig('bar1.png')

    def line(self, x: str, y: str, title: str = ""):
        plt.figure()
        self.df.plot(kind="line", x=x, y=y, marker="o", title=title)
        plt.savefig('line.png')


    def topk(self, y: str, k: int = 10):
        plt.figure()
        self.df.nlargest(k, y).plot(kind="bar", x=self.df.columns[0], y=y, title=f"Top-{k} by {y}")
        plt.savefig('bar2.png')

4.5.2 运行脚本:src/viz_demo.py

viz_demo:数据分析与可视化的执行类,调用viz.py中的方法,生成可视化图表。

import os
from dotenv import load_dotenv
from text2sql import SQLRunner
from viz import VizAgent

load_dotenv()
if __name__ == "__main__":
    db_url = os.getenv("DB_URL", "mysql+pymysql://用户名:密码@localhost:3306/mydatabase")
    runner = SQLRunner(db_url)

    # 直接查询或接前一节 NL2SQL 的 df
    df = runner.exec("SELECT product_name, sales_amount FROM sales WHERE year=2023 ORDER BY sales_amount DESC;")
    VizAgent(df).bar(x="product_name", y="sales_amount", title="2023 product sales bar chart")

注意:DB_URL中的用户名和密码要替换成您自己的用户名和密码。

进入DataAnalysis/src 目录下,执行python文件。

python viz_demo.py 

执行成功后,在src目录下生成bar1.png图片。

下载到本地打开:

至此,华为开发者空间云开发环境 x DeepSeek打造全链路高效数据分析工作流的案例已全部完成。

相关推荐

鸿蒙案例上新啦 | 购物、听歌、健身:15个模板带你一键激活社交娱乐

页面层级如何组织、跨页共享状态如何同步、列表与详情及个人中心如何形成稳定闭环。鸿蒙开发实践中心将这些高频消费与互动场景沉淀为可参考的标准模板,提供从业务架构到界面实现的快捷实践入口。更多实战案例欢迎前往鸿蒙开发实践中心案例中心查看并开启云端体验。

华为云官方博客 383

鸿蒙案例上新啦 | 出门打车、到家上课:25个模板带你一屏打通日常生活

如何合理拆分页面组件、如何建立单一可信的状态源、如何让用户在每一步操作中都获得明确反馈。鸿蒙开发实践中心以标准化的应用与元服务模板为入口,将清晰的业务架构与可复用的代码结构直观呈现。不妨立即挑选一个感兴趣的方向进入云端环境,从页面布局、组件封装、状态管理到路由组织,亲手跑通你的鸿蒙实战项目。

华为云官方博客 357

LakeAgent:DWS数据仓库的第二大脑,告别 “翻译式运维”,迈入智能自治时代

和普通 SQL 改写工具不同,LakeAgent 自动做多方案代价对比,主动规避负优化陷阱:补充分区键过滤实现剪枝,扫描分区由 37 收敛至 1,执行代价从 758.28 降至 113.74;未来的数据仓库,将不止能算、能存,更能看懂自己、诊断自己、理解自己。长久以来,数仓的智能都依附于人:信号需要人解读,瓶颈需要人研判,经验困在个体里,无法随底座永续生长。CPU 高、CPU 告警、CPU 诊断、CPU 使用率过高、CPU 满。语法、错误码、计费、性能调优、最佳实践、故障处置等全场景内容。

华为云官方博客 579

如何使用RDS Supabase后端BaaS能力:文件存储(File Storage)

• product-images(公开桶,允许公共读取):策略名称"Public read for product-images",允许SELECT,目标角色anon,策略定义bucket_id = 'product-images'。上传/删除需另配INSERT/DELETE策略,详见SQL。• product-specs(私有桶,仅认证用户访问自己的文件夹):建议拆为上传、读取、删除三条策略,策略定义均为 bucket_id = 'product-specs' 且仅限本人文件夹(详见下文 SQL)。

华为云官方博客 499

如何使用RDS Supabase后端BaaS能力:实时订阅与推送(Realtime)

Realtime 把数据库的每次变更同步到客户端:表里增、删、改一行,订阅者无需刷新页面或主动请求即可秒级收到。三大能力各司其职:• Postgres Changes — 监听表的 INSERT/UPDATE/DELETE,变化即通知• Broadcast — 客户端之间直接互发,适合瞬时通知、协同编辑• Presence — 跟踪频道里“谁在线”典型场景有实时数据展示(订单、库存、监控指标即时刷新)、即时通讯(消息收发、在线名单、“对方正在输入”)、协同编辑与实时通知。

