数据库

PostgreSQL常见索引问题与解决方案上一篇我们聊了索引的设计策略：怎么建复合索引、什么时候用部分索引、INCLUDE 的收益边界在哪里。但建好索引只是开始。真实的生产库跑上几个月，往往会积累出一堆“看起来有用、实际没用”的索引——有的因为查询写法失效，有的因为统计信息过期被优化器放弃，有的因为 MVCC 膨胀到体积是合理值的几倍，还有的纯粹是冗余。这一篇，我们把索引从“建”到“管”的常见问题逐一拆开：为什么索引没被使用？怎么找到没用的索引？找到了之后怎么安全地清理？

小徐不徐说

序列化与反序列化：把 C++ 对象可靠地保存下来适用环境：原理适用于一般程序；完整示例使用 C++17 与 Qt 6 Core，不依赖 Widgets。

瀚高PG实验室

发布端逻辑复制槽消失系统平台：不适用版本：4.5将发布的数据进行加密，重启服务器后，逻辑复制槽消失，检查发布端数据库报ERROR，42704，“replication slot ”“sub370611”is not exist“,”sub370611”

PostgreSQL慢查询定位与优化上一篇我们聊了索引膨胀、冗余索引和未使用索引的识别与清理。这一篇，我们进入性能运维的核心闭环：发现慢查询、定位根因、实施优化、验证效果。很多人把“慢查询优化”等同于“加索引”，但真实的生产问题往往更复杂：一条查询在 pg_stat_statements 里看起来很快，却因为调用次数极高而消耗了最多 CPU；另一条查询单次跑了 4 秒，但一天只跑两次，总成本远不及前者。优化的对象应该是“总成本最高”的查询，而不是“单次最慢”的查询。

香蕉大香蕉（06敬畏市场）

MySQL 单点详解（07）面试官：update 一行没走索引，为什么会锁住整张表？面试官：间隙锁锁的是数据吗？两个事务能同时拿到同一个间隙的锁吗？

TRAE 插件上新 | SQLazy：让 AI 写出可信复杂 SQL做数据分析的人，大都有过这种拉扯：需求一句话就能说清，落到 SQL 却要写几十行嵌套；AI 写倒是快了，可结果敢直接用吗？字段会不会编、逻辑会不会偏、口径对不对，最后审计一遍的成本，跟自己写差不多。

我要见SA姐1

GitHub Actions 自动化：5 个真实运维提效案例简述传统运维流程中的重复劳动与人工失误痛点，说明 GitHub Actions 在事件驱动、生态集成和成本控制上的优势，并给出本文的实践定位：面向中小团队的真实落地场景。

边坡监测预算有限时的建设顺序：虚拟基准站与成本账预算有限时，边坡监测项目的建设顺序与成本分配是头号问题——这是常态，不是例外。30处边坡只有30%的预算、第二年还要续建，这种条件下"一步到位"的方案没有意义，问题的正确形态是：钱优先花在哪，剩余风险怎么留。这个问题可以按三个层级拆解：高危断面先上GNSS测点+FindMM虚拟基准站（免自建、单点即可运行），预警闭环跟上，面监测后置。

这个DBA有点耶

1亿条向量内存降95.4%，延迟降80%：金仓AI原生内核真能解决RAG痛点？大家好，我是小耶，写功课只是为了我踩过的坑，你们别再踩了！搞 RAG（检索增强生成）的兄弟，大概率都经历过这种折磨：

用 httpx 写 SerpBase 异步客户端：连接池与超时配置什么时候值得换异步一天几百次请求，requests 完全够用，没必要折腾。真正开始出现瓶颈是「一次要发几十上百个查询」的场景——批量关键词、多市场矩阵。同步串行跑，网络往返的时间全加起来，任务一跑就是十几分钟。

量化数据12：国内期货L2历史数据：Tick、逐笔、五档盘口一次性打包下载之前给一个做CTP策略的朋友找铁矿石的历史tick，对方开口就是某德十几万一年——倒也不是说人家贵，是散户真的扛不住。后来乱翻各种数据源，发现有个地方能把全量历史数据直接下到本地，覆盖一档Tick、逐笔成交、五档盘口快照，连分钟线都一块儿给了。其实就是个做低延迟行情分发的团队，把上期所、中金所这些原始数据流存了下来，打包成离线文件，你付个服务器维护费就能拿走。

