Beginning PostgreSQL on the Cloud读书笔记 (1) DBaaS简介

DBAssit.jar 在学习黑马程序员提供的Spring教学视频《Spring和springMVC详细示例精通视频》时,发现视频中老师使用的DBAssit.jar工具包没有共享出来,而根据视频学习的过程中又非常需要这个工具包,我在网上搜了百度、谷歌、码云,也联系过黑马程序员的客服,都没能得到这个DBAssit。在GitHub找到了一个不完整的DBAssit,然后在其基础上一边看视频一边补全代码,最终实现了视频中所需要的所有功能,并将其打包成jar文件,且将jar文件和源码一同分享到优快云 ——ChongqingWangYu 立即下载

在这里插入图片描述

第一章,介绍云上数据库

  • What Is Database as a Service?
  • 所谓的DBasS其实就是SaaS的一个子集,只不过第一个S变成了DB,DB毕竟是Software的一种,相比于IaaS,由于不需要用户再去手动的去部署,管理硬件,所以极大的降低了运营的成本.
  • DBaaS简化了部署和测试环节,并且提供了企业级别的故障转移机制和均衡负载,并提供弹性的扩缩容

企业需要什么样的数据库

  • 安全,不能别随便访问
  • 够快的性能
  • 可靠,冗余,持久的数据存储,也就是不能够丢数据
  • 可能在地理上是分布的
  • 没有单点失效,也就是不能某个节点挂了,整个服务也跟着挂了
  • 能够被整合进现有的系统,那不然我搞这个干啥?
  • 有个良好的社区文化,遇到问题有人求助

接下来分别讲一讲以上要求:

安全

  • 通过严格的用户权限来显示访问权限,保证数据不会被误删
  • 数据的传输必须使用SSL来保证加密
  • 加密的存储卷

高性能

  • Postgresql通过设置shared_buffers,work_mem,autovacuum来调节数据库的性能
  • 但是是DBaaS中,可以通过算法和性能监控,自动设置相关参数
  • 而且可以使用SSD来提升性能

可靠性

  • 传统部署到裸机上的数据库可能在硬件出问题的时候挂掉
  • 部署到IaaS上的时候,虽然硬件不会出现问题,但是不如DBaaS便捷
  • 生产环境下,DBaaS只需要点击几下即可以回到之间的时间点,省时省力

异地分布

  • 由于云供应商在全世界都由机房,所以要在异地建立一个新的数据库和在本地没有区别

没有单点故障

  • 路由器,交换机,磁盘,内存,甚至是代码本身都有可能造成单点故障的发生
  • DBaaS则可以提供充分的冗余来保证服务

整合,集成

  • 不需要修改或者少量修改之前的代码,就能够把以前的数据迁移到DBaaS

DBaaS的特点

自动供给

  • 传统方式中,安装操作系统,磁盘分区,安装,配置数据库,访问控制,建立用户等等,需要耗费好几天的时间
  • 在DBaaS中,这些都是自动执行的!!!

管理

  • DBaaS还能提供数据库的监控信息,而且通过API,你可以将数据库的监控信息轻松的集成到其他应用中

高可用

  • 由于云的存在,通过配置均衡负载和冗余节点,使得高可用相对简单许多

伸缩

  • 同上,轻松实现伸缩

Google cloud, AWS,AZURE都提供DBaaS,选一个你觉得合适的就好.

解决windows10下无法安装.net framework 3.5(包括.net2.0和3.0) 入域电脑,win10系统中安装 .net framework 3.5(包括.net2.0和3.0) 阅读详情

相关推荐

SDR实战(四)-AD9361使用手册(三)

