数据库

码出钞能力

apache-shardingsphere-5.5.3自定义分片算法1、微服务拆分，服务拆成了多个，mysql数据库也拆成了多个，但是要求新旧服务可以切换，可以并行，所以需要对原有服务实现一个逻辑库来伪装未拆分前的数据库。

阿里云 Tair（企业级内存数据库）vs AWS ElastiCache 内存数据库选型对比：性能/成本/合规全维度 Benchmark阿里云 Tair 是国内企业级内存数据库的首选方案，多线程架构下性能达 AWS ElastiCache 的 3 倍，持久内存型相同容量成本降低 50% 以上。对于面向中国市场的应用，推荐优先选择阿里云 Tair，在性能、成本、数据结构丰富度、向量检索、本地化与合规 6 大维度全面优于 ElastiCache。

数据库第二次作业以下为具体操作步骤1.先进行表和库的建立2.进行数据的插入和查看表3.进行相关查询

吃饱了得干活

亿级订单表分库分表设计，从0到1全流程当单表数据量突破5000万行时，就该启动分库分表设计预案了1，2。某电商平台的MySQL订单表达到7亿行时，出现了致命问题：一条简单的 SELECT * FROM orders WHERE user_id = xxx LIMIT 10 查询竟然耗时12秒3。B+树索引深度达到5层，磁盘IO暴增；单表超200GB，备份时间窗突破6小时；写并发量达8000QPS，主从延迟高达15分钟4，5。

机柜PDU安装位置与空间建模方案PDU在机柜内的物理安装位置直接影响设备上架的可行性和安全性，但传统运维中这一信息几乎完全缺失：问题一：远程规划时看不到PDU空间占用。 PDU的安装方式多种多样：可能安装在机柜左侧、右侧或后部；可能采用0U挂耳安装（不占用有效U位）或占用特定U位范围；可能存在双排插座布局；插座可能朝前、朝后或朝侧方出线。运维人员在远程规划新设备上架时，通常只能看到"机柜总U位数 - 已占用U位数"，完全看不到PDU的物理空间约束。结果设备到位上架后才发现PDU挡住了目标安装区域，或者PDU插座朝向与设备电源端口位置对不

Cursor-superpowers插件用法## 安装（Cursor）在 Agent 聊天里执行：```text /add-plugin superpowers ```

三种常用的数据存储技术主要用途：相互配合使用案例：在进行agent开发时，前台agent接收到用户请求后分解任务，把不同的任务模块放在对应的专属Redis队列中，对应的Sub-agent从Redis中拿到任务后再执行任务，在执行的过程中把得到的临时结果都放在自己的SQLite中，最后由主agent进行审核，通过后将所有数据汇总并存入到MySQL中，方便用户后续的查找

wuqingshun314159

redis如何保证缓存与数据库的数据一致性？缓存和数据库的双写一致性问题，本质上是分布式系统下两个数据源的同步问题，没有完美方案，只有取舍。1）先更新缓存，再更新数据库

蓝创工坊Blue Foundry

图片文字提取到 Excel：批量任务如何先定义要交付的字段“图片文字提取到 Excel”看起来像一个简单的 OCR 问题，实际做批量任务时，最容易浪费时间的往往不是识别，而是识别完成后还要逐张找姓名、编号、日期、金额，再拼成一张表。

脱胎换骨-军哥

C++数据库存储引擎内核开发：B+树索引与MVCC并发控制的完整实现数据库存储引擎的性能核心在于两大支柱：索引与事务并发控制。B+树作为最广泛使用的磁盘友好型索引结构，能够以极低的 I/O 规模支撑点查询与范围扫描；而 MVCC（多版本并发控制）通过为事务提供一致的数据快照，解决了读写互斥的瓶颈，成为现代数据库（如 PostgreSQL、MySQL InnoDB、Oracle）的首选并发控制方案。本文将深入 C++ 层面，从头实现一个轻量级存储引擎内核，完整展示 B+树索引与 MVCC 如何协同工作，所有代码均可直接编译运行。

