只是甲-优快云博客

原创本体工程十五讲 | 第 1 篇：「本体」这三个字，至少有三个人在说三件事

本文通过“为GMV建本体”实验，揭示三派对“本体”的不同理解：形式本体派（知识图谱）追求公理推理与机器可验证；操作型本体派（如Palantir）强调动作闭环与权限统一；语义层派（数仓/指标平台）聚焦口径一致的查询。三者目标、产物、变更成本迥异，却共用“本体”一词，导致选型混乱。作者提出判据：“能否转化为校验规则或编译决策”，并解释为何本系列不走完备OWL路线——工程实践仅保留“显式+形式化”，以最小声明集实现90%错误拦截，兼顾可落地性。

2026-10-24 20:21:28 337

原创用了两周 WorkBuddy，我把免费算力和「对话搭系统」的坑都踩了一遍（附 12 本保姆级笔记）

WorkBuddy 这类桌面智能体，核心价值不是「又一个聊天框」，而是把免费算力和自动化真正用起来。我这套笔记就是帮大家少踩坑、快上手。如果这篇对你有用，欢迎。后面我会继续更效率工具和 AI 落地的实战笔记。有问题评论区见，我看到都会回。原创内容，转载请注明出处与作者「只是甲」。本资料为个人经验整理，非腾讯官方文档，与官方无合作关系。

2026-07-09 21:10:31 632

原创 AI Agent 科普十二讲 | 第 02 讲：第零代 Agent：被困在对话框里的超级大脑

本篇解决什么问题：2022 年末横空出世的 ChatGPT 惊艳了什么、又卡在哪，为什么说它的两个结构性缺陷定义了此后四年所有修补的方向。前置讲次：第 01 讲（行动闭环与三样装备）。读完你将得到：看懂"静态知识 + 幻觉"与"无行动闭环"两大缺陷的成因，以及第一批泡沫"提示词工程师"从年薪百万到蒸发的全过程。

2026-10-26 21:00:00 517

原创 AI Agent 科普十二讲 | 第 01 讲：什么是 AI Agent——从聊天框到数字员工

本篇解决什么问题：用一句话讲清 AI Agent（智能体）到底是什么，它和"陪 ChatGPT 聊天"的分水岭在哪里。前置讲次：无。本讲是全系列入口，末尾附十二讲总导读。读完你将得到：一把区分"聊天产品"与"干活产品"的标尺，以及 Agent 行业四年五代的时间线地图。

2026-10-25 21:00:00 646

原创本体工程十五讲 | 第 3 篇：最小可行本体——五类要素，一类都不能少

参考实现把五要素摊成六个 YAML 文件，一个业务域一份，全部在本体建模调研/reference-impl/ontology/目录下（源：05 §二；ontology/domain.yaml 域身份：trade、dialects[duckdb,postgres,mysql]、tz Asia/Shanghaiobjects.yaml 6 对象：order / refund / customer / region / product / order_item。

2026-10-24 20:23:56 322

原创本体工程十五讲 | 第 2 篇：知识表示的载体谱系——从三元组到 YAML 字段

ontology2sql 里对应的机制是。

2026-10-24 20:22:49 301

原创 Text2SQL 系列博客 10：落地路径与避坑指南 - 从 PoC 到全公司推广

根据行业调研，70% 的 ChatBI 项目最终失败。❌ 一上来就铺全公司❌ 业务同学不接受❌ 数据准确率不达标❌ 缺乏持续运营✅ 从 PoC 到试点，再到扩展✅ 小步快跑，快速迭代✅ 业务同学深度参与✅ 数据团队持续运营核心认知ChatBI 不是"项目"，而是"持续运营的产品"。ChatBI 项目落地的 5 个阶段PoC 验证（4-8 周）：验证技术可行性和业务价值试点落地（2-3 月）：单业务线试点，培养种子用户扩展应用（3-6 月）：扩展业务线和用户全面推广。

