共 94 篇
Apache Doris 4.1 Spill to Disk：避免运行内存密集型查询发生 OOM
Apache Doris 4.1 的 Spill to Disk 是一套深度融合了内存预留、智能调度、压力感知的现代化查询生命周期管理机制。对于重度数据分析用户而言，提供了一种在有限硬件资源下，安全、可靠进行超大规模分析任务的绝对保障。
Apache Doris 倒排索引工作原理：全文检索提速 59 倍，点查提速 14 倍
我们基于开源分析型数据库 Apache Doris，针对包含 1.35 亿条数据的亚马逊评论数据集进行了 50 高并发测试。结果表明：引入内置倒排索引后，全文检索性能提升 59 倍，商品查找提速 14 倍，多维组合查询提速 10 倍。
Apache Doris 4.1 全面增强 Iceberg：支持 UPDATE、MERGE INTO 与 Iceberg V3
在已有查询能力的基础上，Doris 进一步支持了 UPDATE、DELETE、MERGE INTO 等数据修改操作、完整的表结构管理与分区演进，以及 rewrite_data_files、expire_snapshots 等日常维护操作，并完整支持 Iceberg V3 格式。
PostgreSQL 实时同步到 Apache Doris：一站式 CDC 解决方案
该方案将数据采集、任务调度、数据写入、断点续传等能力统一集成到 Doris Job 调度框架中，无需部署额外的 CDC 工具、消息队列或计算引擎。
宽表元数据膨胀怎么解？Doris Segment V3 对比 Parquet、Lance
要让查询真正只为目标列付出元数据成本，思路无非有三种：让 Footer 更容易定位，把重型列元数据搬出 Footer，或者直接删掉其中不必要的内容。Parquet、Lance 和 Doris 的差别，主要在于三种方法的取舍，以及它们能改动到什么程度。
Agent 场景动态 JSON 性能拆解：Apache Doris 比 ClickHouse 快 7 倍、比 Elasticsearch 快 2 倍
为什么同样都支持 JSON，不同数据库在 Agent 日志场景下的性能差异会如此明显？
Apache Doris 在 AgentLogsBench 中领先，支撑 Agent 可观测性生产负载
Agent 可观测性需要一种能够统一承载多种访问模式的新型系统能力
Apache Doris Python UDF：让 SQL 直接调用 Python 生态，支撑 Agent 时代复杂业务逻辑
Doris Python UDF 提供的不只是一个函数扩展机制，而是一条连接 Doris 高性能分析能力与 Python 生态的通道。
秒级弹性、最高降本 70%：SelectDB Serverless 如何重塑云数仓资源效率
阿里云 SelectDB Serverless 可实现资源按需供给与按使用量计费，在负载高峰时补齐资源，在低谷时释放资源。
97% 召回率、900 QPS：Apache Doris 4.1 生产级向量检索的工程实践
针对大模型应用中专用向量库成本高、混合查询难的痛点，本文深入拆解 Apache Doris 4.1 原生向量检索的工程实践。从 IVF 算法降本、存储分层，到突破性能瓶颈的 ANN Index Only Scan，系统化解决 AI 时代的海量数据存算难题。在大幅压低内存开销的同时，跑出了 900 QPS 与 97% 召回率的亮眼成绩
时间序列近邻关联性能实测：Doris ASOF JOIN 领先 ClickHouse、DuckDB
Doris 在 4.0.5 和 4.1.0 版本引入的 ASOF JOIN，把时间序列近邻关联做成一个能在大规模、多分布、复杂业务形态下稳定运行的分析路径。从测试结果来看，Doris 在主流场景下取得了全面的性能领先。
强行拍平？全表扫描？ AI Agent 动态 JSON 的观测分析
如何保留 JSON 灵活性的同时，获得列式存储的查询性能?