登录社区云,与社区用户共同成长
邀请您加入社区
KES权限体系采用RBAC模型,分为管理特权、系统特权和对象权限三个层级。管理特权是角色固有属性(如SUPERUSER、LOGIN等),系统特权用于数据库级操作授权(如CREATE TABLE),对象权限则控制具体数据库对象的访问(如表、视图的SELECT权限)。文章详细介绍了各类权限的创建、修改、删除方法,并重点强调了超级权限滥用、ANY权限风险、public模式漏洞等安全陷阱,提供了权限管理的
管10套库就维护10套基础设施,打补丁10次,备份10次,调参数10次。CDB/PDB把这些统一了:一个CDB共享SYSTEM/SYSAUX/UNDO/REDO和内存,每个PDB只存业务数据。老板问"转PDB后业务有什么提升",你说"没有,但不转以后升不了级",说服力很弱。早转早安心,晚转成本更高——库越来越大,应用越来越多,依赖越来越复杂。一个DBA朋友跟我吐槽:他们决定把19c升到26ai,以
python"""数据模型定义使用SQLAlchemy ORM定义数据库表结构""""""天气数据ORM模型"""city = Column(String(50), nullable=False, comment="城市名称")date = Column(String(20), nullable=False, comment="日期")date_display = Column(String(10
本章目标:掌握 Fork 工作流,学会参与开源项目贡献代码。
本周主要优化了数据库同步机制,添加了synced状态字段,修复了游戏数据无法自动同步的问题,并实现了手动同步功能。改进了数据库表结构设计,新增了训练数据可视化查询接口,生成了完整的测试数据集。未来计划引入AI智能分析、实时同步和更丰富的数据可视化功能。该项目通过游戏化方式支持自闭症儿童康复训练,旨在为特殊儿童家庭提供帮助。
本文作者:10年架构师 | 大模型Agent落地实践者阅读时长:25分钟 | 适合人群:大模型应用开发者、架构师、技术负责人核心收获:掌握生产级Agent记忆层选型逻辑,避免90%的架构踩坑。
文章摘要 Oracle同义词(Synonym)是一种逻辑别名对象,用于简化数据库对象的访问路径,实现命名抽象和解耦。它具有零存储开销、无权限继承、透明重定向等特性,分为私有同义词(仅创建者可见)和公共同义词(所有用户可见)。同义词不改变底层对象结构,但能封装复杂路径为简洁别名,在多环境部署、简化对象引用等场景中非常实用。创建语法包括CREATE [PUBLIC] SYNONYM和DROP SYNO
摘要: 手机租赁行业的MDM系统面临数据库压力时,需系统性优化而非简单扩容。星皓MDM.Plus通过慢查询分析、执行计划优化、组合索引重构、冷热数据分层、缓存策略调整、异步队列拆分、统计预计算及监控升级等九大步骤,解决了高并发下设备列表查询慢、深分页效率低、历史数据膨胀等问题。优化后,系统读写性能显著提升,商户操作体验改善,同时验证了SaaS服务的核心价值——通过专业团队持续优化底层架构,客户无需
Oracle 用户与权限体系深度解析:从基础创建到精细化授权 摘要 Oracle数据库采用多层级安全模型,核心要素包括: 用户管理:需配置密码策略、表空间配额等属性,新用户默认锁定需手动激活 角色机制:通过预定义角色和自定义角色实现权限分组,12c+版本建议用细粒度权限替代传统CONNECT/RESOURCE角色 权限体系:分为系统权限(数据库级操作)和对象权限(特定对象访问),支持WITH AD
过去两年,我们谈 AI 编程,最常说的词是 Prompt Engineering。怎么把需求讲清楚?怎么给足上下文?怎么让 AI 一次生成更接近可用的代码?这些问题当然重要。但当 AI 编程智能体越来越强,真正的控制点正在发生变化。