2026-09-27 20:52:57 214

原创 Text2SQL 系列博客 08：4 步选型法（下）- 评估打分与最终决策

上一篇我们讲了明确场景和定义标准，这一篇讲评估打分和最终决策。核心问题候选项目有 5 个，怎么客观对比？评估结果出来后，怎么做最终决策？这一篇我会给你一套实战可用的评估和决策方法。第 3 步：评估打分用加权评分表量化对比用雷达图直观识别优劣势多人打分避免主观偏差第 4 步：最终决策不能只看总分，要综合考量必须做 PoC 验证大公司优先考虑组合方案5 大决策考量加权评分排名风险评估结果团队实际能力实施成本未来扩展性核心认知评分是参考，决策要综合考虑。

2026-09-27 20:52:01 302

原创 Text2SQL 系列博客 09：不同场景下的选型推荐矩阵 - 10+ 场景精准推荐

第 7、8 篇我们讲了通用的选型方法，但很多同学反馈：“方法论我懂了，但还是不知道选哪个，能不能直接告诉我？这篇博客，我就针对 10+ 个具体场景，给出明确推荐。场景化推荐是参考，不是教条。具体决策还要结合你的实际情况。按团队规模：微型团队选 Vanna/WrenAI，中型选 SuperSonic/DB-GPT，大型选 SuperSonic + DB-GPT 组合。按业务场景业务自助 → SuperSonic/WrenAI数据团队升级 → DB-GPT客服系统 → Vanna/Chat2DB。

2026-09-27 18:44:19 361

原创 Text2SQL 系列博客 07：4 步选型法（上）- 场景与标准的定义

反面案例错误 1：领导拍脑袋"听说 DB-GPT 火，就用它吧。错误 2：技术负责人随便选"Vanna 看着简单，先跑起来再说。错误 3：业务同学被拉来试用"这个好像不太行，换一个。结果：3 个月过去了，工具换了 3 个，一个都没真正落地。正面案例某大型企业：- 第 1 月：用方法论明确场景- 第 2 月：基于标准评估 5 个项目- 第 3 月：选定 SuperSonic + DB-GPT 组合- 第 4-6 月：试点落地- 第 7-12 月：推广到全公司。

2026-09-27 18:42:37 360

原创 Text2SQL 系列博客 06：GenBI vs Headless BI - 两条 ChatBI 路线的深度对决

调研 ChatBI 项目时，我发现一个有趣的现象——主流项目分成了两个明显对立的阵营阵营 1：Headless BI 派├── SQLBOT└── 强调：先把数据治理好，AI 只是消费语义层的工具阵营 2：GenBI 派├── WrenAI├── 部分 Chat2DB 功能└── 强调：AI 不仅查数，还主动生成可视化 + 给出洞察这两条路线不是简单的技术差异，而是对"ChatBI 应该是什么样"这个根本问题的不同回答。理解这两条路线，对你的选型至关重要。和GenBI。

2026-09-27 18:38:57 360

原创 Text2SQL 系列博客 05：DB-GPT 深度剖析 - 全栈 AI 数据应用开发框架，Agentic 玩家的最爱

DB-GPT 不是一个 Text2SQL 工具，它是一个 AI 原生数据应用的操作系统。✅AWEL 编排：让 Agent 应用开发像搭积木✅生态丰富：ChatBI / Excel / 知识库 / 微调一应俱全✅私有化能力完整：金融、政府、大型企业会把它放进候选名单✅：支持复杂任务编排最大适用场景Python 技术栈团队 + 私有化部署 + 复杂 Agent 应用 + 需要模型微调如果你要的不只是"查数"，而是想构建一整套 AI 数据应用生态，那 DB-GPT 是国内最成熟的开源选择之一。

2026-09-22 13:43:22 140

原创只会做选择题的Jev，为什么概率反而可信——原理拆解与官方SDK实测

最近两周，一个"不会写字"的 AI 模型在外网刷屏：TypeSafe AI 发布的 Jev，据中文媒体转述，上线三天有十几万人排队注册。它不生成一个字，只会回答你预先设定好的选择题、判断题和打分题——但恰恰是这种"残缺"，让它输出的概率第一次变得可以直接写进 if/else。这篇讲三件事：它的原理为什么成立、官方 SDK 实测跑出来什么结果、以及工程上怎么把概率变成决策。所有实测数据都是作者本人 2026-09-20 跑出来的，外部事实标注了来源与核实状态。