本节定义了并行数据端口和串行外设接口(SPI),它们使得AD9361与基带处理器(BBP)之间能够传输数据和控制/状态信息。图63展示了这些接口,并提供了AD9361和BBP在宽带无线系统中使用方式的高级概述。数据接口以两种模式之一运行:兼容标准CMOS模式或兼容低压差分信号(LVDS)模式。每个接口都具有以下部分描述的独特特性。使用CMOS模式时:保持了单端-CMOS逻辑兼容性。可以使用一个或两个数据端口。使用两个端口可以提高数据吞吐量。

hutx0924的博客 6249

强大的JDBC操作组件DBASS1.0发布第一个预览版

  DBASS 是一个使用泛型技术的一系列 JDBC 工具类库。它参考了 Commons DBUtils 的实现。加入了一个通用的 DAO ,提供了不错的 JDBC 操作 API (类似于 Spring 的 JDBCTemplate ),包括通用的多数据库支持的分页查询方案等等。也提供了一个非常简单易用的基于注解的事务管理方案。至于为什么要重新发明这个轮子。这是因为 Commons DBUtil...

sunarrow 2244

Axial Attention 和 Criss-Cross Attention及其代码实现

Axial Attention 和 Criss-Cross Attention及其代码实现 ​ 文章目录Axial Attention 和 Criss-Cross Attention及其代码实现1 Criss - Cross Attention介绍1.1 引言1.2 理论实现1.2.1 获取权重A1.2.2 Affinity操作1.3.3 全部信息获取1.3 代码实现1.3.1 官方实现1.3.2 纯pytorch实现2 Axial Attention 介绍2.1 引言2.2 理论实现2.3 代码实现2.3

fzl的博客 2万+

DBA还是一份好工作吗?

以下文章来源于非法加冯 ,作者冯若航 蚂蚁金服有过一个自嘲的段子:能干翻支付宝的,除了监管就是DBA了。 数字时代,数据是很多企业的核心资产,对于互联网/软件服务类企业更是如此。而负责保管这些数据资产的人,就是DBA(数据库管理员)。 想象一下所有账户余额和联系人全部丢失的场景,尽管发生概率微乎其微,即使是支付宝与微信,如果出现无法恢复的核心库删库事件,恐怕也只能吃不了兜着走了。 缘从何起? 软件吃世界,开源吃软件,云吞噬开源 很久很久以前,开发软件/信息服务需要使用非常昂贵的商业数据.

PostgreSQL China 3581

MD01和MD01N比较

摘要:MD01(传统MRP)与MD01N(MRP Live)是SAP系统不同版本的物料需求计划事务码。核心差异包括:MD01N取消MRP列表、简化计划规则、合并MPS/MRP操作、采用BAdI技术等,体现S/4HANA平台简化、标准化和智能化的演进方向。MD01N通过优化参数配置、增强筛选功能、利用HANA实时计算能力,实现了更高效的物料计划流程,代表了新一代计划引擎的技术革新。

SAP_LES_COM的博客 893

SAP ABAP ALV表格实战:5分钟搞定单元格下拉框配置(附完整代码)

本文详细介绍了在SAP ABAP开发中如何快速配置ALV表格的单元格下拉框功能,通过5分钟实战教程帮助开发者掌握关键步骤。文章包含完整的ABAP代码示例,涵盖下拉值定义、字段目录配置及ALV控件绑定等核心操作,特别适合需要实现财务系统费用类型选择或采购系统物料分类等场景的开发者参考。

weixin_28331555的博客 112

TiDB Operator + Amazon Web Service,探索云原生数据库的最佳实践

作者介绍: 王天宜,TiDB Community 架构师。曾就职于 Fidelity Investment,Softbank Investment,拥有丰富的数据库高可用方案设计经验,对 TiDB、Oracle、PostgreSQL、MySQL 等数据库的高可用架构与数据库生态有深入研究。 如今数据库上云这一话题受到越来越多的关注,数据库作为重要的基础软件,在云原生时代将面临怎样的变革?当数据库遇上云原生,又将碰撞出什么火花?近日,在亚马逊云开发者 Meetup 上,TiDB Community 架构师.

