登录社区云,与社区用户共同成长
邀请您加入社区
All UsersHow to recreate the ASMSNMP user when its password is forgotten?Example:DBCA fails because the provided password for ASMSNMP is not valid/proper/correct.As the ASM home software owner, connec
OpenClaw 的历史 Session 数据其实比 TUI 中看到的丰富得多。session_id用户消息 → AI 回复 → 消息时间 → 响应耗时再往前走一步,还可以统计每个企业微信用户的平均响应时间、P95 响应时间、慢请求以及每天的对话量。对于真正把 OpenClaw 用在企业微信客服、内部助手或者生产 Agent 上的人来说,这些数据可能比单纯看 Token 消耗更值得关注。OpenC
NineData亮相2026中国数据库技术大会,CEO叶正盛发表主题演讲,探讨AIAgent时代下的数据库管理新挑战与解决方案。随着企业数据环境日益复杂(多数据库、多云架构、AIAgent驱动),NineData提出通过云原生智能数据管理平台整合数据库DevOps、数据复制和AI能力,构建统一治理体系。平台具备细粒度权限管控、自动化规范检查、全链路审计等核心功能,支持100+数据源和秒级跨地域同步
在科技创新领域,也可能需要经历同样的一次跃迁:让论文成为数据,让专利成为数据,让技术关系成为数据,让产业知识成为AI真正可以调用的知识。大会讨论的科学数据Token化,本质上就是在解决这个问题:不是把数据“翻译”成人类语言再给AI,而是让AI学会理解数据自己的语言。Token化真正要解决的,是让原本彼此不同、彼此隔离的专业数据,获得机器可以理解、比较、关联和推理的表达方式。但科学世界并不是一个“文
然而,由于该线程实际上已不存在,其对应的在线日志(Redo Log)或归档日志也早已被清理,导致DRS的日志抓取组件(Logmanager)在初始化阶段即因无法定位有效的日志起点而陷入未知错误,最终导致任务失败。结合客户的实际数据库环境进行分析。然而,在任务配置完成后,启动“全量+增量”模式的迁移任务时,任务状态未能进入正常的同步阶段,而是迅速报错并进入失败(Failed)状态。为了定位根本原因,
当 Agent 拥有大量工具时,每个工具的 JSON Schema、参数说明、使用示例都会进入上下文。工具数量越多,留给任务本身的空间越少。这带来一个反直觉结论:加入更多工具,并不总是让 Agent 更强。超过一定阈值后,工具描述反而会挤占推理空间,导致调用准确率下降。滑动窗口:只保留最近 N 轮完整内容;滚动摘要:把较早内容逐轮压缩成结构化摘要;关键事件提取:把工具调用结果、错误、决策点抽取为“
想象你开了一家大型餐厅。大模型(比如 DeepSeek V4、GPT-4、Claude)就是餐厅里的天才主厨。他脑子极好,你给他食材和菜谱,他能做出任何菜。但他有一个致命问题——他只会站在灶台前"想"和"说"。他不能自己去冷库拿食材,不能打电话叫外卖小哥送调料,不能记录今天用了多少盐,更不能在自己切到手的时候给自己包扎。那么问题来了:谁来帮主厨把这些"动手"的事情干了?维度LangChainLan
业务场景推荐方案关键理由电商详情页 / 内容 FeedPolarDB 集群地址 + Tair 缓存毫秒级延迟,分钟级弹性,缓存卸载高频读报表与 BI 查询RDS 只读实例(专用节点隔离)报表负载不影响在线业务读性能金融交易对账PolarDB(全局一致性)+ RDS 三节点企业版(RPO=0)强一致读,写零丢失SaaS 多租户查询PolarDB 集群地址租户读负载弹性扩展,分钟级应对增长写密集型(I
