共 344 篇
从 Machine-Readable 到 Agent-Ready：面向智能体的数据库接口演进
工具链对 AI 的友好程度，直接决定了企业智能化运维（AIOps）的效能边界与安全底线。SelectDB 在结合 Apache Doris 内核特性以及云原生管控上的前沿探索，正是为了帮助企业将专家的隐性经验转化为可执行的数字资产，推动数据基础设施稳健地迈入 Agent 原生时代
从分析引擎到 Context Engine：重写 AI Agent 时代的实时分析边界
当企业级 Agent 步入生产环境，懂语义却查不对业务事实成了落地的最大痛点。为了拼凑完整的上下文，许多团队被迫进行多库拼接，导致推理链路极度割裂。既然纯向量检索撑不起复杂的混合查询，Agent 真正缺失的底层数据入口究竟在哪里？
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
Agent 时代，为什么传统的可观测方案不适用了？
过去十几年，软件可观测性核心回答的问题是：系统有没有正常运行？
而在 Agent 时代，更紧迫的问题变成了：在系统正常运行的同时，任务真的做对了吗？Agent 时代的可观测方案应该是什么样子的呢？
PB 级自动驾驶数据秒级检索：Apache Doris 统一多模态数据平台实践
这些经验的适用范围远不止自动驾驶。任何面临多模态数据规模化管理挑战的行业：智慧城市、工业质检、内容推荐，以及日益兴起的 AI Agent 基础设施都面临同样的架构抉择。以 Apache Doris 为代表的统一实时分析平台，提供了一条经过生产验证的可行路径。
Litefuse 正式发布：Agent 可观测与效果评估， 比 Langfuse 成本低 88%
Litefuse 基于 Apache Doris，存储成本比 Langfuse 降低 88%、简化部署架构、Trace 文本检索效率提升 10 倍，帮助团队以更低成本构建可靠、可持续优化的 Agent 工程体系
Agent 应用范式下，企业数据基础设施如何演进？
当Agent成为新的应用模式时，企业的数据基础设施需要发生哪些改变？实时分析引擎在其中承担什么角色？
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?
AI Agent 时代，万列级宽 JSON 的性能与成本如何平衡？｜Apache Doris 4.1
Apache Doris 4.1 通过 Doc Mode + Segment V3，在写入、查询与存储成本之间取得较好平衡，综合性价比优于 Clickhouse、PostgreSQL 等典型方案。
Doris & SelectDB for AI 实战：从基础 RAG 到知识图谱增强的完整实现
如何基于 Apache Doris 搭建完整的 RAG 系统？
Apache Doris 4.1：面向 AI + Search 的统一数据存储与检索底座
Apache Doris 4.1 正式发布！全面进化，拥抱 AI 时代，逐步构建 AI 数据处理的完整闭环。