粉丝3605获赞3.3万

继续上干货啊!什么是真正的任务驱动?因为有的老师上课的时候明明设计了活动,但是总有人说,哎呀,你怎么没有任务驱动啊?那我们来说一下什么是真正的任务驱动?任务驱动大概就是说把知识点融入到一个真实的情境里边去,或者说 核心问题加上一个任务的外一叫任务驱动。我举个例子来讲,比如初中数学有一个任务的外一叫任务驱动。我举个例子来讲,比如初中数学有一个任务的外一叫任务驱动。我举个例子来讲,比如初中数学有一个,我们可以设计这样一个任务, 王奶奶有一个水果摊,香蕉一块六一斤,然后呢,他发现每降一毛钱能多卖十斤。 问王奶奶,香蕉应该定到什么价位,当天获益最多,这叫任务驱动,因为你通过帮助王奶奶确定香蕉价格来学会了二次函数。那什么不是任务驱动呢?比如老师对同学们说,在二次函数对称轴两侧 距离对称轴相等的点,它的值有什么关系呢?当然这个可能是相等,对吧?这个是任务驱动吗?这个显然不是任务驱动,因为你没有给这个知识加上一个解决实际问题的外移。大家明白这个意思了吗? 再举一个例子,比如说地理上有冬季啊,南北温差很大。任务驱动的设计师小明在广州,想去哈尔滨旅行,他需要准备什么衣服?那么这个呢,自然的要考虑到南北温度差异。哎,所以这个知识点呢,就融进来了。 那么不是任务驱动是什么意思呢?就是观察课本上广州、武汉、石家庄,呃,哈尔滨的气温, 看看有什么区别呢?有什么规律啊?这个不是任务驱动。因为什么呢?你没有加上一个实际的情境,没有任务的万一,所以不是任务驱动。我这么说大家可以明白吗?