本文介绍了如何利用SQLite数据库实现AI应用数据的持久化存储。在Python中通过sqlite3模块操作SQLite数据库,结合LangGraph的SqliteStore和SqliteSaver组件替代原有的内存存储方案。具体实现包括:配置SQLite数据库连接、修改智能体创建参数、调整模型绑定工具策略,并添加详细的工具调用提示词。测试显示应用重启后仍能准确读取用户偏好数据,验证了数据持久化功
在所有的修改结果存入磁盘前,回滚段中保持恢复该事务所需的全部信息,必须以数据库发生的事务来相应确定其大小(DML语句才可回滚,create,drop,truncate等DDL不能回滚)。(1)约束是和表关联的,可在create table或alter tabletable_name add/drop/modify来建立、修改、删除约束。表约束即主键和外键,可从dba_constraints和dba
上周需求评审,产品经理提了个需求:"做一个智能分析助手,能自然语言查指标,还能自动解释异常波动。团队里有两个候选人,A同学上周刚用LangChain搭了个Demo,能跑通简单查询;B同学做过几年数据分析,SQL写得溜,但Agent经验为零。最后这个需求给了谁?没人给。因为产品经理自己也知道,这个需求在Demo里能跑通,但真要上线,还有三个问题没回答清楚:权限怎么隔离?调用日志怎么留?异常波动解释错
本文系统阐述了AI架构中的三层结构:Tools、Agent和Workflow。Tools是最小能力单元,负责执行具体操作但不做决策;Agent是自主决策系统,通过思考-行动-观察循环动态完成任务;Workflow是开发者预设的确定性流程框架。三者在项目中通常嵌套使用:Tools提供基础能力,Agent处理不确定性任务,Workflow编排整体流程。生产环境推荐采用"Agentic Workflow
国内数据库领域取得重要进展:NineData云原生智能数据管理平台V5.0与崖山数据库YashanDB V23完成兼容性认证,实现全链路研发管理支持。YashanDB作为完全自主的国产数据库,性能超越国际主流产品50%,已在金融、政务等领域核心系统替代国外产品。NineData作为新一代智能数据管理平台,通过AI驱动提供数据库全生命周期管理能力。此次适配将显著提升企业三方面价值:研发效率(统一SQ
目标很小,只做一个能跑起来的 SpringForAll 内容运营助手:使用 eve init 创建项目;使用 Vercel AI Gateway 调用模型;编写最小的 Agent 配置和 always-on instructions;通过 Eve CLI 的 chat 界面完成一次对话;暂时不引入自定义 Provider、skills、subagents、sandbox、tools、schedul
换手率:=COUNT(VOL/CAPITAL*100<3,N)=0;均价:=DYNAINFO(11)+(DYNAINFO(11)*0.021);换手率:=COUNT(VOL/CAPITAL*100<3,N)=0;量比:=V/REF(MA(V,5),1);
大模型出来后,很多同行问我HR能不能用AI提效。我的回答是:能,但得选对方向。别碰模型训练、别搞计算机视觉,那些离HR太远。
5,CST_ITEM_COST_DETAILS物料成本明细数据,从CST_LAYER_COST_DETAILS。如果否的话,对CACD中记录进行更新,计算CACD.new_cost物料新成本,1,成本处理器处理需要计算成本的库存事务,根据库存事务生成CTCD。4,更新CST_ITEM_COSTS中数据,计算整个组织的平均成本。如果是的话,平均成本无需重新计算,系统直接更新CQL中的数量。如果CLC
本文分享了作者3个月来使用AI工具辅助管理50套Oracle数据库的真实体验。AI在AWR报告分析、巡检脚本生成、报错解读、文档撰写和告警降噪五个方面显著提升了效率,平均节省30%工作时间。但同时也存在五大风险:AI缺乏环境上下文理解、优化建议过于泛化、可能产生错误信息、提问方式影响效果以及API成本问题。作者强调AI是工具而非替代品,DBA需要保持专业判断力,所有AI建议必须经过测试验证。最终结
