玄同765的AI应用开发博客

Vim作为程序员的高效文本编辑器，凭借其键盘操作、跨平台兼容和轻量化等优势，在全球开发者中广受欢迎。本文系统介绍了Vim的核心功能：三种基本模式（普通、插入、命令行）及其切换方式；常用文本操作如移动、删除、复制粘贴；配置优化和插件扩展方法；以及宏录制、远程开发等高阶技巧。通过合理配置.vimrc文件和使用插件，Vim可以扩展为IDE级别的工具。文章强调Vim的学习曲线是先难后易，建议通过日常练习逐步掌握，最终实现编辑效率的质的飞跃。

本文针对大模型应用中的SQL性能优化问题，提出了一套专属解决方案。通过分析大模型应用的三大核心查询场景（连续对话、AI自动查询、RAG检索），重点介绍了复合覆盖索引和延迟关联优化技术，将典型查询从820ms优化至68ms（提升12倍）。文章还展示了如何通过AI SQL Agent自动生成优化SQL，并结合Redis缓存高频查询结果。最终形成完整的大模型应用SQL全栈解决方案，包括表设计规范、索引设计规范和Agent优化规范等可落地的checklist，实现了10w+对话历史数据的高效查询。

本文介绍如何利用大模型SQLAgent实现自然语言转SQL查询业务数据。通过复用前几篇的PostgreSQL环境、FastAPI框架和权限控制，构建"自然语言→SQL→结果"的自动化链路。核心实现包括：1)配置SQLAgent连接业务库并限制只读权限；2)封装FastAPI接口供非技术人员调用；3)演示AI准确生成SQL并返回查询结果。文章还埋下性能优化伏笔，为下一篇解决10w+对话历史表查询慢问题做准备。

本文介绍了如何利用PostgreSQL和pgvector实现企业级RAG应用的混合检索功能。文章首先阐述了混合检索的必要性，即同时满足结构化条件过滤和语义相似性检索的需求。随后详细讲解了使用Docker一键部署PostgreSQL+pgvector环境的方法，并指导读者创建包含向量字段和JSONB元数据的文档表。文章重点演示了混合检索的SQL实现，包括结构化过滤和向量检索的结合，以及如何在Python+FastAPI中封装成API接口。最后给出了企业级优化建议，如索引优化和性能优化技巧，为开发者提供了完整的

本文介绍如何用SQLite+FastAPI+SQLAlchemy搭建大模型对话历史存储系统。主要内容包括： 零配置搭建环境，只需Python3.10+和基础依赖 使用SQLAlchemy ORM创建对话历史表，对应前序SQL知识点 开发FastAPI接口实现对话存储和查询功能 提供模拟和真实大模型两种实现方案 配套可视化测试方法，验证SQL数据存储效果 系统特点：零基础友好、代码可复用、严格关联SQL知识点，适合大模型开发者快速实现对话历史管理功能。

本文是面向主流数据库开发者的生产级 SQL 优化指南，以「某游戏公司 320 万条充值记录 SQL 从 14.7 秒优化至 98 毫秒」的真实案例为引子，分4 层优化方法论：基础语法层：禁止SELECT *、索引字段不做函数操作、UNION ALL替代UNION等禁忌；索引核心层：覆盖索引、最左匹配原则、索引避坑指南；执行计划层：用EXPLAIN定位慢 SQL 根源；高级优化层：分库分表、延迟关联、热点缓存等大数据量解决方案。文中附可直接运行的代码示例 + 官方文档依据，覆盖 99% 生产慢 S

SQL表名省略规则核心摘要：多表连接时，仅当字段在连接表中唯一或使用USING子句时可省略表名；自连接、关联子查询和字段重复时必须显式指定表名/别名。生产环境建议强制显式表名以避免歧义错误，特别是应对表结构变更风险。临时调试或单表查询可适当省略，但复杂查询应通过规范别名（长度≤3字符）提升可读性和跨数据库兼容性。最佳实践是牺牲少量简洁性换取代码稳定性和可维护性。

摘要：本文系统梳理了MySQL中0起始和1起始的规则差异。0起始特性包括：LIMIT偏移量、JSON数组索引、WEEKDAY()函数返回值、时间组件函数；1起始特性包括：字符串函数位置参数、日期组件函数、数据库对象顺序、窗口函数编号等。文章分析了常见踩坑案例，如LIMIT1,5实际跳过首条数据、JSON数组$[0]才是首个元素等，并给出3个最佳实践：先查规则、明确语法、测试验证。最后附速查表帮助开发者快速区分不同场景的起始规则。

本文是面向 0 基础开发者的 SQL 入门必修课，覆盖核心模块：SELECT 基础检索、DDL 表结构设计（含大模型对话历史表实战）、DML 增删改（明确 UPDATE/DELETE 必须加 WHERE 的红线规则）、WHERE 过滤与排序、聚合分组统计、JOIN 多表关联。全内容配 100% 可运行在线代码，附 0 成本练习工具，关联大模型应用场景，文末赠 SQL 速查表福利，2 小时即可搭建完整数据查询能力。

本文是面向大模型应用开发者 / 后端新手的轻量化 SQL 教程，聚焦「大模型场景必须用的最小语法子集」，解决 “开发者无需成为 SQL 专家却要支撑生产需求” 的核心痛点：核心价值：仅覆盖 95% 大模型生产场景（上下文回溯、RAG 混合检索、合规审计）所需的 15% SQL 语法，2 小时即可上手生产代码；内容框架：包含 2 种必用表结构（对话历史表、pgvector 版 RAG 文档表）、3 种核心查询（上下文加载、经修正的 pgvector 余弦距离混合检索、合规审计）、2 种索引优化（复合 B

针对大模型开发者普遍踩过的「盲目依赖向量库」隐性坑（检索超时、上下文混乱、合规失效），本文明确SQL 是大模型应用不可替代的核心基础设施：向量库仅能覆盖「非结构化内容语义检索」，而 对话上下文精准回溯（延迟降 10 倍）、RAG 业务规则混合检索（性能提 100 倍）、金融 / 政务级合规审计（满足等保 2.0/GDPR）三大场景，因向量库的索引效率、ACID 事务、精细权限支持天生缺陷，必须依托 SQL 实现。文中提供 PostgreSQL+pgvector 可直接运行代码与标准存储架构。