你可以用它直接写 SQL,完全绕过 ORM。ORM 层则在 Core 之上实现了对象关系映射,支持声明式模型、查询构造器、关系加载等高级功能。联表查询、子查询、关联子查询都能在 ORM 层面表达,写法接近原生 SQL。SQL 语句里的值全部用参数化方式传递,查询计划可以复用,SQL 注入问题从根源上规避。纯脚本或数据分析场景,SQLAlchemy Core 比 ORM 更合适,没有对象映射开销,写
推荐系统的目标非常简单:在海量信息中,为用户推荐最可能感兴趣的内容。用户太多↓内容太多↓如何精准匹配问题。推荐系统是人工智能领域最成功的落地应用之一,也是互联网平台增长的核心引擎。从最初的热门推荐,到协同过滤、矩阵分解、深度学习,再到今天的大模型推荐,推荐系统正在不断向着“理解用户”的方向演进。未来的推荐系统将不再只是简单地预测点击率,而是成为真正能够理解用户需求、辅助用户决策的智能助手。
迁移完成后,数据库锁定错误彻底消失,并发写入能力大幅提升。asyncpg 连接池的复用机制减少了连接建立开销,JSONB 类型对游戏属性等动态数据的存取更加高效。这次迁移验证了一个重要经验:数据库选型需要与业务并发模型匹配,SQLite 适合单机低并发场景,而需要处理并发写入的网络服务则应该从一开始就考虑使用 PostgreSQL 这样的专业数据库。
本文介绍了AI Agent评估体系的设计方法,针对Agent输出概率性、非确定性的特点,提出了一套多维度、自动化的评估框架。评估体系包含五个核心维度:任务完成度、响应质量、效率指标、安全性和用户体验。文章重点展示了如何通过LLM-as-Judge技术实现规模化自动评估,包括任务完成度分类、质量指标量化计算等方法,并提供了Python代码示例说明评估流程的实现。这套评估体系解决了传统测试方法无法适应
本文探讨了AI Agent的三层记忆架构设计及其实践中的常见问题。文章首先通过客服Agent遗忘工单号的案例,指出仅依赖向量数据库无法解决记忆问题,提出需要构建长期记忆(向量数据库)、短期记忆(会话历史)和工作记忆(任务状态)的三层协作体系。核心内容包括: 三层记忆设计架构与协作机制,通过优先级和LLM综合判断实现记忆检索 8个典型踩坑问题及解决方案,包括: 向量检索结果过多导致质量下降(建议添加
SQLAlchemy是Python生态中成熟的数据库工具库,提供ORM和底层SQL构建双重能力。其ORM基于声明式模型设计,支持完整SQL查询功能,包括连接、子查询等复杂操作。Core层独立提供SQL表达式语言、连接池等基础功能。设计理念强调对关系模型和对象模型的双向支持,开发者可自由选择抽象层级。支持主流数据库,包含事务管理、参数绑定等安全特性,适用于从脚本到大型应用的各种场景。通过pip安装后
AI辅助财务分析工具代表了企业财务数字化的一个新方向。从技术实现来看,RAG架构解决了政策知识库的维护和检索问题,LLM的语义理解能力让模糊合规判断成为可能,这是传统规则引擎无法实现的突破。但技术局限同样明显:对数据质量高度依赖,对边缘情形的判断仍需人工复核,无法替代专业税务顾问在复杂场景下的判断。对于中小企业来说,将此类工具定位为"财务合规的第一道防线"比较合理——用于日常政策查询、基础合规检测
本项目的核心工作不是增加一个聊天页面,而是把一条完整的 AI 后端链路接入现有系统。Qwen 多模态模型;FastAPI;LangChain;Embedding;Chroma;RAG;用户画像与偏好;Flutter。真正的工程难度在于让各个模块的数据格式、配置、运行环境和调用顺序保持一致。下一篇文章将介绍开发过程中遇到的典型问题,包括 API Key 配置错误、虚拟环境不一致、Chroma 依赖缺
github.com/oracle/skills是 Oracle 官方在 GitHub 上维护的开源项目。它不是一本 PDF 手册,而是一套为 AI Agent 设计的「技能包」——893 个 `.md` 文件,每个聚焦一个具体技术问题,给出权威的、结构化的、可操作的指导。
