登录社区云，与社区用户共同成长
邀请您加入社区
Harness 工程通过职责分层实现研发流水线可靠性提升。Claude 负责需求理解与代码生成等语义层工作；hooks 负责规范检查等确定性执行；Subagents 隔离血缘查询、自测等高 token 操作；Memory 承载跨会话状态持久化。四层协同使数仓 AI 开发从"对话式辅助"转变为"规则驱动的自动化流程"。
本次实验旨在熟悉助睿零代码数据集成平台（ETL平台）的核心功能和操作方法，具体包括：掌握新建转换、添加组件、执行转换等基本操作流程熟悉表输入、记录集连接、字段选择、过滤记录、Excel输出等常用组件的配置方法理解多表关联、数据过滤与分流处理的ETL设计思路通过本次实验，学生能够独立使用助睿平台完成常见的数据加工任务，为后续更复杂的数据处理场景打下基础。
本文基于数智教育数据集，利用助睿零代码 ETL 平台，完成学生考勤主题标签构建。通过数据接入、多表关联、行为标记、聚合统计等流程，生成迟到、早退、请假、校服违规等核心标签，实现学生考勤用户画像自动化构建，为校园精细化管理提供数据支撑。
摘要：本实验基于学生考勤数据，使用K-Means聚类算法构建考勤行为画像。实验分为三部分：首先通过AI平台对迟到、早退等指标进行聚类分析，识别出自律模范型、轻微波动型和纪律高危型三类群体；其次利用BI工具对高危群体进行多维度可视化分析，包括性别、年级等特征；最后完成从数据标签构建到仪表盘展示的全流程。
随着企业数字化运营深入，T+1离线数仓已无法满足实时大屏、实时监控、实时推荐、实时风控等场景需求，实时数据仓库成为标配。本文系统性讲解数据仓库如何支撑实时数据处理、核心技术架构、全流程链路、主流技术实现及企业级落地实践，搭配流程图深度拆解，帮助你快速搭建准实时/实时数仓，实现数据秒级~分钟级分析。关键词：实时数仓；流批一体；Flink；Kafka；实时分析；数据仓库支持数据秒级~分钟级采集、计算、
文|空白女侠聊数字化之前，先来给大家画个故事：通过以上，大家应该对企业数字化转型有了模糊的概念，但是这张图只是展示1%的难点。一直以来有很多同学都想让我仔细聊聊企业的数字化转型，每每拿起笔来总感觉无处下手。一方面企业的数字化转型题目太大，足够写出一本...
当80%企业还在用AI回答“上季度营收多少”，领先者已用它解决“华东市场销量骤降的7大根因”。这背后是Denodo平台中的DeepQuery技术引发的代际差——本文将用真实战例揭秘：为何顶级企业愿为0.02秒的深度响应投入千万?
也许未来最好的 AI，不是最像搜索引擎的那个，也不是最像聊天机器人的那个，而是那个真正理解你、持续理解你，并且在你变化时依然跟得上你的长期伙伴。
其实不只是我们在思考这个问题，业界也在逐渐形成共识。Anthropic 在去年发布的一篇文章中明确区分了两者：Workflow 是指"依靠预先编写好的代码路径，协调 LLM 和工具完成任务"，而 Agent 是指"由 LLM 动态推理，自主决定任务流程与工具使用"。这个定义给出了两个极端的参考。LangChain 的创始人 Harrison Chase 在多个场合表达过更务实的观点：大多数所谓的"
校园考勤数据分散在多张表中，传统人工 Excel 统计效率低、口径不统一、难深度分析。本次实验基于 “数智教育” 大赛数据集，用助睿零代码 ETL 平台，完成学生考勤多维度标签构建，替代人工流程、固化统计口径，输出标准化考勤统计台账。本次实验基于助睿零代码 ETL 平台，完成学生考勤主题标签全流程构建，从 3 张原始数据表中，加工出含15 个字段的标准化考勤标签表，实现 4 类异常考勤自动统计、3
在当今“数智校园”的建设浪潮中，传统的基于 Excel 的人工考勤统计方式不仅效率低下，而且极易出现口径不一、数据孤岛等问题。近期，在《商业数据分析》课程中，我们小组基于“数智教育”大赛的真实校园数据集，使用助睿（Uniplore）零代码数据科学平台完成了一次完整的 ETL（Extract, Transform, Load）实验。本篇文章将详细复盘我们从数据接入、清洗、维度衍生到最终多维度考勤画像