今天带大家梳理一下如何通过高效团队管理的一加四加七法则,破解传统团队管理的四大痛点问题,实现从管任务到赋能团队的转变,助力打造一个高绩效的团队。内容有点干,建议点赞收藏,反复观看。下面开始进入今天的内容,我们今天的主题是 怎么通过这个所谓的一加四加七法则。嗯,把团队从这种传统的任务驱动变成一个自我驱动的高效能团队 啊,并且能够解决一些在目标、责任、沟通和成长上面的一些老大难问题。错,没错,对,这几个方面其实一直都是团队管理当中非常重要的环节,那我们就直接开始今天的讨论吧。我们先来说一说传统团队管理的四大痛点啊,就是为什么很多团队 他明明看起来每个人都很忙,但是其实整体的效率一直都上不去。对,这个其实就非常普遍了,因为大部分的团队在成长过程当中都会碰到一些你看起来不起眼,但是其实会拖慢整个进度的一些问题。 那这些问题呢,我们可以把它归结为四个主要的方面啊。好的,那这四个主要的方面都是什么呢?第一个呢,就是目标感的缺失啊,就是很多人他其实并不清楚自己为什么要做手头的这件事情,他只是在奉命行事,所以他没有一个真正的内在的动力。 第二个呢就是责任模糊啊,就是大家的分工不明确,所以一旦出了问题,就很容易互相推卸责任,然后团队的执行力就会大大减弱。 嗯,第三个呢,就是沟通不畅,信息没有办法很顺畅的流通,然后大家跨部门或者跨层级的合作就会很困难,就会导致很多工作的重复,或者说很多资源的浪费。 最后一个呢就是成长停滞,因为团队里面没有什么及时的反馈或者说指导,所以很多成员他就不知道自己应该往哪个方向去努力, 他就很容易一直停留在原地。 ok, 然后我们要讲的这个核心内容啊,就是这个所谓的一加四加七法则到底是怎么回事?他是怎么解决我们刚才说的那些团队里面的老大难问题的?这个法则其实就是一个 很全面的一个方法,他的这个思路就是你只要掌握了这个一加四加七所对应的一些策略啊,就可以很有效的 解决团队目标不清晰、责任不明确、沟通不顺畅等等的一些问题,然后让你的团队的整体的效能有一个质的飞跃。听起来很厉害的样子,那这个法则它具体是怎么实现这种转变的呢?就是它其实是一个从传统的以任务为中心的这样的一个管理方式, 转变到一个以赋能团队为核心的这样的一个新模式。嗯,它的最终的目的就是让整个团队从过去的被动的执行变成一个积极主动的去创新这样的一个状态。嗯,我们接下来要聊的呢,是这个法则背后的一个核心理念啊,就是 以团队为中心。那这个理念到底是怎么要求管理者去改变自己的角色和行为的呢?其实这个变化是很深刻的,就是过去的那种管理者,他是一个 指挥官,他站在这个金字塔的顶端,所有的信息,所有的决策都是从他这里发出,他更关心的是这个任务有没有做完,他是一个监督者的角色。 那在这种模式下呢?员工他就是一个听命行事的人,他没有什么自主的空间,也很难去主动的创新。哎,那这种以团队为中心的这种新的模式下面,管理者的日常的行为会有哪些具体的不同呢?在这种新模式下面,管理者他其实是一个服务者和支持者的角 色,他更多的是要帮团队排除障碍,然后提供资源去关注每个人的成长。 对,他是要激发大家的潜能,让大家都能够主动的去思考,然后整个团队是一个大家一起共创价值,一起分享成果的这样的一个氛围。明白了,那在这种以团队为中心的理念之下, 具体有哪些方法可以帮助团队去打造这种价值共创的文化呢?这个共创的文化其实可以通过三个关键的做法来落地啊。第一个呢,就是要让大家一起参与到决策的过程当中,嗯,就是关键的决策是大家一起商量出来的。嗯,这个时候每个人都会更有责任感, 会觉得这是我们的决定,而不是上面的决定。确实啊,就是让每个人都有话语权,这个是很重要的。那除了决策之外,还有哪些方面是可以推动这个共创的?还有就是信息要完全的透明啊,就是打破部门之间的壁垒,层级之间的壁垒,让大家每个人都能够及时的拿到 他所需要的信息,嗯,那这样的话既可以加快我们的反应速度,也可以减少很多误会和重复的工作。对,还有一个就是目标要同向,就是要把个人的目标和团队的目标结合起来,大家都朝着一个方向使劲,这样的话整个团队的合力才会最大。然后我们再来讲讲 支撑团队高效运转的这四大黄金原则啊,就是这四个原则到底是怎么让团队的基础变得更扎实的?第一个原则就是目标要明确啊,就是每个人都知道我们要去哪,我们要做什么, 这样的话就不会大家浪费精力在一些方向不明确的事情上面,那大家的动作也会整齐很多。 第二个呢就是责任到人啊,就是每一个环节都有一个人对结果负责,这样的话就不会出现大家互相推卸啊,这样的一个情况。听起来就是这两个原则其实就像是两根柱子啊,就把这个团队的效率和执行力就撑起来了。那剩下的两个原则呢?又在团队当中起到什么作用呢?呃, 沟通开放就是要让大家敢于说真话,敢于把问题摆到台面上来啊,这样的话信息才能够非常高效的流转,不会有一些隐藏的障碍。然后反馈及时呢,就是要 及时的去认可大家好的表现,或者是及时的指出需要改进的地方,这样的话团队才能够不断的去调整,去成长。我们先来说说这个目标明确啊,这个原则在操作上面到底有哪些比较实用的方法 可以让团队真的做到上下同频呢?最核心的其实就是要呃避免大家没有头绪地做事情啊,然后统一大家的行动方向,这样的话可以很大程度地减少大家的沟通成本和资源的浪费。嗯,那最常用的一个工具就是我们说的 smart 原则,就是你的目标一定要是具体的, 可衡量的,可以达到的,和你的整体目标是相关的,并且是有明确的截止期限的。这个 s m a r t 原则确实是很经典啊,那除了这个原则之外,还有哪些方法可以保证这个目标是真正落地的呢?目标还要可视化, 就是要把团队的大目标和每个人的小目标都写成文档,或者是做成看板,放在大家都看得到的地方,然后经常的去对照,去检查,还有就是要定期的去对齐,就是每个人的目标和团队的目标和公司的战略要保持一致, 这样的话才能确保所有的努力都是在一条线上,没有偏差。懂了懂了,那这个责任到人这个原则在执行的过程当中,有哪些核心的措施可以让大家 真的就是不扯皮,然后每个人都真的有责任感呢?其实最重要的就是要把这个职责界限划分的非常的清楚啊,就是每一个任务都要有人全权负责,然后他要知道他自己的 权限是什么,他的责任是什么,他的利益是什么,这样的话才不会出现三个和尚没水喝的情况,就是光有分工还不够,还有配套的权限和激励机制对不对?对,就是每一个任务都要明确谁是负责人,然后有哪些人是配合他的,并且要定好这个成果验收的标准, 还要给负责人足够的自主权和资源,让他能够去完成这个任务。最后就是一定要按照结果来进行奖惩, 这样的话大家才会真正的去对结果负责。没错没错,那团队要想做到这个沟通开放,有哪些比较有效的方式可以打破这种信息壁垒,然后让大家真的可以畅所欲言呢? 首先就是要建立一些透明的沟通渠道啊,比如说我们用一些即时通讯工具,让大家可以随时的去交流,然后定期的开一些全员的会议,让大家去同步信息,去做一些回顾, 这样的话信息就不会堵塞在某些人手里,感觉光有渠道还不够,团队氛围也很关键吧。是的是的,就是管理者要带头去分享一些信息,分享一些战略啊,业务的情况啊,然后要积极的去倾听大家的一些不同的声音。还有就是要营造一个心理安全的环境,就是大家可以 大胆的说出自己的想法,甚至是质疑,而不用担心会被批评或者怎么样。嗯,这样的话团队的信任和协助自然就会提升。然后咱们再讲一讲这个反馈及时这个原则啊, 这个原则到底对于团队成员的成长和整体的效能提升到底有多大的作用?其实及时的反馈就是在成员做的好的时候,马上就肯定他,让他知道这个行为是对的, 可以继续保持,然后如果说他有什么不足的地方,也是马上就指出来,这样的话他就可以立刻去调整,所以他的成长的速度会非常的快,所以说反馈这个东西关键就是要抓准时机,对吧?而且要具体, 不能含糊,就是你反馈一定要是在这个事情发生之后,尽快的去给出反馈,然后要非常具体的去指出他哪些地方做得好,哪些地方还可以改进。嗯,最重要的是你是要帮助他成长,而不是说你只是在批评他,所以你要一起去讨论接下来可以怎么调整, 这样的话他才会不断的进步,团队的整体的效能也会不断的提升。我们现在就来仔细的讲一讲这个七步落地流程啊,就是这七个步骤到底是怎么配合起来,把这个 团队管理的理念变成一个一个实实在在的成果的。这个流程的第一步就是要摸清团队的底数啊,就是你要知道你的团队现在有哪些技能,有哪些短板,有哪些优势,然后你才能够根据这个来 制定一个非常清晰的计划,就是你要把你的这个落地的目标拆解成具体的可以执行的一些小的任务,并且做成一个路线图,这样的话大家就知道每一步要做什么。确实有了计划之后,接下来就是具体的分配和执行了,那在这个过程当中,怎么保证 任务是科学的分配到每个人头上的呢?就是要根据每个人的优势来分配任务啊,这样的话既可以做到人尽其才 啊,然后又可以明确每个人的全责。在执行的过程当中呢,还要建立一个定期的同步的机制啊,就是你要去及时的发现有没有什么风险,有没有什么阻碍 啊,然后主动的去为团队提供一些资源和指导啊,让大家可以去解决这些问题,同时也要鼓励大家去创新,去试错啊,就是要营造一个允许失败的氛围,最后还要定期的去复盘, 就是总结经验教训,然后把这个流程不断的去优化。哎,那在这个准备阶段啊,就是这个流程的最开始的三步,嗯,到底有哪些具体的方法可以真正的帮团队打好这个基础, 后面的执行变得事半功倍呢?这个阶段的第一步就是要摸清团队的底数嘛,就是你要非常清楚的知道每个人他擅长什么,不擅长什么,他的工作风格是怎么样的,然后你才能够把合适的人放在合适的位置上,做到人尽其才,确实就是知人善任,这个是非常关键的。 那除此之外,还有哪些事情是在准备阶段必须要做到位的呢?再有一个就是要把团队的目标拆解成非常清晰的,可量化的一个个的小的任务 啊,然后要给每一个任务都设好明确的时间节点和验收的标准。最后就是要根据每个人的能力和特长来科学的分配工作啊。嗯,不要出现有的人忙不过来,有的人又没事干这种情况, 就是要让大家每个人都能够发挥自己最大的价值。 ok, 那 在这个执行阶段啊,就是流程的中间三步,嗯,到底有哪些方法可以让团队既能保证这个进度,又能激发大家的创新的活力呢?这个阶段的话,首先就是要合理的去监督进度啊,就是不要什么事情都要 死死的盯着大家,就是你只要把握住那些关键的时间节点就可以了,然后给大家一定的自主的空间, 这样的话他们才能够发挥自己的主观能动性,遇到问题也可以灵活的去处理。那如果说成员在执行的过程当中遇到了一些难题,那这个时候管理者应该怎么去做呢?管理者这个时候要主动的去发现大家的一些卡点, 然后及时的去提供一些资源,或者是说专业的指导啊,帮大家去解决这些问题,同时也要鼓励大家去创新,去尝试一些新的方法,然后也要允许大家犯错误。 嗯,就是要营造一个很包容的,敢于突破的这样的氛围,这样的话大家才能够不断的去产生一些新的想法,整个团队的创新能力也会越来越强。 嗯,到了复盘阶段啊,就是最后一步了,嗯,到底有哪些关键的环节可以真的让团队通过总结经验,实现持续的成长呢?首先就是要肯定大家的成绩啊,就是要把大家做的好的地方 明确的指出来,让大家有成就感,也增强团队的信心。然后就是要很客观的去分析我们在执行的过程当中有哪些不足啊,并且针对这些问题 给出一些具体的改进的建议,感觉就是不光要找问题,还要把这些经验真正的运用到下一轮的工作当中去才行。没错没错,就是你要把复盘出来的这些经验教训,嗯,变成新的行动计划,然后去执行,这样不断的去循环,就会形成一个 持续改进的闭环,团队就会越做越好,越做越高效。好的,那最后我们要讲的这个关键建议啊,就是,呃,到底有哪些比较务实的,马上就可以做的一些小的行动,可以帮团队 一步步的往高效农去迈进呢?其实不用等到所有的事情都完美了才开始改变啊,比如说你可以先跟你的团队成员一对一的聊一聊,嗯,就是去了解他们现在在工作当中遇到的一些困惑啊,或者是他们的一些需求,这个其实是非常容易做的,而且你马上就可以做 这个一对一沟通,确实是一个比较简单直接的一个方法。嗯,那还有哪些其他的建议呢?还有就是你要建立一个定期的复盘的习惯啊,就是 每次做完一个项目或者是一个阶段的工作之后,大家坐下来一起聊一聊哪些地方做的好,哪些地方可以改进,然后把这些好的方法和经验过化下来。同时管理者也要不断的去提醒自己,要少一点控制,多一点支持和赋能。嗯,就是你要给团队 创造一个可以成长的环境。好吧,我们今天聊了这么多啊,从团队管理的痛点到这个一加四加七法则的理念和实践,给大家梳理了一套从被动执行到主动创新的完整的路径。那这期节目咱们就到这里了,然后感谢大家的收听,咱们下次再见,拜拜。拜拜。

