其实这里还有另一个问题，就是PostgreSQL或者其他的数据库产品都不会考虑你的一个SQL运行的并发性，他们仅仅是针对一次的操作来判断COST，因为bitmap调用IO更少，在数据库中更少的IO是SQL运行中希望看到的,同时我们也可以看到，下面的PG的COST的计算模式。工作比较忙，事情比较多其实很多事情就无暇顾及，这点还是得说，给更多的时间和人力在优化数据库上，是可以降低成本的，但这样的方式因

我特别想把PolarDB的IMCI推广的更好，让更多的业务享受到PolarDB的插件化数据库的特性。这个当然有作用，POLARDB FOR MYSQL的语句执行方式分为行存模式，行存并行执行计划，列存计划三个方式来进行语句的执行，性能优化器的会再次根据cost的计算IMCI > PQ > 行存串行 的方式来进行语句的从高COST到底COST的分门别类的语句执行。如果遇到数据的删除和更新的情况下，采

首先PG并未使用我们熟悉的LRU内存页面的替换算法，而是采用了clock sweep 类似的做法，当页面被访问的时候，他会在内存的页面上递加值，通过全局的内存指针在扫码这些页面的值，当被扫到后，这个页面的权重值 - 1减1，如果这个页面的权重为0 则这个页面就被替换掉。我们可以去想，PG产生的时间很早，那时的硬件和操作系统都比较的OLD，文档也是从那时建立起来的，也就是说，这些参数的优化都是基于老

3 这个方案的好处，不存在通过网络传输中产生的数据延迟，或者犹豫数据不一致导致的数据丢失的问题，RPO = 0 ， 只要磁盘没有坏，NODE A写入最后一个字节，NODE B 拉起就可以恢复数据库的状态。产生这样的方案的根因是金融银行业的特性和底线，总结为行为的可预测性，责任的可追述性，事故的可解释性，风险的可审计性，以及数据库负责人的确认和事前的确认甚至是可签字性。这样的方案才是金融级的PG数据

所以成本是较低的，而他的问题也很清晰，就是where 不参与分桶，必须回表过滤，在为了查询速度快的情况下，会漏掉一些结果，还有对于大表第一次建立索引时的成本会比较高，需要全量扫描。这是一个系列，AI已经进入一些公司，恰巧我的工作正在经历这个阶段，组织学习和工作的内容，经验，这是一个常系列，希望大家都能跟上发展的部分和节奏，不掉队。2 查询的时候会计算出 query 向量到所有的中心距离，然后选出最

特点和优势，是查询的速度很快，在海量的数据下，也能精准找到最相似的向量，这种搜索的方式基于存储所有层级的图结构和指针，内存的消耗会比IVF要大的多。查询的方式也是类似分类的方式，从上往下的方式，从顶层入口开始，到下面每一层，在同层寻找邻居节点向量的距离，并移动到最近的邻居节点，然后下探到下一层，直到找到正确的数据节点。随着m的调整的大小，调大会提高内存的消耗，构建的时间，索引也会变大，但是他会提高

除此以外，通过分区的方式也可以优化，通过每次将查询锁定在某一个分区来降低整体的HNSW使用内存的量，最后我们还可以通过调整 ef_search 动态调整，来建立一条适合特定业务的动态ef_search,最后适当的进行REINDEX可以有效的维护查询的速度和内存的占用。所以降低浮点也就是我们文章中提到的 halfvec会节省大量的内存，后面的问题就出来了，如果要节省内存的情况下会导致计算的精度出现问

咱们开始正事最近一些项目要研究OceanBase单机版，一些项目中的MySQL要被替换，如何安全方便的替换MySQL线下产品，是要攻克的难题，这个系列就是来搞这件事情的，在搞这个事情前，我们要做的是对比数据库的兼容性。3 安装中给我印象最深的是其中的安装给出的对数据库服务器的定位，非常的实用，同时也说明单体OB数据库的可伸缩性较大，可以在不同的业务当中担当不同的角色。2 安装中给了安装这很多的可选

自 2019 年以来，微软向 OpenAI 投资了约 130 亿美元，而 OpenAI 随后又将大部分资金通过支付 Azure 云计算费用返还给微软，这种模式导致两家公司都在账面上记录了收入增长，让投资者觉得业务在加速，但实际上并没有创造出真正的独立业务，引发了市场对财务真实性的不安。OPEN AI的存活，一切都因为商业投资的希望，而如果希望破灭，留给OPEN AI的只能是轰然DOWN掉，而这一个

OPENAI收了龙虾的创始人，开始商业产品的研发，OPENAI的死对头，也是现在美国最赚钱，或者说最领先的AI公司Anthropic 封杀了OpenClaw,而剩下的Google对于OpenClaw的态度，一句话，技术上兼容，商业上围剿，账户上严惩不贷。在历史的演进中，我们已经遇到了太多这样，令人振奋，但昙花一现的项目，在美国的AI世界里面，目前只有三个先驱，OPENAI，Anthropic 和