如何安装Cursor插件 → 配置OpenRouter API Key
坑位现象解决方案①数据库权限不足SQL 脚本执行报错，无法建表联系助教确认账号权限，或使用指定高权限账号②时间字段格式混乱DataDateTime 格式不统一，时间计算报错以字符格式接收数据，在数据流程内统一解析格式③空值处理时机错误导入阶段过滤空值，造成原始数据缺失先完整导入全部数据，后期统一清洗处理④班级名称格式不统一符号字体杂乱，字段提取规则失效提前预览样本数据，编写通用性提取规则⑤请假与迟
企业数据集成面临多源异构挑战，HENGSHISENSE BI平台通过三层架构提供解决方案：1）数据适配层统一接入20+数据源（关系型/NoSQL/时序/云服务等）；2）ETL引擎支持增量同步、清洗转换和智能聚合；3）语义层构建业务数据集和逻辑模型，支持环形关联等复杂分析。平台持续迭代优化，从5.x到6.2版本逐步增强数据虚拟化、API配置化接入、跨应用数据复用等能力，显著降低数据集成门槛，提升分析
本文梳理了数据分析技术从传统BI到现代OLAP的演进历程。传统BI系统面临数据孤岛、高门槛、长周期等困境，而现代BI通过云计算、SaaS和开源技术实现了普惠化。OLAP技术成为现代BI的核心引擎，其架构主要分为ROLAP、MOLAP和HOLAP三类。ROLAP基于关系型数据库和星型模型，MOLAP采用预计算立方体，HOLAP则结合两者优势。文章重点分析了各类架构的原理与取舍，并指出ClickHou
Litefuse 是一个 Agent 可观测与评估平台，通过 Evaluation Driven Development (EDD) “观测-评估-优化”闭环，让 Agent 的执行过程可追踪、问题可定位、效果可量化、优化可验证。Litefuse 兼容 Langfuse SDK 和 100 多个 AI 生态，并支持 Hermes、OpenClaw、Claude Code 等通用 Agent。
本文介绍了基于"数智教育"数据集的学生用户画像构建实验，重点包含考勤统计和消费分析两部分。在考勤统计中，通过ETL流程实现了迟到、早退等异常考勤的多维度统计；在消费分析中，构建了消费活跃度、贫困生识别和消费时段偏好三个模型。实验采用助睿ETL平台，通过可视化组件完成数据清洗、关联、聚合等操作，最终生成标准化的学生画像标签表。文章详细记录了数据处理流程、遇到的问题及解决方案，总结了平台操作经验和数据
通过本次实验，我对助睿零代码 ETL 平台有了更深入的认识。数据流向清晰组件逻辑容易理解调试更加方便数据抽取数据转换数据加载数据分流等核心概念。同时，本次实验也让我进一步理解了企业中常见的数据加工流程，为后续学习数据分析和数据工程相关内容打下了基础。
多视角视觉人员定位与轨迹感知技术，以三维空间重建 + 无感定位为核心，构建了全球领先的下一代空间智能体系。通过 Pixel2Geo™、Camera Graph™、MatrixFusion™、NeuroRebuild™、Trajectory Tensor™五大核心引擎，实现真无感、全维度、高精度、低成本、强智能的人员定位与轨迹感知，彻底解决传统技术痛点，为公共安全、智慧园区、工业智造、商业运营、医疗
看这个开关管电压波形（图3），在驱动信号到来前Vds已经谐振到零，妥妥的零电压开通。模型跑起来后重点看这几个点：动态切换时的电压过冲、轻载时的环流损耗、软开关失效的工况点。电压电流双闭环控制，功率双向流动，ZVS软开关。双有源全桥（DAB）这玩意儿在新能源和电动汽车里是真吃香，既能玩能量双向流动，又能通过高频隔离搞定电压匹配。最后上张实测波形（图4）：蓝色是正向1kW输出，绿色是反向800W，TH