从"补短板"到"强优势"Linux与数据库认证成为产业跃迁人才支点中国基础软件产业正在经历一个思路上的转向。过去几年，产业政策与市场话语集中在“补短板”上，即把数量上明显不足的人才尽快填进缺口。但当缺口以“十万”乃至“百万”计时，单纯填补数量已经不足以解释一个更深层的问题：补进来的人站在技术栈的哪一层，以及他们所具备的能力是否足以支撑产业向上跃迁。Linux与数据库认证恰好落在这个问题的交叉点上，它们提供的不是“有没有人”的答案，而是“人能不能站到该站的位置”的可验证信号。

数据库小学妹

MySQL NULL陷阱：NOT IN、三值逻辑与NOT EXISTS大家好，我是数据库小学妹👋 我踩过的坑，你别再踩。月初对账，结算表比支付表少了一批订单。我第一反应是同步漏了，先把同步任务翻了一遍。日志正常，延迟也正常，数据一条没丢。再跑对账 SQL，结果直接是空的。SQL 没报错，条件也没写错，问题出在子查询里的一行 NULL。

Doris 异步物化视图实战：与 Snowflake MV / Dynamic Tables 分层建模对照物化视图是查询加速的通用手段，但两边能力边界差得不少。Apache Doris 的异步物化视图一套机制覆盖多表 join、嵌套、分区增量刷新与资源管控；Snowflake 把单表加速与多表管道拆成两套机制——Materialized Views 与 Dynamic Tables。本文以实战笔记的写法把建视图、开改写、看监控、排错现场一步一步列清，并给出与 Snowflake 的逐行对照，方便做数据分层建模时选对工具。两边并非简单优劣关系，而是机制划分与适用负载不同；下文把能力清单、成本结构与限制逐条对齐，

MySQL 建库命令详解：从 CREATE DATABASE 到create table建表时最关键的决策之一就是字段类型的选择。MySQL 的数据类型大致分为数值、字符串、日期时间、二进制和 JSON 五大类，选型时优先考虑「够用就好」，避免盲目使用大类型。

后端第十六课：Multi-Agent 多智能体（让多个 Agent 分工协作）👋 我是 Yulia，一线 AI 应用开发工程师：4 年工程经验，在职做大模型应用落地。只写一件事——把最新 AI 技术讲成人话 + 给你能直接上手用的代码（真实可验证，不搬运不注水）。有用就点个关注，持续更新大模型应用的前沿实战。

MongoDB迁移之后，Spring Data 和 Hibernate 各自接哪类请求MongoDB迁移到 KingbaseES，代码改造量往往不由集合数量决定，而由应用实际调用了哪些 MongoDB API 决定。Repository 派生查询、聚合管道、批量写入、事务会话和索引管理，验证范围并不相同；驱动连通，只能说明连接层已经打通。

数据库日期类型字段如何选型：跨数据库兼容的实践指南在单体应用时代，日期字段选什么类型往往取决于"当时用的那个数据库"。但一旦系统需要支持多数据库（MySQL、PostgreSQL、Oracle、SQL Server、达梦、人大金仓等），或者需要做数据库迁移、信创适配，日期类型就会成为最容易踩坑的地方：

这个DBA有点耶

主库秒级，从库延迟2小时：深挖Online DDL回放的MDL阻塞与算法降级机制大家好，我是小耶，写功课只是为了我踩过的坑，你们别再踩了！前阵子遇到一次极其典型的生产事故：凌晨2点，我在主库给一张8000万行的核心交易表加了个字段。

KingbaseES数据库教程：初识数据库，从安装到跑通第一条SQL大家好，我是博主xcLeigh。数据库国产化这条路上摸爬滚打十来年的一个老兵。从这篇开始，咱们就算正式搭伙了——《电科金仓数据库从入门到精通》，就从这儿起步。