从 BI 为主到 AI 驱动的转变，是 ClickHouse 数据文化的一次重大飞跃。

这篇文章是关于向量搜索系列的续篇，我们将通过实际的例子详细探讨ClickHouse与向量搜索的关系，并回答“什么时候应该使用ClickHouse进行向量搜索？”的问题。

构建起一整套 AI 智能体的可观测性链路——从原始运行数据，到图形化分析界面，一应俱全。

构建起一整套 AI 智能体的可观测性链路——从原始运行数据，到图形化分析界面，一应俱全。

构建起一整套 AI 智能体的可观测性链路——从原始运行数据，到图形化分析界面，一应俱全。

在 DWH 中，我们不仅提供这些实时数据的原始格式，还提供其转换后的聚合状态，例如实时事件的聚合结果。对于我们的数据仓库，ClickHouse 的强大之处在于，它能轻松将实时数据与批处理报告结合，从而扩展了可查询的数据范围。例如，在增加新的数据源时，dbt 允许我们通过时间函数轻松合并不同时间导入的数据，并在数据准备好后触发后续流程。同时，随着指标的复杂性增加，原先简单的 count() 和 su

在每个流任务中，从最大对象到最小对象，每个都会创建事件，这些事件可以是状态事件，也可以是创建的工件——这不是一项任务，一个对象。用于数据管道的编排，它简化了构建、调度和监控工作流的过程。随着 Prefect 开始探索对客户工作流进行更高层次分析的可能性，Guidry 说已经面临着可靠地提取事件流并显示对象发生的所有事件或工作流运行过程中发生的所有事件的挑战：“当我们开始讨论一周内发生的所有工作流事

通过这样做，我们可以发挥 ClickHouse处理大规模数据集的高性能，并减少，甚至完全避免额外编写的代码的需要。我们使用Clickhouse的geoDistance函数来计算给定它们的坐标（纬度和经度）的取件和交付位置之间的距离，同时我们使用Clickhouse的date_diff函数来计算取件和交付之间所经过的时间。我们还使用randUniform函数向数据集添加一个随机生成的训练索引，该索引

探讨使用 ClickHouse与LlamaIndex的集成来构建一个问答机器人应用程序

ClickStack 标志着 ClickHouse 在可观测性生态建设上的又一次重要进化：一个直观、开源、具备明确设计理念的全栈可观测性解决方案。