大数据

阿里云大数据AI技术

StarRocks x Fluss x Paimon湖流一体方案：构建秒级响应、湖流一体的实时数据引擎StarRocks x Fluss x Paimon 湖流一体方案通过将 Apache Fluss（面向分析场景的实时流存储）与 Apache Paimon（高性能湖格式表）深度融合，以 StarRocks 作为统一查询入口，构建了一套具备秒级新鲜度、十倍成本降低、一份数据一次查询的全新实时数据引擎。本文将介绍该方案的核心架构、技术优势、查询模式以及在阿里云 EMR Serverless StarRocks 上的产品化落地。

Agent 轨迹分析与归因的数据工程实践活动时间：2026 年 6 月 18 日（周四）演讲实录：智能纪要：databend社区活动 2026年6月18日 PPT：www.bohutang.me/talks/2026-…

Go Wind UBA 拆解系列 - 架构总览：三服务、数据流与契约优先本文回答一个问题：当一个用户行为从浏览器发出，到最终在 Vue 看板上变成一条留存曲线，中间经过了哪些服务、哪些代码、哪些取舍？

Go Wind UBA 拆解系列 - 多租户与安全：两套隔离机制的边界本文回答一个问题：一个 SaaS 级 UBA 平台，怎么保证租户 A 绝对看不到租户 B 的数据？答案藏在两层完全不同的机制里——而它们的边界差异，恰恰是最值得讲的部分。

Go Wind UBA 拆解系列 - OLAP 与 SQL 硬核：25 个分析模型怎么落地本文回答一个问题：25 个分析模型（漏斗 / 留存 / LTV / 归因 / 路径……）在 ClickHouse 和 Doris 上，到底是用什么 SQL 写出来的？双引擎又是怎么做到"一份业务模型，两份实现"的？

Go Wind UBA 拆解系列 - SDK 与采集层：从浏览器到 Kafka本文回答一个问题：一个埋点事件，从用户在浏览器里点了一下，到最终被 Kafka 接住，中间的 SDK 和 Collector 做了多少你看不见的工程？答案是：比你想象的多得多。

QCC产品中心

MiniMax Agent 接入实测：企业查询、股权穿透与 UBO 识别（附 Prompt 模板）导读：MiniMax Agent 金融场景已正式接入企查查 MCP 企业基座（qcc-company Server），覆盖 4 亿+ 市场主体结构化数据。本文记录投研初筛、UBO 合规穿透、关联网络梳理三个金融高频场景的实测过程，每个场景附完整 Prompt 模板和工具调用链路，开发者可直接复用。

Apache Doris Python UDF：让 SQL 直接调用 Python 生态，支撑 Agent 时代复杂业务逻辑随着 AI 应用和实时分析场景深入，进入数据平台的不再只是结构化业务表。日志、JSON、文本内容、行为事件、模型推理结果等半结构化和非结构化数据，正在成为实时分析的常见对象。

ApacheSeaTunnel

当多表数据涌入，Apache SeaTunnel 如何巧妙化解主键冲突？点亮Star！https://github.com/apache/seatunnel来源 | 数仓生态圈

大大大大晴天

Hudi Metadata Table 与 Hive Sync (HMS)怎么选？在很多Hudi的读写使用场景中，我们都会将Hudi的元数据同步给HMS进行Hive/Hudi元数据统一存储管理，以至于很多人混淆Hudi Metadata Table 与 Hive Sync (HMS)的概念与关系，认为保留一个就行。

手可摘星辰777

一次线上FlinkCDC异常排查复盘任务架构： MySQL (Master/Slave) -> FlinkCDC (3.3.0) -> Flink TaskManager -> Paimon (On HDFS)

大大大大晴天

Hudi技术内幕：Metadata Table原理与实践Hudi 的 Metadata Table（元数据表）是 Hudi 0.11 版本引入、并在 1.x 版本中逐步成熟的核心基建。它通过将文件列表、列统计信息、布隆过滤器等元数据以 Hudi MOR 表的形式进行本地化管理，从根本上消除了对云存储（如 S3、HDFS）list files操作的高频依赖，显著提升了查询规划（Query Planning）速度和写入效率。

大大大大晴天

Hudi技术内幕：深入解析Index索引机制Apache Hudi 的核心竞争力之一在于对数据的高效 Upsert（更新/插入）能力，而 Index（索引）正是支撑这一能力的关键，索引的本质使命是：在写入时快速定位一条记录是否已存在，以及存在于哪个文件中，从而避免全表扫描。

阿里云大数据AI技术

Flink Forward Asia 2026 深圳启幕：Agentic Streaming for AI，开启实时智能新范式6 月 26 日，由 Apache 软件基金会（Apache Software Foundation）官方授权，阿里云主办的社区年度技术盛会 Flink Forward Asia （FFA）2026在深圳正式拉开帷幕。本届大会以"实时数据，智能未来"为主题，吸引了来自全球的开发者、数据工程师、AI 从业者及行业领袖齐聚鹏城，共同见证实时计算技术迈入 AI Native 新纪元的关键时刻。

阶跃星辰基于 SelectDB 构建 PB 级 Agent 可观测平台导读：在 SelectDB AI 产品发布会上，阶跃星辰可观测性专家 Ric 分享了 Agent 不确定性带来的可观测性挑战，为什么选择 SelectDB 作为 Agent 可观测平台 StepTrace 的数据底座，获得 Agent Trace 实时写入、全文检索、成本和延迟分析等方面的优势，并在 SWE-Agent 代码评测与智能座舱两个真实场景中落地。

大大大大晴天

Hudi技术内幕：RecordPayload到RecordMergerHudi 作为数据湖领域的核心组件，其 Record Payload 机制是实现数据增量处理、去重合并的关键抽象，它定义了当新旧记录发生冲突时，如何决定最终保留哪条数据、如何合并字段。

秒级弹性、最高降本 70%：SelectDB Serverless 如何重塑云数仓资源效率过去十年，数仓从"上云"走向"云原生"。然而在资源管理层面，一个根本性矛盾依然存在：业务负载具有波动性，而资源规格通常只能依据峰值提前锁定。

MapReduce框架原理解析一：InputFormat在大数据处理的宏大叙事中，MapReduce 无疑是那个开启了时代篇章的经典模型。它将复杂的并行计算抽象为“Map（映射）”和“Reduce（归约）”两个核心阶段，让开发者能够专注于业务逻辑本身，而无需深陷于分布式系统的复杂性泥潭。然而，一个 MapReduce 作业的成功启动，并非始于 Mapper 的第一行代码，而是源于对输入数据的精准规划与读取。这正是 InputFormat 大显身威的舞台。

MapReduce框架原理解析三：OutputFormat在 MapReduce 框架中，数据如何被写入到文件系统，是由 OutputFormat 组件决定的。它是 MapReduce 数据处理流水线的最后一环，负责将 Reduce 阶段（或 Map 阶段，如果没有 Reduce）产生的结果数据，按照指定的格式和路径写入到HDFS或其他存储系统中。

MapReduce框架原理解析二：Shuffle在 MapReduce 的宏大叙事中，如果说 Map 是“分”的智慧，Reduce 是“合”的艺术，那么连接这两者的 Shuffle 过程，就是那根穿针引线的“金线”。