DeepSeek 在数学、代码、中文理解三大核心领域全面超越国外主流开源模型,接近或超越闭源顶级模型,同时具备超长上下文、低成本、开源免费等优势,成为国产大模型的标杆。中国 AI 企业在核心技术与能力上可与美国巨头平起平坐,尤其在中文场景、数学推理、高效部署上具备独特优势。未来,随着技术持续迭代,DeepSeek 有望进一步缩小与 GPT-4o 的差距,甚至在部分领域实现超越,成为全球 AI 领域
从 V1 到 V4,DeepSeek 用两年时间走完了国外巨头五年的路,从技术追赶、生态构建到全球引领,书写了中国 AI 的传奇。未来,随着 V4 全面落地、V5 研发启动、多模态能力持续增强,DeepSeek 将进一步巩固全球领先地位,推动 AI 从 “实验室” 走向 “千行百业”,为人类社会创造更大价值。DeepSeek 的崛起,不仅是一家公司的成功,更是中国 AI 力量的崛起。在全球 AI
当开发者第一次接触大模型(LLM)时,通常是从调用各大厂商的 API 开始的。只需几行代码发送一个 HTTP 请求,就能获得模型的回答,看起来似乎非常简单。但随着业务场景逐渐复杂,真实的工程痛点开始浮现。
最典型的用法是利用 CHR(10)(换行)、CHR(9)(制表)和 CHR(32)(空格)来美化输出结果,或利用 CHR(39)(单引号)和 CHR(34)(双引号)来简化动态 SQL 的构建。34双引号避免转义麻烦`SELECT 'He said 'CHR(34)'Hi'CHR(34) FROM DUAL;CHR(48) 到 CHR(57) 返回 '0' 到 '9'n:一个数值表达式,代表
Oracle事务管理:COMMIT与ROLLBACK的核心机制解析 🏦 摘要 本文深入探讨Oracle数据库中的事务管理机制,重点解析COMMIT和ROLLBACK的核心原理与应用场景。文章通过银行转账案例,展示了事务的ACID特性在Oracle中的实现方式,包括原子性(通过UNDO段)、一致性(约束检查)、隔离性(MVCC机制)和持久性(REDO日志)。通过Mermaid状态图清晰呈现了事务的
你可能遇到过这样的场景:让 Agent 帮你修复测试失败,它先读日志、改代码、跑测试,然后进程突然重启。重新打开以后,它只记得用户最后一句话,却不知道刚才改过哪些文件、测试跑到哪一步、哪个工具结果已经验证过。如果这只是聊天 Demo,丢掉历史也许还能接受。重新问一次,模型再答一次。但执行型 Agent 不一样,它的每一步都可能改变外部世界。状态丢了,不只是体验变差,而是系统失去继续工作的依据。
摘要 本文将AI助手demo项目MyApplication的聊天记录存储方案从Preferences迁移到关系型数据库(RDB)的过程。原方案使用Preferences存储整个会话列表JSON字符串,存在性能瓶颈和数据管理问题。新方案采用ArkTS的@kit.ArkData/relationalStore模块,设计了两张表chat_session和chat_message,通过外键关联。文章详细介
维度优势• 云原生架构,持续更新• 统一数据模型,跨模块无缝集成• AI 深度嵌入,不额外收费• 数据隐私保护严格• 成本可预测性高,TCO 相对较低• 财务分析与 EPM 能力突出• HANA 内存计算,实时处理性能强大• 部署模式灵活(公有/私有/本地)• 行业深度突出(25 个行业方案)• 制造业复杂场景适配成熟• 全球市场占有率最高(超 30%)• 合作伙伴生态最庞大劣势• 本地部署灵活性
以上介绍的只是一些十分基本的东西,其实里面的学问也不少,单凭EXPLAIN我们是不能判定该方法是否就是最优化的,每个数据库都有自己的一些优化器,虽然可能还不太完善,但是它们都会在查询时对比过哪种方式较快,在某些情况下,建立索引的话也未必会快,例如索引放在一个不连续的存储空间时,这会。对于一个经常需要更新和插入的表格,就没有必要为一个很少使用的where字句单独建立索引了,对于比较小的表,排序的开销