2026-09-20 12:02:50 360

原创 Text2SQL 系列博客 04：SuperSonic 深度剖析 - 腾讯音乐开源，把 Headless BI + Chat BI 玩明白了

模型名称：订单分析主表：dwd_order维度：时间、渠道、地域、用户分群指标：GMV、订单数、用户数、复购率权限规则：财务部门只能看汇总数据SuperSonic 作为腾讯音乐开源的 ChatBI 平台，它的核心价值不是"又多了一个 Text2SQL 工具"，而是把"语义治理"这件事真正做成了产品✅ Headless BI 架构，让语义层成为根基✅ Schema Mapper + Corrector，解决大模型幻觉✅ S2SQL 抽象，解耦业务语义和物理表。

2026-09-14 12:38:44 311

原创 # 程序员爸爸的B站自制视频全流程：Playwright 实机录屏 + edge-tts 配音 + ffmpeg 一键合成

不会剪辑、不想出镜、配音还要求播音的朋友。我的做法是：把整个视频生产做成一条纯代码流水线——脚本(JSON) ──> 自动化实机录屏 ──┐├─> edge-tts 旁白 ──┼──> ffmpeg 合成 ──> 成片.mp4 + 字幕.srt + 封面.jpg├─> numpy 合成BGM ──┤└─> HTML卡片截图 ───┘全程零手动剪辑，改一行文案重跑脚本就出新片。我已经用这条流水线产出了两支播放视频（工程分别 4:54 和 4:40），本文把完整方法、代码骨架和踩过的坑全部写出来。

2026-09-04 12:23:21 370

原创《魔法学院救援记》游戏介绍

一个一年级孩子爸爸亲手做的语文 / 数学 / 英语 RPG 冒险游戏。买一次，陪孩子从一年级用到三年级，持续免费更新。

2026-09-01 21:24:48 185

原创我给刚上一年级的儿子做了个游戏，准备陪他更新到六年级

定 29.9，不是拍脑袋。它比一杯网红奶茶贵一点，但比任何一门直播课便宜两个数量级。对家长来说，这是一个"试错成本极低"的决定：29.9 买断、离线、无广告、还能看学习报告，怎么都不亏。我也想过定更高。但回到出发点——我做它是为了我儿子，顺便分享给同样焦虑的家长。定低价，是把"信任"放在"暴利"前面。靠持续更新和口碑复购，比一次性收割更长久。做这个游戏的过程，比我写过的很多业务系统都开心。它不完美，题目还在扩充，二年级三年级的内容还在路上。但它真实、离线、干净，而且——我儿子真的在玩，也真的在学。

2026-09-01 21:10:09 209

原创 Text2SQL 系列博客 03：企业语义治理 - ChatBI 落地的核心难题

ChatBI 项目在 Demo 阶段几乎完美，进入生产环境后频繁翻车。阶段表现用户感受Demo 阶段“最近 7 天 GMV” 秒出图表“AI 真的来了！生产第 1 周数据基本准确“效果不错”生产第 1 个月数据开始不一致“这数字对吗？生产第 3 个月业务同学不敢用“还是问数据团队吧”这个过程叫做"ChatBI 信任崩塌曲线"。[截图位置 1：ChatBI 信任崩塌曲线图，横轴是时间，纵轴是用户信任度]为什么会这样？

2026-08-31 20:12:25 209

原创 100亿 Token 烧出来的血泪经验：两个月重度使用大模型后的实战总结

模型选择要匹配任务难度，不是越贵越好，也不是越省越好。AI 的能力边界要心里有数，它能加速，但兜底的永远是你自己的判断和流程。工具和流程的投入是值得的——测试、Review、版本管理、成本监控，这些看起来是"额外负担"，实则是让你敢放手用 AI 的底气。Skills 这类封装能力要选对场景，别为了封装而封装。模型能力在飞速进化，两个月前的"做不到"可能今天已经"轻松搞定"，别拿旧经验框住新模型。策略要跟着模型一起迭代，梯队划分、任务分级、Prompt 写法，没有什么是定论。