华为云官方博客 489

AI Agent如何通过MCP连接到华为云RDS Supabase应用平台

Schema元数据列出所有可访问的表(按schema分组)。Schema元数据列出表的列及元数据(类型/默认值/约束)。Schema元数据列出所有约束(PK/FK/UNIQUE/CHECK/EXCLUDE)。可按schema/表/类型过滤。Schema元数据列出所有外键关系。可按schema/表过滤。Schema元数据列出所有索引及定义和大小。可按schema/表过滤。Schema元数据列出已应用的数据库迁移记录。Schema元数据列出已安装的PostgreSQL扩展。

华为云官方博客 492

华为大数据Flink让每一 CU 算力,跑出开源 5.74 倍的性能

1. 开源Apache Flink 已成为业界流计算事实标准,但在极端重负载场景下存在性能瓶颈。2. 华为大数据Flink通过多项自研深度优化,在执行计划、算子执行、状态存储三个层面构建协同的优化体系。3. Nexmark Benchmark 测试结果:整体性能提升 5.74 倍,极端重负载场景性能领先最高 18.3 倍。4. 100% 兼容 Apache Flink 1.20,业务代码零改造,无缝迁移。

华为云官方博客 396

LakeAgent实战 | 业务分析篇从一句提问到业务分析

本文以“订单金额变化”分析为例,展示LakeAgent如何通过自然语言提问,结合DataArtsStudio的数据资产与专业技能,帮助业务人员快速定位数据、生成SQL、追踪血缘、生成报告。从问题出发,逐步实现数据发现、变化洞察、原因追溯与团队协作,最终形成可复用的分析流程与企业规则,显著提升数据分析效率与一致性。

华为云官方博客 405

华为云RDS Supabase AI应用已开放公测 :30分钟搭建AI应用后端

认证、存储、实时推送、数据库API——4个后端模块,传统开发需要数周。今天,你只需要30分钟。AI创业公司的全栈开发工程师。上周老板说"下周要上线的AI对话应用,后端你来搞"——认证鉴权、数据库接口、文件存储、实时推送,每一个模块都需要数周搭建,而市场不会等你。小张打开华为云RDS Supabase,30分钟搭好认证、数据库API、对象存储,剩下的时间全用来打磨AI交互体验。基于开源Supabase+华为云RDS PostgreSQL全托管能力,为开发者提供。

华为云官方博客 411

如何使用RDS Supabase后端BaaS能力:数据库函数(Database Function)

上一篇介绍了 Database Data API——建表即自动生成增删改查接口,解决单表读写,但聚合统计、跨表事务、字段自动维护等逻辑已超出其能力边界。本篇推进到数据库函数(Database Function):把业务逻辑封装进数据库,前端通过 .rpc() 调用,由触发器自动响应数据变更。上一篇中,小张基于 Data API 完成了产品目录的建表与基础读写。但新需求随之而来:按分类统计产品数与价格区间、上架新品同时写产品表与定价表、产品修改后自动刷新更新时间。

华为云官方博客 477

如何使用RDS Supabase后端BaaS能力:创表即生成API(Database Data API)

认证、存储、实时推送、数据库API——4个后端模块,传统开发要数周。本系列逐个拆解,首篇聚焦数据库API(Database Data API):建表即得 API,无需手写后端。小张,AI创业公司的全栈工程师。老板让他做个产品目录页,展示产品与价格、支持上下架。传统做法要搭后端、写接口、配权限,工期少说1-2周;而在华为云RDS Supabase,建两张表、应用 SDK 直连,几分钟增删改查全跑通。

华为云官方博客 489

从一句话到一个能出去的链接,AI开发者空间做了什么

自行搭建的 Agent、正在使用的开源项目、团队既有的工具,都可以接入,可以通过AI创建或者手动搭建环境;华为云 AI开发者空间——面向开发者的云端一站式开发平台,做的就是把这段路接上:环境免安装,浏览器打开即为完整的 Linux 运行环境,预置的 AI 智能体开箱即用。第一个任务建议选能出结果的:做一个游戏、生成一个页面、创建一台实例,从需求走到可访问的链接,一次就能看清这个环境在做什么。沙箱是一个完整的 Linux 环境,依赖、服务、端口都是真实的,不是模拟。环境释放后,权限随之失效。

华为云官方博客 435

华为云码道配置自定义大模型,四种方式完整实操

案例介绍。

华为云官方博客 652

图数据库:实现穿透式监管的数据基座

穿透式监管标志着国企监管从“管企业”向“管资本”转型过程中的关键一跃。而图数据库正是这一跃的技术支点。从股权穿透到资金链穿透,从供应链穿透到数据穿透,华为GES图数据库正在将“穿透式监管”从理念变为可落地、可操作的实践。无论是天眼查式的全量链路查询,还是某集团财经的税务规则判断,抑或是芯片供应链式的部件风险分析,乃至通过Palantir构建决策知识图谱,其底层逻辑都是一致的——用图的力量,穿透一切形式的“隔离层”,直抵风险本质与责任核心。