TiDB_PingCAP 的博客 609

JLink版本不兼容?手把手教你解决APM32F003F6P6在Keil中烧写闪退和报错

本文详细解析了APM32F003F6P6在Keil中烧写闪退和报错的解决方案,重点介绍了JLink版本兼容性问题。通过实测不同版本组合,推荐使用JLink 7.20a或6.86b与Keil 5.25的黄金组合,并提供详细的降级驱动和工程配置步骤,帮助开发者高效解决烧写困境。

weixin_33694620的博客 419

自定义JDBC框架

自定义JDBC框架 连接数据库的工具类(数据源): DBCPUtils: package com.heima.utils; import java.awt.image.DataBuffer; import java.io.IOException; import java.io.InputStream; import java.sql.Connection; import java.sql.

hongcaixia的博客 1465

STM32F103跑LVGL,用DMA加速刷屏,800*480大屏也能丝滑

本文详细介绍了如何在STM32F103芯片上通过DMA加速和内存优化,实现800*480大屏的LVGL流畅运行。通过FSMC+DMA硬件架构优化、双缓冲机制和LVGL参数调优,显著提升了界面刷新率和响应速度,适用于嵌入式GUI开发中的高性能需求场景。

weixin_30357231的博客 378

Open3D 三维重建-Delaunay Triangulation (德劳内三角剖分)

德劳内三角剖分(Delaunay Triangulation)是一种用于从一组点生成三角形网格的算法。它的特点是使得生成的三角形尽量接近等边三角形,即最大化最小角度,避免生成细长的三角形。

纵马踏花向自由 2505

Beginning PostgreSQL on the Cloud读书笔记 (2) PostgreSql的架构和配置

接着上一篇文章对DBaaS的介绍,这一次介绍Postgresql的基本情况. PostgreSQL is the world’s most advanced Open Source database. 而mysql是最流行的开源数据库,事实证明,确实postgresql是要强大许多的. 可移植性 由ANSI C开发,高性能并且可以在windows,mac,linux,unix上运行 可靠 ...

lyncode的博客 198

MATLAB与ROS联合仿真——实例程序搭建思路

MATLAB与ROS联合仿真——实例程序搭建思路

慕羽★的博客 5229

DBAssit 源码

在学习黑马程序员提供的Spring教学视频《Spring和springMVC详细示例精通视频》时,发现视频中老师使用的DBAssit.jar工具包没有共享出来,而根据视频学习的过程中又非常需要这个工具包,我在网上搜了百度、谷歌、码云,也联系过黑马程序员的客服,都没能得到这个DBAssit。在GitHub找到了一个不完整的DBAssit,然后在其基础上一边看视频一边补全代码,最终实现了视频中所需要的...

zahur的博客 1303

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

基于容器的金融数据库云平台DBaaS设计实践分享

  本文根据曾玉成老师在2018年5月11日【第九届中国数据库技术大会(DTCC2018)】现场演讲内容整理而成。    讲师介绍:   中国银联资深数据库...

couxuan4263的博客 374

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

数据库——DBAS生命周期详解(项目规划、需求分析、系统设计、实现与部署、运行管理与维护)

DBAS(data base application system)的生命周期由: 项目规划、需求分析、系统设计、实现与部署、运行管理与维护 等5个基本活动组成 T-SQL是什么? T-SQL(Transact-SQL)是一种由微软公司发行的SQL语言方言,是Microsoft SQL Server关系数据库管理系统的核心组成部分。T-SQL是SQL标准规范的扩展实现,包括对存储过程、触发器、函数等关系型数据库所支持的特殊对象和特征进行了扩展和增强,支持事务处理和错误处理等特性。

Pan_peter的博客 7283

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。

EloqCloud for EloqDoc:成本降低 10 倍的文档数据库 DBaSS 服务

由于每个 EBS 卷在每个计算节点上维护三个副本,一个标准的三节点副本集最终会拥有总共九个存储副本,导致过度的存储开销和成本。**EloqCloud for EloqDoc 利用对象存储作为其主要数据层,并使用本地 NVMe SSD 进行缓存,** 与依赖多个副本和基于 EBS 存储的 MongoDB Atlas 相比,实现了显著的成本节约。通过用云对象存储替代 EBS,EloqDoc 将存储费用降低了高达 10 倍,同时提供内置的跨可用区持久性 —— 且无需额外的复制开销。

cagscshs的博客 525

DBaaS 专业架构:不止是数据库大集合,而是一场优美的“数据交响曲”