入我体内的以及这些数据最终在我体内磁盘中是如何存储的?那么想从我的体内将数据查询出来,又要经历哪些步骤呢? 想从我体内查询数据,第一步肯定就需要先让我的程序员大哥们通过 sql 语句告诉我具体想要查询哪些数据。 大哥们先通过客户端连接驱动和我的连接池建立连接。由于我的客户端和服务端之间使用半双工方式通信,在任意时刻一端开始发送消息,另一端要接收完整的消息才能响应它。所以我们不能将一个消息切成若干块独立发送 客户端,只能用一个单独的数据包将查询语句发送给服务器。我当然也提供了用来改变传输数据包大小上限的参数 max log packet, 通过修改参数来改变数据包的大小上限。 如果查询语句超过了这个上限,我的服务端则会拒绝接收并抛出异常。当然,服务器执行后返回给客户端的数据也需要客户端完整的接收,而不能只接受前面的一部分就让服务器终止发送。 在我成功接收到大哥传来的 sql 语句后,首先会从我体内一个叫做查询缓存的器官中进行查找。查询缓存是一个 mac 结构,其中 key 是 sql 语句, value 是 查询结果, 如果查询到结果,则会直接将结果返回给客户端,节省了后续查询的时间。 不过这个器官在我五点七版本里是默认关闭的,可以通过 query cache time 参数查看和设置。这个参数配合 select sql cache 语句还能做到对某些特定表开启查询缓存。但是由于查询缓存功能并不常用,所以在这里就不细说了, 更何况在我八点零版本中,甚至整个把查询缓存直接删除了,我的天呐,这么神奇吗?那么为什么官方都不建议使用这个看上去还挺不错的功能呢? 首先,每次查询请求进来后,都要先在查询缓存中进行查找,这本身就是一件有性能消耗的事,如果你的每次查询条件均不相同, 缓存的命中率低的话,这个性能消耗就更加明显。其次,如果没有命中缓存,在整个查询之后还要再为这个结果创建新缓存,也会造成一定消耗。 最后,当向某个表写入数据时,为了保证数据一致,会添加表级锁,当表内数据更新后,将把这个表对应的缓存均设为失效,又是一波不小的消耗。所以 在很多情况下,查询缓存并不能为我们带来实质的效率提升,反而可能会降低性能。在我长大之后,弃用它也是情理之中的。 如果我没有使用查询缓存,或在缓存中没有匹配到数据时,那么我就需要去处理我大哥传给我的 sql 语句了。 我通过一个叫做 sql 解析器的器官来进行 sql 的 解析,它首先会对 sql 语句进行词法分析,通过 sql sql lex 代码将 sql 语句切分为各种 token 词, 通过其中一个定义了各类关键字操作符的数组 symbols 进行关键字非关键字的标记。例如,这个简单语句就会被拆分为四个 token 词。拆分了词之后,我又使用了 bashon 这个语法分析器,通过 sql sql yak 规则代码将语句解析为了一个语法数,比如这个 cquote 就 将被解析称为一颗非常清晰的语法数。在这个过程中,会根据 my circle 的 语法规则进行正确性验证,比如关键字、关键字顺序等。 在通过语法解析器的验证后,接下来会通过预处理器将请求进行拆分,先提交 coco 模板语句,然后再提交参数并进行执行。这样的话,对于多次重复执行的语句来说,可以提交并处理一次模板即可, 然后不断地提交参数,就可以实现多次执行,从而提高我运行的效率。在这个过程中也会进行语法验证,例如表和列是否存在别名歧义验证等。 在我体内将 sql 解析预处理之后,会进入下一个环节,就是对 sql 进行优化。我通过基于成本的优化器 cbo 及 cost based optimization, 从目 标诸多的执行路径中选择一个成本最小的执行路径来作为执行计划。成本指的是根据我体内数据表、 数据量、锁瘾等等信息算出来 sql 语句对应的 i o 成本消耗值和 cpu 成本消耗值,计算过程涉及到锁瘾、表行等等数据。 我也提供了查看优化轨迹的工具 optimizer trace, 可以 展示任意一条语句的优化细节,以便我的程序员大哥们进行分析处理。不过查阅之后一定记得将开关关闭,不然会有不小的性能消耗。 也可以通过查询当前绘画 list query cost 的 值来查看最近一次 cq 执行的消耗成本,这个消耗成本是 i o 消耗值和 cpu 消耗值的加和, 不过它的使用也会有限制,对于包含子查询和应用的查询是计算不出来的。关于成本消耗值的运算,我会在后续视频中详细讲解。 那么我是通过具体什么方式来优化我执行的消耗成本呢?在我优化器的内部, 是通过我定义的众多优化规则来进行优化处理的,例如关联查询、重排、所以优选连接查询、重组优化、排序优化、 minmax 等函数、提前终止查询、等价变换等等。拿这个联合查询的语句举例, 优化器将会将重复的查询条件 user id 等于一 and user id 大 于零进行等价变化,变化为 user id 等于一。 同时,通过 explain 可以 看到,在执行计划第二行中,会将第一步中返回的 user id 便当做一个长量值 const 来处理,因为优化器非常清楚地知道,在第一步执行完成后,该值就是一个长量值了。 通过我的优化器之后, cq 就 会变成一个可以执行的执行计划,这时我就会根据这个执行计划的需求,在我的大脑存储引擎中查找相关的 handler api, 同时进行组合和调用,最终达成这个执行计划。 事实上,在我优化器的执行阶段,就为每一张表创建了一个 handler 实体,优化器就可以根据这些 handler 实体来获取优化时所需的表列缩影等信息了。 这个 hanler 中提供了几十个 api 接口,含盖了非常丰富的功能。我会按照执行计划逐步去我的大脑存储引擎中调用这些 api 并拿到返回结果,最终完成我的执行计划了。 值得一提的是,我们常说的溯隐查询、便利查询、构建临时表等等行为都是在这一步中完成的。后续视频中作为重点为大家介绍, 当我的执行计划完成后,我就会将结果通过 t c p 协议返回给我大哥的客户端了。当然,如果开启了查询缓存,会同时更新缓存,这样通过这八步流程就完成了一个查询 c 库的执行,最终让我大哥从我体内拿到了想要的数据。