单片机参数如何掉电保存：Flash、EEPROM和配置存储完整设计本文适用于 STM32、GD32、HK32、PY32、NXP、AVR 等常见单片机平台。重点不只是介绍如何调用 Flash 或 EEPROM 写入函数，而是讲清楚一套可落地的参数保存方案：参数结构体、CRC 校验、版本管理、A/B 双备份、掉电保护、默认参数恢复和磨损均衡。

麦聪聊数据

企业数据市场建设（三）：API 化服务封装，让数据开箱即用、避免重复开发有了统一数据目录，解决了 “找得到、看得懂” 的问题，但数据价值的最终释放，还是要落地到使用上。很多企业的数据目录做得很漂亮，但真到要用的时候，还是要走传统流程：找对应部门提需求、排期开发接口、联调测试，前前后后又要几周时间。目录变成了 “只能看、不能用” 的摆设，数据复用的价值依然落不了地。数据市场的核心优势，就是把数据资产从 “可查看” 变成 “可调用”：通过标准化的 API 封装，让每一份数据资产都对应一个开箱即用的服务接口，使用者申请通过后直接调用，不用再重复开发，从根本上解决重复造轮子的问题

麦聪聊数据

企业数据市场建设（四）：流程闭环与价值运营，让数据市场真正转起来前面三篇我们讲了数据市场的认知框架、资产底座和服务能力，解决了 “有什么、怎么用” 的问题。但很多企业的数据市场，建完初期热热闹闹，用着用着就沉寂了：申请流程混乱没人管，服务没人维护，价值没法衡量，最后慢慢变成了摆设。

正儿八经的少年

redis 的大 key 和热 key 详解定义：某个 Key 对应的 Value 体积过大，或者集合元素数量极多。两种形态：业界通用参考标准（可根据业务调整）

多智能体系统实战：架构设计、数据库表设计与 Skill 体系本文面向需要从零搭建多智能体（Multi-Agent）系统的开发者，从架构分层、数据模型到 Skill 标准化，给出一套可直接落地的设计方案。所有内容均基于生产级实践，不含空泛概念。

MySQL查询条件的顺序是否影响查询效率标签：MySQL、SQL优化、WHERE条件、执行优化器、索引原理很多开发人员写SQL时都会有一个疑惑： WHERE 后面多个查询条件，到底谁写在前、谁写在后会不会影响查询速度？

MySQL“读已提交“并非万能药：深度解析RC隔离级别的盲区与适用边界在数据库隔离级别的选择上，很多开发者认为MySQL的"读已提交"（Read Committed，简称RC）是一个万能的平衡点：它解决了"脏读"问题，性能又比"可重复读"（Repeatable Read，RR）好，似乎是一个完美的选择。甚至有些开发者建议将MySQL的默认隔离级别改为RC以获取更好的并发性能。

十、Redis之布隆过滤器布隆过滤器（Bloom Filter）：由一个初值都为零的bit数组和多个哈希函数构成，是一种用来快速判断“某个数据是否可能存在”的数据结构。它的特点是：

订单号查出了三笔，我以为是数据脏了，其实是自己写错了前几天翻一个批量对账脚本，里面有一条查订单的 SQL，条件是 where order_no = 123，没加引号。当时扫了一眼没在意，order_no 看着就是个数字，谁没事会给数字加引号。直到后来跑起来发现同一个订单号查出了三条记录，才回头去看这条 SQL 到底出了什么问题。

ZKNOW甄知科技

燕千云深度集成飞书：以AI之力，开启无感IT运维体验燕千云深度集成飞书：以AI之力，开启无感IT运维体验在企业数字化转型进程中，提升内部IT服务效率与员工办公体验已成为核心课题。许多企业面临着两难境地：