数据仓库作为企业核心数据基础设施，其核心价值在于支持高效的数据探索与决策。传统方式下，用户需掌握复杂SQL语法并理解底层表结构，过程繁琐且门槛高。随着大语言模型（LLM）技术的发展，通过自然语言交互查询数据成为可能，其原理是将用户意图解析为结构化查询，并结合元数据生成可执行代码。这种技术能显著降低数据使用门槛，提升分析效率，尤其适用于即席查询、数据探查等场景。本文以Myriade平台为例，深入探讨
数据仓库作为企业数据管理的核心基础设施，其核心原理在于通过统一的存储和计算框架，对海量结构化与非结构化数据进行高效组织、处理和分析。随着AI技术的普及，传统数据仓库在支持AI智能体（Agent）直接、安全地访问和操作数据方面面临挑战，这催生了新一代数据架构的需求。Databend通过将分析、向量搜索、全文搜索三大能力深度集成于单一引擎，并引入沙箱化UDF（用户定义函数）机制，实现了数据与AI能力的
技能层面：我熟练掌握了助睿零代码ETL平台的核心操作，学会了如何通过可视化拖拽和配置参数（而非编写SQL或代码）来完成复杂的数据集成任务。我对“表输入”、“记录集连接”、“字段选择”、“过滤记录”和“Excel输出”这五大组件的功能边界和配置细节有了深刻认识。逻辑层面：我深入理解了多表关联（左外连接）、数据去重清洗和条件分流在ETL流程中的设计思路。尤其是在遇到“排序需要”错误和“输出为空”的问题
同时，也会有一个函数来将 Gym 环境产生的动作发布到 ROS2 中的控制话题，使得机器人能够执行相应的动作。一般来说，它会提供方法来将 ROS2 中的机器人数据（如传感器数据）作为 Gym 环境的状态，以及将 Gym 环境中的动作发送到 ROS2 中的机器人控制节点。假设你有一个简单的移动机器人，状态空间可能包括机器人的二维位置[x,y]和朝向角度theta，动作空间可能是机器人的线速度v和角速
数据中台建设困境与破局之道：从技术驱动到场景驱动 当前数据中台面临的核心矛盾在于建设逻辑与使用需求的错位。调研显示，80%的中台项目建成后使用率低迷，业务部门仍依赖传统Excel报表。迅易科技通过300+企业服务案例发现三个典型错位：指标可用性差（业务需要3-5个决策指标而非数百个展示指标）、数据口径不统一（同一指标不同计算逻辑）、场景贴合度低（未嵌入实际业务流程）。 AI时代的到来加剧了这一矛盾
通过明确战略定位、规划业务与技术架构、建立数据治理与安全体系、保障组织与人才支持、制定分步计划、升级基础设施、提升数据分析与应用能力以及建立优化与迭代机制等措施，推动企业数字化转型工作的有序进行和有效实施。通过数字化转型，实现业务流程的优化、效率的提升以及客户体验的改善，为企业的可持续发展提供有力支持。我们将制定数据管理制度，明确数据的采集、存储、处理、分析和应用流程，确保数据的准确性和一致性。我
手把手玩转助睿零代码 ETL！以订单利润分流为实战场景，零基础拖拽搭建数据流程，一键实现多表关联、数据自动分流，轻松拆分盈利与亏损订单，快速掌握 ETL 核心实操技巧，小白也能轻松上手数据处理！
本文基于"数智教育"大赛数据集，利用助睿ETL平台构建学生考勤主题标签系统。通过星型模型整合考勤记录、考勤类型和学生信息三张核心表，采用多表关联、关键词匹配和聚合计算等技术，实现迟到、早退、请假等异常行为的自动化统计。实验重点解决了数据清洗、维度衍生和空值处理等关键问题，最终生成包含学生属性、行为指标的多维度标签表。整个流程涉及15个处理节点，验证了平台在多源数据整合和复杂业务
本文从工程实践角度，深入拆解了 AI 原生营销矩阵系统的营销数据仓库构建与实时数据分析系统，详细讲解了多源数据采集、数据清洗转换、维度建模、实时计算引擎、数据可视化等核心技术的实现细节，并分享了典型营销数据分析场景的实现方案。通过构建完善的营销数据仓库与实时数据分析体系，能够有效解决传统营销数据分析中存在的数据孤岛、数据延迟高、分析维度单一等问题，为企业提供全面、准确、实时的数据洞察，帮助企业实现