欢迎来到本期解析,今天咱们要硬核一点,直接潜入底层,看看硬件到底是怎么精准拿捏 i to c 通信协议的。想象一下,我们就像是数字管弦乐队的指挥,要把一段密密麻麻的 verilog 代码剥茧抽丝,变成一段极其清晰的结构化旅程。 不管你是刚入坑的硬件新人,还是想找找手感的资深工程师,跟着我们这套思路走,绝对能让你彻底看透这套逻辑背后的精妙奥秘。 接下来咱们的路线图很清晰,大概分这几步走,解剖、驱动、生成、时钟、搞懂三段式状态机,梳理、状态流转、执行、读写,最后完美收尾。 好,那咱们就直奔主题,先来解剖一下这个驱动程序的核心参数和设置。 大家其实可以看到,驱动它的核心输入一点都不复杂。这里头绝对不容忽视的是这个五十兆赫兹的信筒主频,还有咱们最终想要达到的两百五十千赫兹的 i two c 目标频率。 哦对,为了方便跑通,我们还顺手预设了一个七位数的默认从基地址,就当是咱们今天的通信靶子了。 玩过 i two c 的 朋友都知道, s d a 可是根双向数据线,那怎么防撞车呢?关键就在这段逻辑里的那个三元运算符,它简直就像个极其尽职的交警, 当 s d a 杠爹儿这个信号有效,也就使交警放醒的时候数据乖乖输出,不然呢,就直接挂起变成高阻钛。这样一搞,根本不用担心单根线上会发生什么电瓶冲突之类的电气车祸,非常稳。 搞定了外围,第二步,咱们得给他造一个内部的心跳,也就是生成时钟信号。 这里绝对有个能让人眼前一亮的工程小技巧啊!你们看代码,拿系统时钟和 i to c 时钟的比例,直接向右移了两位,这意味着什么?在二进制里,右移两位,相当于结结实实的除以四啊! 就这么简单的一步,它弄出了一个刚好是目标 i to c friend 频率四倍的驱动式中。你可能要问,干嘛非对四倍频?原因很简单,为了精准,有了这个四倍频,咱们就能在每个 i to c friend 周期的绝对正中间去踩点、去踩样,一抓一个准。 这种逻辑其实特别像个不知疲倦的节拍器,只要分频域值一到,驱动始终立马翻转。他在每一个系统周期里,都在极其精准的掐着秒表,滴答滴答, 可以说是为后面极其严格的数据传输时序,铺好了最完美的节拍红毯。有了节拍,接下来咱们得看看大脑了,也就是大名鼎鼎的三段式状态机。 写过 vlog 的 朋友肯定深有体会,如果逻辑不提前规划好,最后写出来绝对是一团乱麻。 而这种优雅的三段式架构呢,就相当于咱们刚才说的那位乐团指挥的活跃略普。他硬生生地把那些让人头皮发麻的密集传输需求,安排成了极度规律、高度可预测的硬件行为。 这简直就是硬件设计里最经典、最稳健的设计方式,没有之一。我们要死死记住的就是这个核心结构。你看啊,他把持续逻辑的状态转移, 组合逻辑的状态转挑决策,还有那些极其复杂的物理线路输出,完完全全地剥离开来了,各司其职。这样写出来的驱动代码不仅稳如牢靠,而且以后万一哪里卡壳了,排查起来简直不要太轻松。 理论有了第四部分,咱们就来实际走一遭,拿刀一下整个通缉的状态流转。整个过程其实特别像一场精心编排的接力赛, 一旦收到执行指令,状态机立刻从空闲状态起跑。第一棒发送从基地址,第二棒扔出目标寄存器地址,第三棒处理真正的数据载荷,最后冲线进入停止状态,一气呵成。 在这个环节里啊,藏着一个我觉得特别巧妙的细节。发地址的时候,组合逻辑会去盯一个叫 bit control 的 标志位, 就凭这一个小小的标志位,状态机就能优雅地来个分叉,无缝兼容八位或者十六位的寻址标准。 如果是十六位,人家就先走一波高八位的寻址标准。如果是十六位,人家就先走一波高八位。太顺滑了! 终于,咱们来到了第五部分,真正硬核的物理层面数据传输,也就是执行读和写。 咱们前面费劲搞出来的那个四倍频时钟。还记得吧?现在大显身手的时候到了,进入写数据状态后,内部的计数器简直就是微操大师。他严格规定 技术七十零立刻更新数据线,到一和三的时候,精准捏造时钟线的高低脉冲。这种细致到每一个微小基部的时距控制,就是要保证对面的接收端能一个比特都不差地把数据吃进去。说真的,这绝对是数字逻辑最让人上头最迷人的地方, 传输完了可不能拍拍屁股走人。第六部分,咱们得体面的结束这场传输事务,释放总线,这也就是所谓的停止状态,也是国际公认的标准。告别姿势, 时钟线保持高电瓶数据线,来一个干脆的从低到高的跳变,就像是指挥家最后一次优雅的收起指挥棒, 干净利落的切断连接,丢给上层模块一个任务完成的信号,然后状态机功成身退,回到休眠状态,安安静静等待下一次被唤醒。 说实话,能这样一层层扒开智能设备底层的隐藏语言,确实是件极其过瘾的事,但是呢,咱们今天看的毕竟只是个单对单的场景,现在真正的工程级挑战来了, 基于咱们刚才梳理的这套架构,如果你想在完全相同的这一根 i 柱 c 总线上挂载管理一堆不同的从基设备,你该怎么去模改这个基础状态机呢? 这个问题留给大家慢慢消化,感谢大家收看本期解析,我们下期接着死磕!
![EDC巧妙连接PG实现元数据探查 PostgreSQL是企业常见的关系型数据库。
Informatica EDC对PG原生支持并不十分良好。
我们需要手动设置odbc驱动,
来解决数据探查的问题。
首先,我们要准备odbc驱动程序。
前往官网下载即可。
下载并安装好odbc驱动后,我们需要修改配置文件:
编辑$ODBCHOME/odbcinst.ini
以及$ODBCHOME/odbc.ini
添加[PostgreSQL]标签和内容。
这里需要注意的是,一定要添加一个非必填项目,
DriverUnicodeType=1
否则会出现CODE=140694538682368的错误。
填写好必要的数据库信息后,
需要用ssgodbc或isql测试通过。
通过以上设置,
即可成功连接PostgreSQL数据库进行数据发现了。
#informatica #数据目录 #数据科学 #数据工程 #数据治理](https://p3-pc-sign.douyinpic.com/tos-cn-p-0015/oovDCfFiDAjpFXGAwDEn5bIDwBNIRRxgf59swA~tplv-dy-resize-origshort-autoq-75:330.jpeg?lk3s=138a59ce&x-expires=2110467600&x-signature=ddGfaj4N9gzIs0ipWRKsD5uF22o%3D&from=327834062&s=PackSourceEnum_AWEME_DETAIL&se=false&sc=cover&biz_tag=pcweb_cover&l=2026112001464525F54B01090DD837125B)