2026-08-30 12:04:36 350

原创 Text2SQL 系列博客 02：技术原理深度剖析 - 从自然语言到 SQL 的完整链路

你可能会问：作为 Text2SQL 的使用者，我为什么要懂技术原理？✅ 准确判断一个 Text2SQL 项目的技术深度✅ 在选型时不被营销话术忽悠✅ 在落地时知道哪些坑可以避开✅ 在出问题时知道排查方向这篇博客，我会从最底层的技术原理讲起，把 Text2SQL 的完整链路拆解给你看。意图识别是判断用户想要做什么的第一步。从用户问题中提取出结构化的查询条件。Schema Linking 是把业务术语映射到数据库表和字段的过程。Text2SQL 的完整技术链路分为6 大步骤。

2026-08-01 13:30:40 348

原创 Text2SQL 系列博客 01：开篇 - 为什么这个时代我们需要 Text2SQL

如果用一句话总结：Text2SQL 不是一个纯模型问题，而是一个“业务 + 数据 + AI”的系统工程。数据规模已经超出人脑可管理范围大模型能力已经过了“能用”的阈值企业对数据民主化有真实且强烈的需求但这个领域也依然在早期。你会发现不同开源项目技术路线差异很大，不同企业落地效果分化严重。很多 Demo 很惊艳的项目，进入企业真实环境后会迅速遇到语义冲突、权限风险、性能瓶颈和信任危机。这个系列的目的，就是帮你建立一套可落地、可验证的判断框架。不吹概念，也不过度渲染焦虑。

2026-07-19 21:09:12 244

原创用 ZCode 一键安装 Codex、Claude Code、OpenCode

用ZCode 3.0一键安装，再统一接入按量付费的 DeepSeek V4✅ 安装时间：不到 10 分钟✅ 配置工作量：每个工具 5 行配置✅ 成本：DeepSeek V4 按量付费，1 块钱能跑很多任务✅ 灵活性：三个工具随时切换，对比测试非常方便ZCode 的价值不在于它本身是个多强的编程 Agent，而在于它把"装环境、配依赖、跑工具"这些最脏最累的活全包了，让我们可以专注在真正重要的事情上——用 AI 写好代码。一句话总结。

2026-07-17 21:27:25 2251

原创 Claude Code 搭配 DeepSeek 国内命令行实战：装上 Superpowers 后，每次开工先选方案

提供工程化的 Agent 能力（规划、文件编辑、工具调用）提供国内直连、价格便宜、中文友好的模型能力强制规划流程，让你每次开工前先选方案，避免"AI 闷头乱写"三件套加起来，把"Vibe Coding"变成"Engineering Coding"，代码质量肉眼可见提升。一句话总结：如果你和我一样喜欢在终端里写代码、不想用 IDE 内嵌的 AI、又想控制成本，这套组合在国内程序员里值得人手一套。

2026-07-14 12:02:08 238

原创 ZCode 3.0 深度体验

如果你是一名开发者，平时要写代码、调脚本、部署服务、研究开源项目，那么ZCode这个 AI Agent 工具值得关注。ZCode 3.0是智谱 AI 在2026 年 6 月 13 日与旗舰开源大模型GLM-5.2同日发布的编程 Agent 工具。也就是说，ZCode 本身就是智谱 AI 的官方编程产品，背靠智谱自研的代码模型 GLM-5.2，在长上下文（1M token 真正可用）、代码生成、Agent 任务编排上都有原生优势。

2026-07-13 12:36:01 1820

原创 # WorkBuddy 一个数据人的省钱日记：用 AI 搞定全国343个城市天气数据，省下几百块

维度评价免费、稳定、数据质量好（ERA5再分析数据）数据覆盖全国343城，日级，20个字段，够用开发成本Python 脚本，不到 300 行经济成本0 元适用场景个人分析、小团队、非商用一句话总结：能免费搞定的事，绝不花冤枉钱。数据来源：Open-Meteo（https://open-meteo.com/），基于 ECMWF ERA5 再分析数据，仅供个人学习和非商业用途。