华为云官方博客 671

《公共云三十问》正式收官,奔赴企业AI百场景新征程

今年6月底,公共云产业联盟重点推出《公共云三十问》专栏,以每周三问的节奏,连载十周,解读《先进公共云》白皮书,分享国计民生系列案例,旨在凝聚共识、推动落地实践。同时,专栏分析公共云在产业升级、民生福祉、科技创新、全球发展等方面的作用,梳理中国特色公共云发展路径:以普惠云拓展用云广度,以智算云提升用云深度,以自主云夯实用云厚度,以全球云打开用云跨度。这十问从专属云、行业云切入,深入政务、金融、交通、电力、钢铁、化工、油气、制造等国计民生场景,回答公共云“怎么用”。

华为云官方博客 476

开发者小技巧|IAM配置,让码道代码智能体连续30天免登录

案例介绍。

华为云官方博客 652

码道深度对接CodeArts,让需求自动落地为代码

案例介绍。

华为云官方博客 725

【公共云三十问 之三十】拥抱AI,企业如何建设面向智能体的专属云?

企业可分阶段建设覆盖开发、运行、运营及安全的一体化智能体平台——从构建一站式、高低码协同的智能体开发平台,到打造高性能、极致弹性的运行时环境,再到搭建AgentOps驱动的持续运营与运维体系,同时构建端到端、多层次的全链路安全防护体系。在数据湖建设方面,遵循“存量复用、平滑演进、AI导向、分步迭代”原则,分三阶段推进——打造AI多模数据湖核心能力、完成存算分离与统一元数据管理、实现闭环赋能全面支撑智能体规模化落地,在保护既有投资的前提下将传统数据平台转型为AI数据专属供给平台。

华为云官方博客 826

【公共云三十问 之二十九】国计民生之制造:制造云如何重塑数智时代的新质生产力?

平台打通软件交付的完整路径,覆盖需求管理、代码托管、代码检查、编译构建、制品仓库、部署、测试等关键环节,支持大模型能力融入研发全流程,实现从需求到交付的端到端管理。通过构建“研发一朵云”,方案打破地域与组织壁垒,实现跨团队协同开发,有效缩短软件交付周期,助力工业制造企业从“传统研发”走向“敏捷研发”,加速数智化转型进程。当制造云真正成为数据流通的平台、AI创新的底座,公共云的社会价值将从基础设施层向生产场景层持续延伸,为新型工业化建设和制造强国战略注入源源不断的动力,重塑数智时代的中国制造新质生产力。

华为云官方博客 797

告别重复手工迁仓,码道MCP+Skill实现仓库批量迁移

案例介绍。

华为云官方博客 794

【公共云三十问 之二十八】国计民生之油气:智算云如何叩响数智时代的“地心蓝金”?

西南油气田以“向地球深部要资源”为战略方向,联合以华为云Stack为代表的公共云服务商共同打造统一算力底座,建设西南区域数据湖与通用技术平台,构建“勘探开发工程技术、天然气生产过程管控、天然气产运储销”等三个一体化协同应用场景,支撑油气勘探、开发生产、管输储运等全业务链的数智化转型。当智算云真正成为数据流通的平台、AI创新的底座,油气田得以将算力效能、数据价值与智能技术深度融入勘探开发全链条,将“看不见的算力”转化为“摸得着的储量”,以智能化手段持续降低勘探风险、缩短发现周期、提高采收效率,确保生产安全。

华为云官方博客 613

【公共云三十问 之二十七】国计民生之化工:数智云如何重塑传统化工新范式?

在架构方面,方案构建云边协同的统一体系,涵盖AI协同、数据协同与运营协同三大维度——总部集中训练大模型,边缘节点负责推理执行,云边持续迭代,实现“边用边学”的智能闭环,模型平均精度提升20%以上。此外,方案提供一站式企业级工业物联网平台、数据湖与数据治理平台,覆盖工业数据分析“采、存、算、管、用”全流程,打通生产现场与管理系统间的数据壁垒,有效消除数据孤岛。层面,方案充分发挥软硬协同优势,实现计算、存储、网络与云平台的深度协同,训练线性度超95%,为大模型训练推理提供强劲算力支撑。▲化工“数智”新模式。

华为云官方博客 666

【公共云三十问 之二十六】国计民生之钢铁:数智云如何淬炼中国钢铁新力量?