两周过去了,我们更新的 ai 插件给精神主动们展示一下,也许你就能用上。一班你们驾驶两辆九九 a 式坦克到南门集合,二班你们那个到操场跑圈。 这并不是我们提前写好的一段程序,而是完全由 ai 驱动,无论你说什么内容,它都可以理解并执行,前提是和我们测试的业务场景相关。 技术原理也不复杂,因为 ai 大 模型本来就能理解语义,它会自动分辨并提取角色。一般二般装备,九九 a 式主战坦克,地点南门和操场行为移动跑圈,同时发送消息给不同的数据接口。 至于 ai 调用数据库,是由我们开创性开发了一个 agent 工作流 test to sql, 用自然语言通过 ai 大 模型生成 sql 语句,同时增查改善数据库数据请看成果。 它不仅能识别指令性语言,还可以识别统计工作。比如二六年二月二十八日四百米障碍成绩为良好的都有哪些人?他们的成绩分别为多少?他们的职务又是什么? 看,通过本地微量模型,将输入内容和存储本地训练内容的向量库进行对比,将相似查询内容及 sql 语句一同发送至本地 ai 大 模型。 ai 大 模型根据内容生成正确的 sql 语句后,直接查询数据库并返回结果。 这个 ai 应用插件会让我们像指挥官一样,动动嘴,发号施令,就可以驱动任何数字人和数字装备按照命令行动。精神股东们,你们说说他还可应用在哪方面上?咱们评论区讨论一下。

别再用厚重的客户端了,试试这款 rust 加 tory 打造的极速数据库工具 tabularis。 最近挖掘到一个超强的开源项目 tabularis, 它不仅支持 my sql、 postcode、 sql 和 sql lite, 最硬核的是它基于 rust 的 驱动,启动速度秒杀一众 java 系工具。核心亮点, ai 深度整合,支持 open ai andropic 接口,甚至能连接本地的 alama, 隐私更安全。 首 p m c p 支持完美适配 model context protocol, 让 cloud 或 cursor 直接读取你的数据库。 schema 笔记本模式,像 jupiter 一 样写 sql, 支持 markdown 变量、跨单元格引用和格式化图标,极简美学, 界面极其干净,支持高度自定义快捷键和主题。如果你受够了传统工具的卡顿,强烈建议尝试这款颜值与实力并存的新物种。

今天上午刚录制完一节优质课,结束后满是欣喜和感慨,必须跟大家分享一下这节课让我最惊喜的是,孩子们全程都是在线的 互动,积极而且又流畅,完全没有被动卡壳的情况,而是主动的跟着节奏去探讨。讲来想去, 关键还是任务驱动型的教学环节设计。我没有像以往一样讲授知识点, 而是明确本节课的大任务,再将大任务拆解成层层递进的小目标,从基础的自主探讨,到小组合作完成实践任务,再到最后的成果展示和互评, 他每个任务都明确要做什么,怎么做,达到什么样的效果。孩子们带着目标学,注意力很集中,比如我讲到重点内容时,我设计了小组闯关的任务, 让大家来分工讨论,动手实践,不仅吃透了本节课的知识点,还锻炼了他们的沟通写作的能力。最后成果展示环节啊,孩子们非常的踊跃,大胆的去表达, 这样不仅提升了他们的表达能力,也增强了他们的自信心。原来一节好课不是老师讲的有多精彩,而是让学生动起来, 学进去,抢出来。任务驱动,他既能紧紧的抓住学生的注意力,引导他们主动完成学习内容, 又能在过程中悄悄的提升学生的综合素养,比单纯的知识灌输好的太多了。以后在我的课堂中,我会继续深耕任务设计,让每节课都有明确的探求方向, 让孩子们在完成任务的过程中,既能够学会知识,又能够提升他们的综合素质。

点,打开,注意,我们可以下载八点零,你不要选择九点零点四,好,这里注意,我们只能开一个,开两个可能会提示有问题,任务栏如果出现两个,你关掉一个就可以了。好,点四, 好, my circle 安装,这里正在连接网络。 好,点四,等待它,然后这里我们就让它自己走就行了。 好,这里我们选择 custom 就 定制化。点 next。 好, 这里我们只需要选择我们一个版本。 好点,连接,这里打勾,可以勾上,注意这里点继续。 好点,继续,这里我是这样的,有些同学可能会遇到这样情况,那么把这里选中,然后点一下这个,这里选中,点一下这个,这两个主键,把安装起来就可以了,因为你有可能会缺少这个主键。 好,这里 workbench 是 否安装都不影响,因为我们课程后面给大家介绍是 db evo, workbench 是 英文的,对国内用户不太友好。 db evo 全球语言都有,更方便。 好点,下一步,点,下一步。好,这里我们要打勾,勾上,点 next。 好, 这里就设置密码,推荐大家设置一二三四五六就好了,你不要设置很复杂。 点, nest。 好, 这里点 nest, 下一步,好,这里注意,你不要出现大写,比如说我这里奔是大写,我只要改成小写就好了。当然你也可以设置更简单,比如说叫 nest, 这样子也是可以的,这最简单方法。 好,你不要搞复杂,就设置 nest 是 最简单的。好,下一步,下一步, 好,这里打勾,都勾上,说明你就安装成功了。 finish next, finish 好, 就安装好了。怎么判断我们安装好呢?点开始菜单,找到,全部找到,我们这里的字母是 my circle, 那 就是 m 开头 好能看到这里。 my circle climate line climate, 那 说明你安装好了,下一步就安装 d b u, 当然有线会选择安装 navigate, 我 们课程 navigate 都给大家, 当然海外学员你也可以安装 workbench, 都是通用的代码,使用方法好,安装步骤我应该都讲完了。