2026-07-10 17:57:10 325

原创 WorkBuddy 深度体验报告：AI 办公工具的新选择

如果你是上班族、产品经理、运营、数据分析师，或者你需要一个真正帮你干活的 AI 工具，那么WorkBuddy应该出现在你的候选名单里。WorkBuddy 是一款面向职场人的AI 原生办公助手，主打"沟通清楚再执行"的理念。它内置了三种交互模式（Ask / Plan / Craft），覆盖从快速问答到复杂任务编排的完整链路。相比市面上竞品，它在办公场景下的文档编写、记忆能力、多模式任务处理等方面表现突出。简单说：它是一个懂职场、能干活、会沟通的 AI 助手。WorkBuddy 是一款定位精准、亮点突出。

2026-07-04 11:57:15 750

原创 Trae CN实战之Agent 操作浏览器

我们可以看到在Trae直接通过沙箱打开了浏览器，并访问Bilibili接下来我让Trae帮我登录，当然登录信息Trae 会让我选择，需要我的配合才可以登录成功。

2026-07-01 12:45:06 292

原创 Trae 实战之 Skill篇

Trae 官网提供了很多的Skill，一般在Trae中搜索的时候，触发了会自动安装，也可以自己按需安装。

2026-06-29 14:31:04 586

原创 TRAE Work CN 下载安装教程与深度使用心得

TRAE Work 是字节跳动旗下的一款AI 原生工作台，提供网页版、桌面版和移动版三种形态，内置Work与Code双模式，旨在覆盖从专业开发到日常办公的各类场景。简单来说，它不仅能帮你写代码、做数据分析，还能处理文档、演示文稿等办公任务，并且支持语音输入、飞书打通、外部 LLM 接入等强大能力。最关键的是——完全免费。TRAE Work CN 作为一款免费 AI 原生工作台，在三端联动、语音交互、飞书集成、模型灵活性等方面都展现出了出色的产品力。

2026-06-28 10:35:13 4025

原创 AI核心概念扫盲：从大模型到Agent的一站式入门指南

记住这条核心链路，你就抓住了理解AI Agent的钥匙：LM 是大脑，拥有基础能力。Token 是基本认知单元。Context 是工作记忆区。Prompt 是任务指令。Tool 是外部执行器。MCP 是标准化接口协议。Agent 是能自主完成复杂任务的智能体。Agent Skill 是让Agent做特定工作的专业操作手册。

2026-06-27 22:15:41 318

原创 PG案例系列3: PG备库WAL segment has already been removed

PG版本:14.3。

2023-07-03 09:48:03 1591

原创大数据开发之Hive案例篇14：某个节点HDFS块比较多

那么此时可以这么理解，当集群处于空闲时，突然来了一个任务，那么此时因为所有container的优先级相同，优先选择的就是本节点的container，而第一个container 用于启动作业的AM进程，这也就对应了之前的，chd10节点申请AM会比其他节点多很多。从图中可以看出，每个节点的HDFS空间是相同的，大多节点HDFS使用量在40%左右，而出问题的这个节点居然直逼80%，鉴于之前问题出现过多次，且每次都是利用空余时间使用HDFS的rebalance进行解决的，此处需要找出具体问题，规避此类问题。

2023-06-30 10:27:57 1866

原创 PG系列5：PG体系结构

PostgreSQL的主要结构如下：PostgreSQL进程结构图谱和分类:内存结构分为共享内存、本地内存。类似于Oracle的SGA和PGA。共享内存是指数据库服务器向操作系统申请的共享内存段，如数据共享缓冲区、日志缓冲区、事务提交日志内存区等，提供给PostgreSQL服务器的所有进程使用。数据共享缓冲区：PostgreSQL把要操作和处理的表、index，读入到内存中，放到该区域缓存。类似于Oracle的database buffer cache。其大小由shared_buffers参数决定。日

2023-06-28 09:48:52 3745

空空如也

flink aggregate方法报错