本文以一张DBaaS架构图为切入点,探讨了现代数据库即服务架构的设计理念与实现路径。文章将复杂架构比作城市地铁线路图,揭示了其背后的逻辑秩序。重点分析了三层核心设计:入口层的API网关与托管服务作为"门禁+管家"、中间层的多模数据库引擎与中间件构成"数据杂货铺"、底层贯穿始终的安全/备份/监控系统。通过电商订单和社交平台推荐等场景,展示了数据如何在多模数据库间高效流动。同时指出该架构在带来研发便利和运维自动化的同时,也面临分布式事务、学习成本等挑战。最终强调优秀架构应

weixin_39495005的博客 388

mysql性能优化-云服务与数据库即服务(DBaaS)优化

云服务(Cloud Service)通过虚拟化技术提供了灵活的计算资源,按需分配且弹性伸缩。弹性伸缩:根据业务需求,用户可以动态调整计算资源的规模。按需计费:用户仅为实际使用的资源付费,减少了固定成本。自动化管理:云服务提供了自动化的备份、监控等管理功能,简化了运维。

Flying_Fish_roe的博客 1505

什么是云数据库?小白快速理解

云数据库的讲解与特性说明,简单快速了解什么是云数据库!

syw_s的博客 1144

postgresql架构图(重要,不断更新,协作)

上图是postgresql的总体架构图,下边是图中几个主要模块的功能简述,希望研究相应模块的同学给出模块的功能简介。 Postmaster:它主要负责在客户端第一次发送请求给服务器的时候建立一个服务器断进程。也就是上图中的Listener。(至今未发现postgresql中有listener,因此本图中的listener应该就是每一个客户端对应的服务器...

weixin_30706507的博客 684

DBaaS体系及特性

用户对云计算的交付能力已经不再满足于单纯的基础设施(IaaS)交付,他们希望数据中心中的更多传统IT 服务能以云服务模式进行交付,其中最为迫切的就是数据库。将数据库以云服务模式交付给用户,就是数据库即服务——DBaaS,也称云数据库。 传统数据库管理面临诸多挑战是DBaaS兴起的驱动力,概括起来有以下几个方面: 资源利用率低:与服务器虚拟化的情形相似,传统IT烟囱式部署架构,不仅导致应

刘燕娜 7654

oracle (DBaaS) 服务介绍

转https://oracle-base.com/articles/vm/oracle-cloud-database-as-a-service-dbaas-create-service?utm_source=tuicool&utm_medium=referral Oracle Cloud : Database as a Service (DBaaS) - Create...

weixin_33711647的博客 1184

DBaas

随着技术的高速发展,数据库自动化程度越来越高,上百个数据库都可以整合成为一个容器数据库进行管理,维护工作量大幅减少,维护难度也大大的降低;内存技术让数据库的性能迅猛增强。数据库的运维和调优是DBA最基本的两项工作,而新一代的数据库技术将把这两项工作弱化,取而代之以数据库即服务(DBaaS)模式,把更多的工作交给服务商来进行。那么未来DBA价值究竟体现在哪? 在过去的几年里,DBA的角色已

csdnhadoop的博客 2300

直播 | DBaaS在金融生产环境的落地实践

分享时间:4月17日 20:30分享主题:DBaaS在金融生产环境的落地实践分享人介绍:鲍琳,富麦科技产品架构师,中国银联DBaaS项目架构师。分享摘要:本次技术分享内容主要包含DBaaS平台概念的解释,DBaaS平台在客户生产环境落地的探索历程。在金融行业客户生产环境落地DBaaS时遇到的困难和解决的方法。在管理有状态服务时有哪些特殊的管理特性,以及在金融客户生产环境中真实的案例分析和经验分享

Docker的专栏 389

177.Agent-LangGraph-MCP的构成说明

MCP架构通过MCP主机、客户端与服务器的协同,实现工具、资源与提示词的统一管理。MCP服务器提供Tools、Resources、Prompts能力,MCP客户端则负责发现、调用与读取,使Agent可按需获取上下文。其核心在于将工具从Agent中抽离,封装为可复用的服务,提升灵活性与可维护性,推动AI应用高效协作。

计算机王的博客 313
上一篇: 消息队列NSQ探索(1) quick start
下一篇: Beginning PostgreSQL on the Cloud读书笔记 (2) PostgreSql的架构和配置
留意您
博客等级 码龄7年 0粉丝 11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