我们做研究时,很多核心变量,比如社会经济地位、生活方式、炎症状态,其实都不能够直接测量,因此我们在分析的时候会选择用单一指标去代替他们, 比如用收入代表社会经济地位,用运动频率去代表生活方式,用 crp 或者是其他的复合的炎症指标呢?去反映炎症问题。是,一个指标真的能够代表一个概念吗? 一个人的社会经济地位,除了收入,可能还有教育水平、职业类型,有没有医保等等方面单一的指标呢?其实只抓到了其中的一个侧面, 反过来也是一样,同一种疾病的诊断标签下面可能藏着完全不同的亚型。同样是抑郁,有的人可能是重度失眠型啊,有的人呢,是食欲减退型,有的人可能是认知功能障碍型。但是传统的分析呢,会把他们统称为抑郁症患者,然后把他们放在一块去分析。 这两种问题的本质是一样的,你的数据里面有你看不到的结构, l、 c、 a。 浅类别分析呢,就是用来识别这种潜在的结构的方法, 它把你手上多个相关的观测指标整合起来,去识别背后隐藏的类别。你可能会想,这不就是剧类分析吗?实际上不太一样。两种方法的核心区别呢?第一在于剧类,它是一种硬分类,也就是非此即彼。 而 lca 呢,它是软分类,它输出的是概率,比如说这个人属于 a 类的概率是百分之八十五, b 类的概率是百分之十二, c 类的概率呢,是百分之三。第二是传统句类是根据距离去分组的,而 lca 呢,它是建立在概率模型上,结合 aic、 bsc、 商值这 些统计的指标来判断,分几类最合适句类是你告诉你该不该这么分,所以它是完全由数据驱动的算法。 lca 在 公众数据库上主要的应用呢,有两个大的方向哈,第一个方向呢,就是构造多维的暴露,有些变量可能没法用一个指标来衡量,比如说社会经济地位、 s e s 膳食模式、炎症状态等等, 它们本身呢,可能就是一个多维度的概念。 lca 可以 把多个指标整合起来,还原这个不可直接测量的暴露变量,然后拿去做关联性分析或者是预测的分析。 比如说这篇恩爱子的研究,他用收入、职业教育保险,然后去进行 l c a 的 分析,去分出高社会经济地位组和低社会经济地位组。 那么发现呢,低 s e s 组的死亡风险是高 s e s 组的二点五四倍。第二个方向呢,是识别疾病亚型,同一种诊断标签,下面患者可能完全不是一类人。比如说这项研究,它用 p h q 抑郁量表条目,结合认知功能、甲状腺激素对女性抑郁症去做 l c a 分 析, 分出了三种临床亚型,轻度型、中度认知损害型和重度型。那么其中呢,重度型,他的出场年龄最早,认知最差,甲状腺激素水平最低。 这比单独的抑郁症这个笼统的诊断呢,提供了精细的多的信息。那么对于医生来讲呢,他可以根据这个患者的这些亚型的特征,去做出更有针对性的治疗和预后的判断。 这两个方向呢,它的核心逻辑其实是一样的,就是用 lca 发现数据里隐藏的结构,所以我们说 lca 它是数据驱动的。这样的统计方法, lca 怎么做呢?核心可以分为三步,第一步是选择分类的指标,把你认为共同反映某个潜在概念的变量放进去。分类变量,我们用 lca, 连续变量呢,我们用 lpa 啊,浅抛面分析原理其实是一样的, 比如说做 s e s 分 型,我们就放入收入、教育、职业保险等等做异于亚型呢,我们就放入 p h q 九的各条目和一些认知的指标,或者是其他的相关的指标。 第二步呢,是确定最佳类别墅,我们跑两类、三类、四类、五类等等,看 a i c 和 b i c 是 不是够低,商值是不是大于零点八 l m r 检验是否显著, 但是统计指标呢,它只能作为参考。我们最后选择的这个分解类一定要具有临床意义,如果说我们分出一个很小又解释不了的类别呢,它的价值其实不大。第三步呢,是把每个人分配到概率最高的那一类,然后去做后续的分析。 方向 a 呢,就是把分出的类别去当做暴露,我们去做回归分析,做关联性研究。方向 b 呢,我们可能就比较不同亚型的预后的差异。 那么有一点非常的重要, lca 分 出来的类别呢,它并不是绝对真实存在的天然分类,因为它本质上呢,是一种统计上的潜在结构,它是完全由数据去构成的。 所以最后最关键的呢,不是分成了几类,而是你能不能从临床上解释这些类别为什么存在,为什么不同,以及有什么样的不同? lca 真正有价值的地方不是把人分组本身,而是帮我们去认识到数据的内部结构。那不管我们是用 lca 去构造一个更好的、更综合、更全面的暴露变量,还是发现疾病的新亚型呢?本质上都是在做同一件事情,把我们一些粗糙的这个分类给它变得更加精细,更加 全面。那总结一下, lca 有 两个大的可以做的研究方向,构造多为暴露或者是识别疾病亚型,这个都是现在 比较热门的方向,因为我们也知道单一的暴露指标可能越来越不好发了。那么它的核心逻辑呢?其实是同一个,也就是我们通过 l、 c、 n 呢,去识别我们数据里面隐藏的咱们无法直接观测到的结构。方法呢,就是分三步,选择指标、选择定类别数,然后再去做后续的分析。今天的内容就是这样啦。

今天我们来看一下如何设计课堂任务链。首先来看一个这样的克利故乡中人物形象分析设计 a 有 这么四个环节,第一个呢是导入、介绍,创造背景。 第二个呢是新授。首先让学生快速阅读全书,划分段落,接下来概括小说主要情节,然后重点分析人物的外貌、语言、动作描写。 接下来讨论人物变化的原因。呃,第三个呢是练习。第四个是小节,我们看一下这种设计,它就是传统流水账式的教案用,然后来连接。那么再来看一下 b 的 设计。首先是触感变, 对比少年闰土与中年闰土的经典片段,用一个词说出你的第一感受。第二个呢是细查辨,精读关键段落,填写对比表。呃,从多方面取证。第三深究音小组讨论,从个人、社会等多方面归音。第四个呢是回应变, 跨越时空的对话为题,发表你的见解。那这样一个设计就是进阶东山图式的设计,用思维动词来连接。我们对比两个设计来看,前者学生是在你的教案里走流程,后者呢,学生是在你的设计里练思维。 这样一个设计也能看出任务链的力量,他不是罗列要讲的点,而是规划学生思维的线。那么什么是任务链?任务链不是任务的简单罗列,他是依据知识逻辑或认知规律,将多个任务串联成环环相扣,思维递进的序列。 一个核心原则是后一个任务,是前一个任务的进阶与升华,而不仅仅是下一个。我们可以分析一下故乡中的任务链是这样设计的。第一个环节,感受变化,先建立起认知冲突。第二个环节呢,是重视变化,深入文本,寻找事实证据。第三个呢,是解释变化, 呃,结合背景,探求深层原因。第四个,回应变化,形成个人化的理解与表达。你看这四个任务,从感性到理性,从分析到综合,层层推进, 共同破解运途为何俱变这样一个问题。这种设计也就是任务链,让思维看得见的力量。那么任务链该如何设计?我们可以遵循下面三种逻辑。第一个呢,就是认知进阶链,从感知到理解到应用。 比如这个案例里,任务一是认识特征,在参观动物园的情境中,辨认并说出不同动物的显著特征。任务二呢,是学会描述,在帮助动物园管理员的情境中,用完整句型来描述动物。第三个呢,就是综合运用,制作并介绍自己设计的神奇动物卡片。 第二种逻辑呢,就是技能形成练,从分解到模仿到自动化。你看这个课例里呢?呃,任务一是无求模仿节奏。任务二呢,是有求独立运用。任务三是对抗变式运用。那技能形成练,就像学开车,先在驾校里练单项,再上路综合开。 第三个呢,就是问题探究链,从发现问题,分析问题到解决问题。刚才我们故乡的那个案例里面,你看任务一是发现问题,制造冲突。任务二是分析问题,寻找证据。任务三是分析问题, 深挖根源。任务四解决问题,行成见解。那问题探究链就让学生像做侦探一样,从发现疑点, 搜集证据,最终皆是真相。我们在具体设计过程中如何选择任务链的逻辑呢?啊?他需要服务于学习目标,并符合某种内在的逻辑。 如果目标是掌握一个全新的、结构化的知识认知,进阶链通常是最佳选择。如果目标是训练一项可程序化的技能,技能形虫链更为合适。如果目标是生化对一个复杂主题的理解, 或者是培养批判性思维和解决问题的能力,那么问题探讨练能提供更清晰的框架。选对了任务练的逻辑,课堂就会有一个清晰的主线和骨架。那在实际教学设计中,这三种逻辑也常常是融合使用的。 那最后给老师们一个行动的工具,可以去做一个这样的填空题,我这节课的任务练是从什么到什么再到什么, 也就是可以为你设计的几个板块起一组连贯的动宾结构的小标题,比如故乡中的感受辨、证实辨、解释辨。如果能写出一条通顺的体现思维推进的句子,说明你的任务链有了清晰的逻辑,如果写不出,那很有可能还是流水账。