数据库模式是数据结构的逻辑容器,称为模式对象。模式对象的示例包括表和索引。您可以使用 SQL 创建和操作模式对象。About Common and Local User Accounts(关于公用和本地用户帐户)Common and Local Objects(公用和本地对象)Schema Object Types(模式对象类型)Schema Object Storage(模式对象存储)Schem
一次基于开源模型的对照实验,试图通过控制上下文长度,测绘大模型安全审查权重的衰减曲线。实验环境为本地部署,排除外部过滤器干扰;变量设计包括六个长度梯度与固定危险载荷。执行过程中遭遇环境配置、Token精确切分与数据保存等技术问题。最终因载荷敏感性不足,模型未触发任何拒绝,衰减曲线呈现为一条零线。实验未能验证假设本身,但完整记录了一套低资源、可复现的逆向测绘方法。结论开放:更严格的载荷与多模型对照仍
想象一下,你的企业拥有海量数据——文档、数据库、网页,却总在关键时刻找不到答案;或者好不容易引入了AI,却发现回答要么不准、要么跑偏,甚至连简单的问题都答得驴唇不对马嘴。不懂RAG的原理,永远只是文档搬运工。
核心定位:**AgentFlow是一站式环境生成高质量训练和评估数据的框架。它解决Agent数据合成的三大痛点:环境开销高、轨迹质量不均、评估基准不标准。内置RAG、MM-Doc、Deep Research、GUI、SQL、数据分析等环境,跨异构Agent无缝合成数据。
今天不聊虚的,我们直接切进核心代码。看看它是怎么把**责任链模式**、**配置驱动思维**和**任务编排哲学**,严丝合缝地揉进 LangGraph 骨架里的。顺便对标一下微软 AutoGen AG2 最新的架构演进,你会发现,行业对 Agent 运行时(Agent Runtime)的解法,正在收敛。
每个客户一个 Agent”、“每个任务一个 Agent”、“每条邮件线程一个 Agent”,这些原来成本不可接受的设计,在 DO 上都变得可行。Agent 更像私人厨师,每次都是不同的食材、不同的技法、不同的工具。但把它们接在一起,形状就变了:一个 Agent 不再是一个运行在本地、崩溃就没了的进程,而是一个可以持续数周、跨越网络中断、在无人值守时自主行动的实体。传统的工具调用有一个固有的尴尬:模
2026年企业数智化转型整体解决方案当前,全球数智化转型已进入“智能原生”新阶段,AI原生、数据资产化、智能协同成为驱动企业升级的三大核心关键词,数智化已从企业“选择题”转变为关乎生存与发展的“必修课”。根据IDC发布的2026年行业报告,全球IT运维市场规模已增长至1.5万亿美元,年复合增长率高达18%,而我国企业数智化转型渗透率虽已提升至62%,但仍有超过70%的企业存在数据孤岛、技术架构落后
单细胞组学技术通过对单个细胞开展高分辨率表征,彻底革新了人们对细胞多样性的认知。但这类数据集具备空前的规模与异质性,亟需稳健的数据整合与注释框架。细胞本体(Cell Ontology, CL)为经典细胞类型提供标准化、跨物种的术语,是实现数据「FAIR(可发现、可访问、可互操作、可复用)」原则的核心资源,也是各类生物信息平台与工具的核心组件。本文阐述了CL在多类平台与工具中的广泛应用,详述CL的内
本文介绍了在Windows环境下搭建Oracle大数据开发基础环境的完整流程,分为4个阶段:1)切换到XEPDB1容器;2)创建开发用户bigdata_dev并授权;3)创建订单表并插入100万测试数据;4)执行4个典型分析SQL验证环境。关键步骤包括确认数据文件路径、创建表空间、配置用户权限,并通过PL/SQL批量生成测试数据。完成所有步骤后,即可进行SQL优化、PL/SQL编程等大数据开发练习
本文介绍了DataAgent技术在数据分析领域的应用,重点推荐了5款实用工具:1)国产FineChatBI,具备语义层理解和自愈能力;2)开源框架Vanna,采用RAG技术提升准确性;3)本地化方案DB-GPT,保障数据隐私安全;4)ChatDB,支持多步推理记忆;5)LangChainSQLAgent,提供灵活定制。文章对比了各工具特点,解答了安全性、易用性等常见问题,指出DataAgent通过