我保留了订单明细表里的product_id，把产品信息表带来的那个去掉就好了。任务跑完之后，我打开输出的Excel文件，发现表格里有两列产品ID，一列叫product_id，另一列叫id。做左外连接的时候，订单明细表里本来就有产品ID字段，产品信息表里也有产品ID字段，两张表合并之后，两个同名的字段都被保留了下来。我没有做字段清洗，就直接往下走了。这次实验我按照流程走了一遍：拉出订单明细表和产品信
是一个开源的分布式大数据处理引擎，最初由加州大学伯克利分校。为核心特点，可用于大规模数据的处理、分析和机器学习等场景。软件基金会，如今已成为。
604,f,1996/11/24,本科,人工智能开发工程师,10k,南方,东方,农村。601,f,1993/04/09,本科,Java开发工程师,7k,北方,南方,城市。602,m,1991/05/13,本科,大数据开发工程师,9k,北方,南方,农村。603,m,1996/12/23,本科,大数据开发工程师,9k,南方,东方,城市。600,f,1994/02/04,本科,机械工程师,6k,北方,南
提供可靠、可扩展的海量存储，是整个生态的基石。作为资源调度核心，允许多种计算框架高效共享集群资源。奠定了分布式批处理的思想（分而治之），但因其性能局限，逐渐被 Spark 等更优引擎替代。通过SQL 抽象层极大简化了大数据分析，主要面向离线批处理。提供基于 HDFS 的低延迟随机读写能力，填补生态在实时访问领域的空白。强大的内存计算框架统一处理批、流、交互式、机器学习等多种工作负载，性能卓越，是当
在上一期中，我们聚焦了人工智能如何赋能数据治理，提出了“SQL2API是数据服务化的核心环节”这一重要观点。随着企业对数据实时性、可访问性和可复用性的要求日益提高，SQL2API正成为推动数据中台价值释放的关键技术。本文将深入剖析SQL2API如何驱动数据共享，提升数据服务化能力，并结合实际案例，探讨其在不同行业场景中的最佳实践。
Spark空气质量数据分析与预测系统 Hadoop 爬虫 机器学习 线性回归预测算法 Python语言 Hive数据仓库 AQI分析 大数据毕业设计（源码+文档）✅
基于Spark空气质量数据分析与预测系统 Hadoop 爬虫 机器学习 线性回归预测算法 Python语言 Hive数据仓库 AQI分析 大数据毕业设计（源码+文档）✅
在量子计算与AI赋能的时代，PDCA正从人工循环进化为智能涌现系统。当项目管理系统能够自动感知环境变化、自主生成改进方案、自发实施优化措施时，人类管理者的角色将向更高维度跃迁——从循环操作者变为规则设计者，从过程控制者变为价值定义者。这或许正是戴明博士最初的愿景：让持续改进成为组织的本能，使卓越成为习惯性状态。推荐 🌟🌟🌟🌟🌟🔍 dblens for MySQL - 下一代智能数据库管
本文介绍了一个基于Python+PySpark+Hadoop的视频推荐系统，采用四层架构设计（数据采集、存储计算、推荐引擎、应用服务）。系统通过多源数据整合、批流一体处理实现个性化推荐，使用协同过滤和深度学习模型提升推荐效果，并支持实时更新和冷启动优化。关键技术包括PySpark分布式计算、Hadoop数据存储、多模态特征提取等，同时注重数据质量、性能优化及系统安全。该系统可显著提升视频推荐精准度
摘要：本项目基于Hadoop+Spark+Hive技术栈开发高考志愿填报推荐系统，整合历年录取数据、院校信息等多源数据，利用Spark进行实时数据处理和机器学习算法实现个性化推荐。系统包含数据存储(HDFS)、计算(Spark)、数据仓库(Hive)和可视化展示(Web)四大模块，支持考生根据分数、省份、专业偏好获取智能推荐。开发周期12周，分需求分析、数据处理、算法开发、系统集成和测试上线五个阶
数据仓库
——数据仓库
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
EazyDevelop社区
深开鸿 技术专区
DeepSeek技术社区
openEuler 社区
龙虾开发者社区
全球具身智能开发者社区
2048 AI社区
脑启社区