这包括用于预算和财务规划的Oracle Fusion企业绩效管理、用于在线商店前端的Oracle商务,以及作为完整云基础设施平台的Oracle云基础设施。SAP的解决方案,如SuccessFactors、Ariba、Concur和Fieldglass,是独立的产品,各自拥有自己的数据模型,并非SAP S/4HANA的一部分。由于集成定制应用和遗留ERP系统带来的高成本和干扰,阻碍了高效运营,Ben
DataDjinn 发布新版本,新增 Oracle 数据库支持,并优化了多个高频使用功能。本次更新不仅支持 Oracle 的基本操作(如连接创建、Schema 浏览、DDL 查看等),还针对 Oracle 的特殊使用场景新增了"新建用户"功能。此外,查询窗口增强了 PostgreSQL 的写入支持,优化了上下文关联和结果交互;表预览区改进了 WHERE 输入体验;左侧连接树提升了显示和校验逻辑。D
在OpenClaw等AI Agent工具席卷开发者社区的2026年,一个基础而关键的问题正日益凸显:Agent的记忆能力够强吗?
是重要的一步,它将RMAN资料库中记录的归档日志信息与实际物理文件进行比对,标记出那些记录中存在但物理上已经不存在的归档日志为"EXPIRED"状态。(RMAN)工具可以安全、有效地完成这项任务,因为它不仅删除物理文件,还会同步更新控制文件中的相关信息,避免因记录不一致导致的问题。执行后,RMAN会报告每个归档日志文件的验证结果,状态可能是"AVAILABLE"(可用)或"EXPIRED"(已过期
LLM 大模型 mcp+skill 智能执行工具学习
第 7 章最终落点是:也就是说,订单任务不再这样交接:而是变成:这篇文章主要讲清楚:先给结论:Stream 版秒杀下单可以拆成两段。第一段是请求线程 + Lua:第二段是后台消费者:完整流程图#mermaid-svg-KzsOyAk3JwTslqsG{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#3
做量化交易或者开发金融监控工具时,最让人头疼的往往不是策略逻辑本身,而是数据源的稳定性与接入成本。很多开发者在初期都会陷入一个困境:要么花费高昂费用购买机构级数据接口,要么只能依赖延迟高、格式混乱的免费公开源,导致回测结果失真,实盘信号滞后。特别是在外汇这种波动频繁、对时效性要求极高的市场,毫秒级的数据差异就可能直接影响交易盈亏。如果你正在寻找一种既能快速上手、又具备金融级稳定性的解决方案,那么通
如果说程序员已经是高薪职业,那么干AI的程序员,就是高薪中的高薪。学AI大模型,就是冲刺高薪的最优解!零基础小白不知道从哪入门?有基础的程序员找不到系统学习路径?实战项目练手无门?面试不知道考什么?别慌!今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包,覆盖从入门到实战、从理论到面试、从基础到进阶的全流程,所有资料均已整理归档,无冗余、无套路,免费分享给每一位想抓住AI风口的程序
本文介绍了如何在FastAPI中使用SQLAlchemy 2.0进行异步数据库操作。主要内容包括:ORM的作用、SQLAlchemy 2.0的快速配置、模型定义与关系映射、CRUD操作示例、Alembic数据库迁移工具的使用、N+1查询问题的优化方案,以及连接池与事务管理的实现。文章强调SQLAlchemy 2.0+asyncpg是FastAPI的最佳数据库组合,并提供了避免常见问题的实用建议。