同时,构建云边端协同的统一架构,支撑集团总部与各生产基地两级协同发展——总部集中训练大模型,边缘节点负责推理执行,云边持续迭代,实现训推一体化的资源调度与高效协同,为钢铁行业的数智化转型构建了坚实的算力底座。层面,方案构建覆盖“工业数采→边缘IT/OT融合→统一数据湖→数据治理平台→数据应用”全链路的一站式数据治理与流通平台,打通生产现场与管理系统间的数据壁垒,让数据“采得到、流得动、用得好”,加速数据价值从生产现场向经营决策层流动释放。湘潭钢铁集团的钢铁数智云,是钢铁工业智能云建设的标杆案例。

华为云官方博客 526

LakeWatch——MRS 智能运维Agent

从资源池、队列、作业等多个维度,对集群CPU与内存资源进行精细化分析与对比,直观呈现不同时间段的空闲、满载等使用状态,识别资源浪费,指导治理优化,为扩缩容决策提供数据支撑。对HDFS存储进行多维度深度分析(目录、用户、用户组等),涵盖使用量、增量、文件大小分布及数据热度等指标,帮助快速识别增长较快的目录、长期未访问的文件,统计目录文件数量与小文件占比,评估HDFS总存储量与扩缩容需求,为存储治理与资源规划提供全面数据支撑。Agent主动巡检,识别异常趋势并提前预警,让运维从"事后处理"转向"事前预防"。

华为云官方博客 517

华为云专题文档发布:丰富的AI案例、选型指导和概念解读

发布 “云服务选型”、“云计算概念”专题,提供云服务选型指导,助您选择匹配业务的云服务,解读云计算相关概念,开启云上学习之路。开发者工具和文档专区上线,提供从学习、实践到反馈的全链路支持。帮助中心新增100余篇AI案例。

华为云官方博客 286

一个人,也能用AI做点“星东西”

华为云星耀创想者大赛-2026华为云OPC创意大赛等你来~

华为云官方博客 293

从需求到可执行工作项:MCP+Skill 让智能体规划真正落地

回顾整个体验,以前让智能体帮我拆需求,它是洋洋洒洒给我列了一大篇 Markdown,看着挺像那么回事,但最后还是得我一条条往 CodeArts Req 里搬,搬完再手动挂父子关系、排日期,拆需求五分钟,搬运两小时。现在好了,MCP 给智能体接上了"手",Skill 给它装上了"项目经理的脑子",一句话下去,34 个工作项连带排期、层级关系全给我建好了,甘特图一拉,齐刷刷都在两周内,节省了多少工作量啊,美滋滋。本次实操在码道代码智能体基础上,构建了一套"需求→可执行工作项"的自动化规划方案。

华为云官方博客 579

华为云码道「码力续航计划」更新!

✅上新GLM‑5.3‑Flash,高速响应,代码生成、工程解析、Agent调试高效输出。新增GLM‑5.3‑Flash福利模型,每日解锁1000万免费Tokens。● 本次活动共发放总量价值100万元Tokens,发完即止!把耗算力的编码重活,交给华为云码道代码智能体🚀🚀。● 每日额度准时刷新,当日清零、次日满血重置。✅复杂算法、大项目解析、批量代码生成随便跑。✅不用抠额度、不用算消耗,放开调试大胆迭代。✅无需额外操作,登录即送,直接切换模型使用。● 把算力交给码道,让撸码不再内耗👏🏻。

华为云官方博客 698

【公共云三十问 之二十四】国计民生之交通:交通云如何铺就数智通衢新坦途?

交通行业作为支撑实体经济的关键基础设施,涵盖公路、铁路、机场、港口、地铁等众多子领域,其中,公路网络作为综合交通运输体系的基础骨架,承担着全国超过70%的客货运量,其数字化、智能化转型的需求尤为迫切。方面,提供Agent开发框架、知识库管理、RAG工程、意图识别、静态应用编排及模型评测等能力,支持客户将行业知识、业务流程与AI能力深度融合,快速构建面向收费稽核、路网调度、应急处置等场景的智能应用。开发并实现落地应用,全面覆盖建设、管理、养护、运营、服务、安全、办公七大业务领域。

华为云官方博客 466

【公共云三十问 之二十五】国计民生之电力:电力云如何点亮数智电力新引擎?

方案构建了覆盖数据获取、质量评估到标准化处理的全链路能力。基于公共云服务商智算底座及气象大模型,通过时空图神经网络重新建模产流机制,中国华电建成超50TB多源融合数据集,突破时空建模与机理融合等五大关键技术,短期径流预测精度较传统机理模型提升5个百分点以上,实现15天中期径流预测精度超85%,推理效率达秒级。基于气象大模型的基础架构与预训练能力,客户可直接在大模型之上开展增量训练与微调,充分利用场站所在区域的高精度历史数据(如3公里、1公里分辨率),针对不同场站和区域的地形地貌与气候特征进行模型调优。

华为云官方博客 382
上一篇: 华为云HCSD走进南京大学AI技术素养课,校企共育复合型人才
下一篇: 邀请函 | G-Star Gathering Day 成都站:AI全栈技术探索之旅
华为云开发者联盟
华为云开发者联盟 企业官方账号 企业官方账号
博客等级 码龄10年 72万+粉丝 5985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