针对这一背景,我们尝试在向量数据库之上,搭建一层更贴合 Agent 的知识交互层,将其设计为类似文件系统的使用形态,这就是 VKFS。
select *from ctxsys.ctx_indexes ------默认创建的Domain index 不带sync 选项,不会自动sync,commit也不会sync,需要加上参数。,CTX_VALUE varchar2(1))--TEXT index 查询类,伪列。fast_dml----没有memory的定义了。
在 AI 时代,如何让数据库理解语义、实现智能搜索成为热点话题。Oracle 26ai 数据库内置了向量搜索能力,无需外部向量数据库,就能在 SQL 层面完成文本语义检索。本文将带你从零开始,在 Oracle 26ai 中完成 ONNX 模型加载、向量生成和相似性搜索的全流程。
理解向量数据库,先要理解什么是向量(Embedding)。向量数据库解决的问题技术本质语义搜索相似向量检索推荐系统用户/物品向量匹配RAG知识库文档向量+相似度召回图像搜索视觉向量比较人脸识别人脸向量匹配向量数据库是AI时代的基础设施,就像关系型数据库是互联网时代的基础设施。几乎所有真正有用的AI应用,背后都有一个向量数据库在支撑。延伸阅读Chroma官方文档Pinecone文档。
DBCS图形管理工具不但能够减轻从业人员的工作量,而且也是新手学习数据库的利器。数据库的学习晋级在于实践,实践的效率远远高于读书、读文档、问AI,因此掌握一款图形化的数据库管理工具非常重要,它会作为一位忠实的朋友能陪伴大家很多年。三种安装方式汇总,就不信你安不上三种升级方式汇总,让你轻松离线升级DESK倚天剑全名:运维桌面工具套装软件集办公、运维、开发场景常用功能于一体的桌面工具软件管理操作系统、
想象一下这个场景:你负责的AI Agent系统刚刚上线,一切似乎都运行得很完美。用户反馈积极,业务指标稳步上升。然而,三天后的一个深夜,你收到了一条告警:“Agent响应延迟超过5分钟,用户满意度骤降”。你立刻登录系统,检查了服务器负载——正常。查看了数据库状态——一切正常。检查了网络连接——没有问题。但Agent就是出现了间歇性的性能问题,有时甚至完全停止响应。你尝试复现问题,但在测试环境中一切
True Cache 是 Oracle 26ai 引入的内存中、一致性、自动管理的缓存层,它位于主数据库(Primary Database)和应用程序之间,专门用于加速只读工作负载。│ 应用程序层 ││ │ 应用 A │ │ 应用 B │ │ 应用 C │ ││ │ (读写) │ │ (只读) │ │ (只读) │ ││ │ │ │ ││ │ │ ││ │ │ │ ││ │ ▼ ▼ ││ │ │
本文对比了主流AI Agent框架的优缺点及适用场景。作者通过亲身踩坑经历,指出没有"最好用"的框架,只有"最适合"的框架。详细分析了LangChain、LangGraph、AutoGen、CrewAI等框架的特点,强调框架选择应基于具体需求:快速验证用Phidata/OpenAI API,复杂控制流用LangGraph,多Agent协作选AutoGen/C
还在为微信网页自定义分享功能频繁遭遇“updateAppMessageShareData:fail, the permission value is offline verifying”而头疼?本文将从公众号认证、JS-SDK权限、域名绑定、网络、缓存及API版本六大维度,为您深度剖析此错误成因,并提供一套系统性的排查与解决方案,助您轻松攻克权限验证难题,确保分享功能畅通无阻。
RAG 真的没有那么难,难的是没人用小白的话讲清楚,难的是踩坑后没人指路。我也是从完全不懂、到处报错、甚至想放弃一路走过来的,所以我知道大家卡在哪里——不是不会写代码,是怕概念太复杂,是怕代码跑不通,是怕踩坑没人帮。这篇文章我尽量写得通俗、简单、能跑通,没有复杂术语,没有多余废话,代码全部可复制,就是希望和我一样的普通计算机学生,能少走弯路,快速做出属于自己的 AI 项目。如果你也在入门 RAG、
