pg_ducklake v1.0正式发布，这是一个生产就绪的DuckLake实现，将完整的数据湖仓功能集成到PostgreSQL中。该版本提供完整的DuckLake工作流，包括DML操作、模式演化、时间旅行、ACID事务等特性，同时保持与DuckDB的兼容性。专为OLTP环境优化，通过数据内联和直接插入等技术实现高效数据摄取，比标准DuckDB+DuckLake组合快5.8倍。作为独立扩展构建在l

本文提供了一个Python实现的快速排序算法示例。首先展示了一个简洁的快速排序实现，采用原地归并排序+递归方法，平均时间复杂度为O(n log n)。代码示例包括分区函数和递归调用逻辑，并附带运行示例。随后介绍了进阶版本，使用heapq模块构建堆进行分区，实现更标准的快速排序算法。文章最后给出了使用建议，包括时间复杂度分析和优化方向。需要注意的是，实测代码存在语法错误，如参数传递不匹配等问题，需要

本文介绍了如何在本地部署Qwen3.5小型语言模型。首先从llama.cpp官网下载CPU版本二进制文件，然后通过镜像站手动下载了三个不同版本的量化模型（Q4_K_M和UD-Q4_K_XL），因官方下载方式失败。测试显示0.8B模型在CPU上的生成速度约为36 tokens/秒，能完成基础的英译中任务，但首次指令理解有误。文章推荐选择UD-Q4_K_XL或Q4_K_M量化版本，因其在精度损失和性能

PostgreSQL v19 引入新特性 INSERT ... ON CONFLICT ... DO SELECT，完善了已有的 upsert 功能。该特性允许在插入冲突时直接返回现有行数据，特别适用于需要获取生成列或触发器修改后的数据场景。相比旧版中使用 DO UPDATE 的变通方案，新语法避免了不必要的更新开销和死元组问题。文章通过示例展示了该特性的使用场景，并与标准 MERGE 语句的竞态

本文探讨操作系统升级可能导致PostgreSQL索引损坏的问题。当操作系统升级后排序规则发生变化时，使用自然语言排序规则的字符串类型索引可能损坏，导致查询结果错误。文章提供了两种解决方案：预防性方法通过SQL查询识别所有潜在风险索引；追溯性方法在升级后使用amcheck扩展检测实际损坏的B-tree索引。作者建议在安全性和效率间权衡，避免不必要的索引重建以缩短停机时间，同时强调数据库管理员应保持警

本文记录了在Kylin系统上手动安装Ollama的完整过程。首先尝试通过脚本和Docker安装失败后，改为下载ollama-linux-arm64.tar.zst压缩包。在解压过程中遇到zstd工具缺失问题，尝试编译zstd源码失败后，最终通过复制二进制文件成功解压。安装完成后，需要先运行ollama serve启动服务，才能使用ollama run或pull命令操作模型。整个过程展示了在特殊环境

本文详细介绍了在Windows系统上搭建Ollama和Claude AI开发环境的完整流程。主要内容包括：1）下载安装Ollama客户端并运行Qwen小型语言模型；2）配置Node.js环境并安装Claude-code工具；3）解决Windows系统bash兼容性问题，通过安装Git Bash提供支持；4）完成Claude AI的环境变量配置和权限设置。文章提供了详细的命令行操作步骤和注意事项，帮

PostgreSQL 数据扫描机制详解：PostgreSQL 提供了多种数据扫描方式，包括顺序扫描、索引扫描、仅索引扫描和位图索引扫描。顺序扫描会读取整个表，通过可见性图优化减少检查开销；索引扫描利用索引结构快速定位数据；仅索引扫描直接从索引返回结果，避免堆访问；位图扫描则通过两阶段处理优化多条件查询。系统根据查询条件、数据量和硬件配置自动选择最优扫描策略，用户可通过调整参数如random_pag

既然 ClickHouse 已经在 SQL 引擎上做了这么多工作，为什么不考虑将其引擎提取出来作为一个 Python 模块呢？这感觉就像给自行车装上了火箭发动机！

摘要：本文介绍在安卓Termux中运行llama.cpp的方法。首先通过apt安装预编译的llama-cpp包，下载Qwen3.5-0.8B量化模型。使用llama-cli工具进行CPU推理测试，模型成功解出了一元二次方程，但存在部分错误输出。最后提到还可通过llama-server启用web界面功能。整个过程展示了如何在移动设备上部署轻量级LLM模型进行本地推理。