今天我们来看一下如何区分任务和活动。首先来看这样一个课例,学习水浒传,分析人物形象。那么这样一个设计,它到底是目标任务还是活动呢? 如果把它改为这样,小组合作制作一份水浒传主要人物英雄榜,并写出上榜理由。很明显,这样一个设计就是任务的设计,那为了完成这个任务,学生需要经历这样一些活动。活动一,独立阅读,列出人物事迹。 活动二,小组讨论,确定评选标准。活动三,转载人物推荐词。活动四,设计榜单版面。我们经常说, 素养导向的课堂教学,需要我们走出为活动而设计活动的误区,要从对话中心的课堂走向任务中心的课堂。这时候就要求我们老师要从活动罗列走向任务思维。 那么如果在我们的教案里写的都是一些这样的词,引导学生通过讨论。如果在我们的课堂上也只有这些,那学生大概率只是在做活动,而不是在完任务。 今天就给大家一把尺子,来讲清楚二者之间的区别,那这把尺子就是这样一句话,学生最终要教出来的那个东西是什么?如果 答案是一个动作,比如讨论一下,读一遍,那他只是一个学习活动。如果答案是一个具体的成果,比如一个解决方案,一张图表,一次完整的演讲,那这才是学习任务。 简言之一句话就是,活动是做,任务是教我们用这样一个刻例看一下。以认识情绪为例,活动列表式的课堂,传统的设计可能是这样的,第一,让学生看情绪图片。第二, 读情绪名称。第三,模仿表情。那这样的一个结果就是学生练习了,但学习是零散的,没有形成属于自己的成果。那我们可以把它变成一个任务,让学生制作一个情绪脸谱卡。所有的活动都是为了完成这样一个任务, 首先是选择代表自己心情的脸谱贴,然后把它粘到卡片上,再写或粘上情绪名称。那这样的结果就是每个学生都产出了自己的可展示、可评价的学习证据啊。当然,这个成果不一定是庞大、精美、物化的作品, 它可以是任何形式的、可被观察、可被评估的学习证据。成果形式呢,主要有这么以下几种,呃,其中的,呃,第一个,言语表达类成果以及第二类,选择判断类成果是我们在课堂上最常用的。那第五类,综合项目类的成果可能是在关键时候采用的, 也就是在常态课中,我们所说的成果经常就是三五分钟内能够产出并呈现出来的学习证据。我们老师要从追求有型的产品转变为关注可释化的学习证据。 只要学生教出来的这个东西能被老师、同伴看到、听到、意识到,并据此判断学习情况,它就是一个合格的成果。 那我们可以接着追问一下,为什么要追求任务驱动?设计一个清晰的任务,不仅仅是为了课堂供你去他从根本上解决教学平一体化落地的难题。首先对教学,他让教学有了清晰的目标, 所有的环节都是为了支持学生完成这个任务,那对学习来讲,他让学有了内在的动力和目标,学生是为了教东西而主动探究。第三,对评价来讲,他让平有了天然的依据, 学生的任务成果就是最直接、最真实的学习证据。另外,从活动罗列走向任务思维,本质上也是从教知识走向育素养。 那我们给老师提供的教学批量化课时背课模板,也是用这么三个问题替代罗列活动的惯性。首先最左侧这一栏是让学生教出什么东西,也就是定任务,那中间的学习过程就是为了教出这个东西需要经历。拿几个关键步骤来设活动, 那最右侧这一栏就是这个东西做到什么样子才算好,就是明标准。我相信从这么三个问题清单开始,我们的教学设计会发生一个比较大的变化。

本次的任务是获取数据库,下面可以看到其网络拓扑结构,思路是拿下其边缘服务器。左上角 app 扫描看到其三三八九端口开放以及使用的 free r d p 版本运行。那个啥马斯帮手搜索 r d p 使用设置远程主机 ip 地址, 设置 r d p 版本号 设置本地主机 ip 地址,本地端口也设置为三三八九 开始攻击 也是顺利拿下。浏览目标主机账号密码这样记录的吗? 先下载到本地再说。 cookies 也下载找到数据库可以撤退了。

好消息! mongoddb 数据库上架 one panel 应用商店啦! mongoddb 是 一种非常好用的文档型数据库,提供丰富的查询语言,具有高级安全性和高度可扩展性, 是处理大规模数据和灵活的数据模型的强大工具。通过 one panel 应用商店,我们可以很轻松地下载管理 mongoddb 数据库。 在应用商店中找到 mongod db, 点击安装,可以看到 one panel 已经为我们填好了大部分安装信息,我们也可以按照自己的需求自由调整,勾选端口外部访问选项,点击确认,等待下载完成即可。 我们还可以下载 mango express, 这是一个基于 web 的 mango db 管理界面,同样是点击安装,自行调整安装信息, 勾选端口外部访问选项,点击确认,等待下载完成。 数据库下载成功后,来到 one panel 的 数据库页面,刚才下载的 mango db 数据库已经显示在这里,我们可以在 one panel 中通过这些操作选项直接进行数据库管理。点击创建数据库,填写基础信息, 还可以设置这个数据库的所属用户和密码以及操作权限。快速创建好一个数据库后,可以对这个数据库进行改密、 权限设置、数据备份、 导入备份 等一系列操作,为用户数据安全提供强大的支持。数据管理方面,我们可以在终端页面输入 jason 指令,对数据库进行新增数据、查询数据等操作, 也可以点击管理,直接前往 mango express web 管理界面,数据的增删查、改同样轻松。 mongol express 等其他管理工具中的数据库和数据内容可以通过点击从服务器同步向 one panel 一 键同步,并可以在 one panel 中直接对同步的数据库进行用户绑定等一系列管理。 one panel 还可以管理远程服务器中的 mongol db 数据库,只需要将远程服务器的另一个数据库这里连接信息页面中提供的连接信息, 复制粘贴进入我们 winpal 的 远程服务器页面中,点击添加远程服务器,填写远程服务器的连接信息, 进行连接测试,确认连接没有问题,就可以在自己的 winpal 自由切换本地数据库或远程数据库,进行便捷的数据管理。 最后,我们也可以自由设置数据库停止或重启,便于系统维护或故障排除。快来玩 pano 应用商店下载安装 mango db 数据库,让你的数据管理工作更加畅通无阻吧!