本文介绍了智能体(Agent)系统的数据模型设计,将持久化数据分为三类:Agent与对话状态、对话消息记录、系统知识库。详细设计了6个核心表:Agent表(固化配置)、ChatSession表(对话锚点)、ChatMessage表(全流程追溯)、KnowledgeBase表(知识边界)、Document表(原始资料)、ChunkBgeM3表(RAG载体)。重点阐述了各表的功能定位和相互关系,强调了
2026年数据库变更审批工具选择指南:NineData为何脱颖而出 随着企业数据库环境日益复杂(多云/混合云/多数据库),传统审批工具已无法满足需求。NineData凭借对行业痛点的深刻理解,构建了闭环式变更管理平台,成功跻身第一梯队。其核心优势在于: 体系化设计:将审批与权限管理、操作审计、开发协同深度整合 多云适配:通过分布式架构实现跨云/跨地域统一管理 全流程闭环:集成了SQL开发、数据复制
排查慢 SQL 的核心流程是"发现->定位->分析->优化"。三大数据库实现方式不同: MySQL 依赖慢查询日志,通过 mysqldumpslow 工具分析,配合 EXPLAIN 查看执行计划 PostgreSQL 使用 pg_stat_statements 扩展模块记录SQL性能数据,结合 EXPLAIN ANALYZE 深入分析 Oracle 通过内存视
他打开监控面板,查看日志,翻阅 Wiki,逐步排查——连接池耗尽、上游服务限流、数据库慢查询......两小时后终于定位:**Redis 集群发生了主从切换,客户端连接池未及时刷新**。
在数据库工程中,SQL优化是提升系统性能的关键环节。据统计,通过合理的SQL优化可减少60%以上的数据库负载,提升应用响应速度3倍以上。本文将深入解析SQL优化核心策略,结合真实案例与Explain工具分析,助你掌握从理论到实战的完整优化方法论。
摘要:SpringBoot与PostgreSQL联动监控需通过AppDynamics实现三层关联分析:API性能入口(响应时间/吞吐量)、数据库调用分析(JDBC耗时/TopSQL)和数据库深度明细(WaitStates/执行计划)。典型排查流程为:从业务API定位慢查询→分析具体SQL→通过WaitStates判断根因(如索引缺失)。关键配置包括PostgreSQL监控权限、pg_stat_st
物联网安全:从理论到实践的全面防护指南 物联网安全已成为数字时代的关键挑战,其风险已从数据窃取升级为物理世界破坏。本文系统梳理了物联网安全体系:首先解析其"云-管-边-端"四层架构,每层面临独特威胁——终端设备的物理攻击、边缘节点权限滥用、网络层的中间人攻击及云平台API漏洞。通过Mirai僵尸网络等典型案例,揭示攻击者如何利用物联网弱点造成实际破坏。防护措施包括修改默认密码、
在数据库工程领域,SQL优化是提升系统性能的关键环节。本文以“SQL优化”为核心关键词,结合索引策略、查询案例、Explain分析三大维度,通过2500+字干货内容,为你构建完整的SQL优化知识体系。
Fusion Applications 是 Oracle 提供的一套基于云的、集成化的企业级 SaaS 应用套件,其核心理念是将人工智能(AI)、机器学习(ML)、自动化与自然语言处理等先进技术深度嵌入到各业务模块中,实现智能决策、流程优化和用户体验升级。您提到的分类准确反映了 Fusion 的三大支柱领域:
- ✅ 数据零出境:所有数据、元数据、日志、流量均驻留在客户本地网络内;- ✅ 一致体验:API、控制台、CLI、SDK 与公有云完全兼容,应用可无缝迁移或混合部署;- ✅ AI 就近赋能:支持在本地运行 OCI Generative AI 服务(如 Cohere 模型)、AI Vector Search、ML 模型推理及 RAG(检索增强生成)等多步 AI 工作流,无需上传原始数据至公有云;-