新闻评论
其实有些新手的数据库知识不见得比老家伙差太多，可能他们也过了OCP/OCM的考试，系统地学习了大量的数据库知识，某些方面的知识可能比我这个没有考过OCP的人都要系统，但是为什么处理起问题来，新手和老手时间的差距还是那么肉眼可见呢？
过去一年，这些企业的数量几乎翻了一番（从9%增至16%）。他们的收入增长比其他企业高出2.5倍，生产效率高出2.4倍，在扩展生成式AI用例方面的成功率高出3.3倍。
TigerData 推出 Tiger Lake，该架构被其称为“代理时代 Postgres 与Lakehouse之间缺失的层”。此次发布是该公司为开发者提供更便捷方式，使其能够同时处理实时数据与历史数据，无需依赖脆弱的管道或延迟批量同步。
我们环境中的许多索引并不是经过精心设计的，它们是被继承下来的，或是为了快速解决性能问题而添加的，或是为了满足临时访问路径而创建的。随着应用程序的变更和数据模式的演变，这些遗留索引可能变得无关紧要、冗余，甚至有害。
航空航天和国防通过多个角度衡量人工智能项目的成功：生产关键绩效指标（吞吐量、一次通过率、周期时间）、成本指标（废品率、维护成本、库存周转率）和项目计划遵守情况。
由ITPUB主办的DTCC2025第16届中国数据库技术大会，将于2025年8月21～23日在北京举办。大会设置了2大主会场，16+技术专场，邀请了超百位行业技术专家，进行实践案例的分享，为广大数据领域从业人士提供一场年度的饕餮盛宴。 本届大会，不仅设置了数
企业已在部署模型、引入协同助手并获得董事会支持方面取得成功。然而，随着成本攀升、供应商限制显现、控制缺口扩大以及对长期可扩展性的质疑日益加剧，新的压力点正逐渐浮现。
整体上AI的发展经历了三个阶段，从预测式AI到大模型带来的生成式AI，如今走到了Agentic AI时代，众多的AI Agent将更加深入业务场景和流程，也能带来更大的价值。大部分企业对AI还处在摸索阶段，一些问题并没有清晰的答案。比如，如何找到合适AI场景?
近年来，“数据建模已死”的论调愈演愈烈。人工智能的崛起，尤其是大型语言模型(LLMs)的兴起，似乎要求使用广泛、非规范化的数据集，这些数据集需要快速生成且易于摄取。这推动了“单一大型表”(OBT)方法的流行——将所有数据扁平化为单一宽表。但这是有问题的
时光如白驹过隙，转眼间2025 年已悄然过半。在这半年里，企业数字化领域风起云涌，新趋势不断涌现，旧格局持续重塑。从政策的密集出台到技术的迭代突破，
这些年的运维自动化工作我们主要做的就是采集与告警，大家的目标也是一致的，一方面是让告警更加提前，另外一方面是让告警更加准确。在建设运维自动化建设的初期，闭环管理，减少故障是两个十分重要的建设目标。早期一些不太懂业务的领导甚至提出了上了系统，消除严重故障的豪言壮
报告建议采用双轨策略：在构建面向客户的生成式AI功能的同时，强化支撑这些功能的后端系统。领先企业不仅推出人工智能驱动的搜索或聊天功能，还在内容架构、系统集成和治理等幕后环节进行投资。正是这种协同方法，使生成式AI能够在现实中交付成果。
本文基于航空业的近期经验，阐述企业架构管理 (EAM) 在制定和实施数据与人工智能战略方面提供的关键功能。我们并非提供包罗万象的数据与人工智能战略指南，而是着重探讨此类战略中一个具体且关键的部分。事实证明，EAM 能够有效解决这一问题。为了将用例置于上下文中，
6月，IDC的报告介绍了Data+AI、中国关系型数据库、中国图数据库的发展动态;Snowflake 2.5 亿美元收购 Crunchy Data引发关注;国产数据库OceanBase正式启用中文品牌名“海扬数据库”;openGauss重磅发布 oGRAC …
普华永道表示，由于其“力量倍增器”的能力，应优先考虑代理型人工智能(Agentic AI)。领导者还应专注于提升员工技能，以便他们能够使用人工智能。最后，信任对于释放人工智能的潜力至关重要。
这听起来有点像自相矛盾，一个空的值，但事实就是如此。每个DBMS都有自己对空值的支持实现，因此它用来向你传达“空值”的方式可能有所不同。但空值已经存在，我怀疑它们在短期内甚至永远都不会被废弃。因此，在使用空值时要谨慎，尽可能避免使用，并确保数据使用者知道如何正
基于O记的成长历程，我们应该给国产数据库一些时间来提升这方方面的能力，不过如果国产数据库的研发者不理解数据库运维需要什么，那么再给多少年时间也都是白搭。国产数据库需要完善的地方太多了，运维方面的功能的优先级是不是比较低呢？
在GenAI时代，企业面临海量数据处理与复杂业务运营的双重挑战。AI知识库凭借其智能性、高效性与动态性，弥补了传统知识库的不足，为企业知识管理提供了新的解决方案。