大家平时用 ai agent 是 不是经常觉得跑一次任务日制多得吓人?你猜怎么着?连 lincoln 自己都被这个问题逼倒,从零写了一个数据库。 lincoln 全球最主流的 ai agent 开发框架,几万开发者天天用它搭智能体。二零二六年五月十三号,他们发了篇博课, 标题平平无奇,较为 built smith db the data layer for agent observability。 一个做 agent 框架的公司顺手写了个分布式数据库。这就好比一家面馆突然开始卖面粉了,为什么? 因为现实撞了满头包。 lion chain 有 个重要工具叫 lion smith, 他 专门观测 agent 的 每一次推理,每一次工具调用、每一次对话。原来底层用的是 take house, 业内顶级的分析型数据库。但 agent 发展太快了, 一次 test 里能套出几百个嵌套。 span 一个 span 可能早上十点出生,下午三点才死,数据一块一块往里挤,用户每天灌的数据太多, click house 扛不住了。问题出在哪? click house 读扩展很强,写扩展不行。官方原话是 only supports multi replica clusters, not multi shard clusters。 翻译过来就是读,可以堆机器写,只能硬扛。而且 agent 的 查询越来越复杂了,不是按时间查日记那么简单, 一条查询要同时做好几件事,文搜索,按 error 和 tag 过滤, j s o n 字段也要能筛,还要聚合 cost latency token, 用量评测分数也得算进去。通用数据库扛不住这种组合拳。 它有一个设计,跟传统做法完全不一样,它不把 trace 当普通日制存,它把 agent trace 当成一种全新的数据类型。传统日制系统只擅长处理已经结束的记录,但 agent trace 不是 这样, 一个 run 拆成多个事件,一个 span 可能一直开着输入,输出里混着大段 j s o n, 还有文本多模态内容工具调用,结果这不是日制,这是一棵活着的树。再看架构这边也拆得很聪明, 底层用对象存储放持久数据,一个小 posbrace 记录 segment 元数据查询、写入压缩服务全部做成无状态扩容的时候,不用维护一堆带本地盘的数据库,节点加计算资源就行,数据文文躺在对象存储里。还有一个设计很实用,热数据就禁读, 刚写入的数据不一定已经沉到对象存储了,可能还在写入节点的本地 ssd 或内存缓存里。 smith d b g 的 每个 segment 是 哪个节点产生的,节点还在线查询,就直接从大读,不用绕一圈去对象存储捞小文件。这个思路很像 l s m tree。 最后一个关键点, run 是 遗传事件,不是异形记录, 这点对 agent 特别关键。 agent 运行中会发生什么?模型调用,工具调用,重试,后台任务 handoff 中间状态一直在变,等全部结束再写,可观测性就没了实时价值。 每个事件都写进去,查询时又得高效合并。 smith d b 专门做了事件 fanout merge 和 compaction 策略性能数据也很能打, trace 数加载 p 五零,延迟九十二毫秒,单词 run 加载七十一毫秒,全书搜索四百毫秒, 比原来快了十二倍。但真正的看点不是数字,是 smith d b 专门为 agent trace 设计的。他知道一条 run 里有多个事件,知道冷热数据要分开压缩,知道查最新 trace, 不 用扫全表这些,知道 tikos 做不到,不是不够强,是不够懂 agent。 不过这件事真正有意思的地方不在技术本身。你想想,你让 agent 帮你查一份合同,他调了三次工具,翻了两次数据库,最后给了一份摘药。这条推理路径丢了就没了, 但如果你能存下来,回头看,下次他就能少走弯路。这就是为什么通用数据库不一定能承载好 agent 的 数据。 你想想 agent 的 数据长什么样?先说格式, agent 的 数据是半结构化的,一段 j s o n 里混着自由文本和向量。 再说写入频率,一次对话能爆出几十条记录,还有生命周期这个问题。一个 span 从开到关可能横跨好几个小时,而且你还得能复杂关联, 比如找出所有调用过这个工具,但最终失败了的那一步。把这种数据丢给通用数据库,就想让会计去画画也不是不能,但感觉不对劲。说到这,你可能也感觉到了, agent 越来越饿了。数据饥饿, 二零二三年 lan smith 刚推出的时候, ai 应用还很简单, red 管道提示链,早期的 agent, 现在呢? agent 运行时间更长,上下文窗口更大, work code 里色满了图像和音频。一个现代 agent 的 trace 能有几百个深度检讨的 span。 lan chain 的 做法是从原子框架往上做一层数据库,先做可观测性,发现存储有问题,然后从零造 smith db。 但说实话,这还处在很原始的阶段, 而且这时不只是 lincoln 一 家在头疼。你看看周围 cloud code 的 对话历史存哪? json 文件? openclunk markdown 讲究点的团队上了 sqlite, 但本质还是在文件夹里整齐摆放。 想夹向梁装个 procter, 要存上下文,再来个 readys 看 trace, 试试新鲜热辣的 smith d b 跑评测,那就再搭一套 pipeline。 最后你打开服务器,五六个组建并排站着,数据在它们之间来回搬运, 搬一次,调一次精度,烧一次 token。 那 反过来呢?从更成熟的数据库存网上去接一层 agent 框架,会不会有更大的想象空间? 让 agent 从第一行代码跑起来产生的数据天然就在一个成熟的数据库里。不是外挂日制,是数据库原生的,可查询、可回放、可对比、可进化。 这跟 linchang 的 路数构成了有趣的对照。如果起点是数据库,是不是就绕过了很多玩不转再去补的阶段? linchang 正在踩的那些数据库的坑?数据库公司 n 多年前早就踩完了。 我们想走一条完全相反的路,不从框架往下做数据库,从数据库往上接框架, agent 跑起来产生的数据直接存进 ob。 四、 ai 传统做法,每一步在不同系统里完成数据搬运,成本极高。也许更好的做法是,所有数据从一开始就在同一底座上,整个循环是内循环,不需要搬运,不需要额外基础设施。 lanchen 用 smith d b 证明了一件事, agent 行业正在从卷舌的模型更聪明,走向卷舌的数据底座更扎实。五月三十号 ocean base 乘 lanchen meadup 会有新产品的重磅发布, lanchen 中国区唯一的 ambassador 张海莉也会到场,欢迎大家一起来交流讨论产品形态和技术架构等话题。

好消息, one panel 可以 直接管理你的 mongong d b 数据库啦! mongong d b 是 一种非常好用的文档型数据库,提供丰富的查询语言,具有高级安全性和高度可扩展性, 是处理大规模数据和灵活的数据模型的强大工具。通过 one panel 应用商店,我们可以很轻松地下载管理 mongong d b 数据库。 在应用商店中找到 mongod db, 点击安装,可以看到 one panel 已经为我们填好了大部分安装信息,我们也可以按照自己的需求,自由调整,勾选端口外部访问选项,点击确认,等待下载完成即可。 我们还可以下载 mango express, 这是一个基于 web 的 mango db 管理界面,同样是点击安装,自行调整安装信息, 勾选端口外部访问选项,点击确认,等待下载完成。 数据库下载成功后,来到 one panel 的 数据库页面,刚才下载的 mango db 数据库已经显示在这里。我们可以在 one panel 中通过这些操作选项直接进行数据库管理。点击创建数据库,填写基础信息, 还可以设置这个数据库的所属用户和密码以及操作权限。快速创建好一个数据库后,可以对这个数据库进行改密、 权限设置、数据备份、 导入备份 等一系列操作,为用户数据安全提供强大的支持。数据管理方面,我们可以在终端页面输入 jason 指令,对数据库进行新增数据、查询数据等操作, 也可以点击管理,直接前往 mango express web 管理界面,数据的增删查、改同样轻松。 mongol express 等其他管理工具中的数据库和数据内容可以通过点击从服务器同步向 one panel 一 键同步,并可以在 one panel 中直接对同步的数据库进行用户绑定等一系列管理。 one panel 还可以管理远程服务器中的 mongol db 数据库,只需要将远程服务器的另一个数据库,这里连接信息页面中提供的连接信息, 复制粘贴进入我们 winpal 的 远程服务器页面中,点击添加远程服务器,填写远程服务器的连接信息, 进行连接测试,确认连接没有问题,就可以在自己的 winpal 自由切换本地数据库或远程数据库,进行便捷的数据管理。 最后,我们也可以自由设置数据库停止或重启,便于系统维护或故障排除。快来玩 pano 应用商店下载安装 mango db 数据库,让你的数据管理工作更加畅通无阻吧!