AI接入企业数据库的安全隐患与治理方案 山东向量空间在研发JBoltAI平台时发现,AI直接访问生产数据库存在严重安全隐患,如自动执行危险指令等问题。传统数据治理需要升级为"AI可理解"模式,关键在于: 元数据管理成为核心,需完善表结构、字段含义等描述信息 自然语言查询需配合业务描述路由和多数据源整合 必须建立四重安全防线:只读白名单、权限感知、连接隔离、全链路审计 Excel
我们开发使用的数据库叫 PostgreSQL,表有哪些 列、类型、索引、外键,这叫 Schema(模式 / 结构)。数据库迁移要解决的就是:把「结构变更」变成一组可版本管理、可重复执行的脚本,并且约定好「当前数据库跑到第几个版本」开发过程中你会经常改代码里的 ORM 模型(例如。
文章摘要:飞轮科技创始人马如悦探讨了AgenticAnalytics(智能分析代理)的落地挑战与解决方案。他指出,下一代分析体验不仅需要强大的AI模型,更依赖底层数据基座的三项核心能力:实时交互式分析性能、跨源数据统一访问和可被AI理解的业务语义层。基于ApacheDoris的SelectDB通过实时分析引擎、湖仓一体联邦查询、语义建模和MCP接口等技术,为AI代理提供快速、全面且语义明确的数据访
Oracle数据库客户端与服务端连接方式解析 摘要: 本文系统介绍了Oracle数据库的客户端与服务端连接机制,从底层协议栈到高层应用实现。主要内容包括: 连接本质分析:Oracle采用分层协议设计,通过监听器(Listener)实现服务名到实例的动态路由,支持RAC、Data Guard等高可用架构。 核心组件关系:通过Mermaid图表展示了Listener、Service和Instance三
当企业开始引入大语言模型,首先遇到的往往不是"AI 不够聪明"的问题,而是"AI 不知道我们的事"。通用大模型虽然具备强大的语言能力,却缺乏对企业内部专业知识的深度理解。检索增强生成(RAG)技术的出现,让 AI 能够借助外部知识库回答专业问题,被视为企业 AI 落地的主流路径。然而,随着应用深入,传统 RAG 的局限性日益凸显——语义相似但事实错误、知识碎片化、无法理解实体关系,这些问题正在制约
数据是用来描述现实中的物体的,而描述的对象都是形形色色的,有具体的、也有抽象的;在实际的软件项目中,如果系统中需要存储的数据量比较大,需要设计的表比较多,表与表之间的关系比较复杂,那我们就需要进行规范的数据库设置。属性对应数据库表的列。第一范式是满足关系数据库模型所要遵循的最基本的条件范式,几关系中的每个属性必须是不可再分的简单项,不能是属性组合,即属性的取值是不可拆分的原子值。一个较好的关系数据
本文介绍了在CodeIgniter4(CI4)中处理表单数值数据无法正确保存到数据库的解决方案。通过一个土地权属信息表单案例,作者展示了当数值字段(如no_lemari和no_rak)即使经过intval()转换仍保存为0的问题。关键解决步骤包括:检查模型$allowedFields是否包含相关字段、尝试直接SQL查询保存数据、验证数据库字段类型是否为数字类型。文章总结了CI4数据保存的三个要点:
MonkeyCode AI编程平台,免费开源支持国产大模型。
Oracle官方文档翻译《Database Concepts 26ai》附录-术语表
Oracle官方文档翻译《Database Concepts 26ai》第23章-数据库开发者概念
Oracle官方文档翻译《Database Concepts 26ai》第22章-数据库管理员概念
很多朋友在搜索“30岁考什么证”的时候,内心深处其实潜藏着一丝焦虑:“我都30了,现在开始学,拼得过那些刚毕业的年轻人吗?我想说的是,30岁恰恰是你职业生涯最黄金的成熟期。你不再像20多岁时那样懵懂,你有了社会阅历,懂得人情世故,知道了自己真正想要什么。年轻人有的是时间,但你有的是目标感和执行力。无论是选择拥抱AI大数据时代、考取CDA数据分析师来武装自己成为新时代的复合型人才;还是选择PMP走向