ActionExecutionOperator 是整个Flink Agent 系统的执行引擎，它连接了 Flink 流处理框架和 Agent 逻辑，协调各种组件完成了 Agent 定义的动作执行。事件处理：接收来自上游的数据，包装成InputEvent动作执行：根据Agent定义的动作规则，触发相应的处理逻辑状态管理：维护短期记忆，检查点状态等异步支持：处理需要异步执行的任务Python/Java

SeaTunnel 的架构设计采用了 API 与执行引擎解耦 的策略。这意味着同一套数据同步逻辑（Config）可以无缝运行在不同的引擎上。Zeta 是目前 SeaTunnel 社区主推的默认引擎。它旨在解决 Flink/Spark 在简单数据同步场景下“资源消耗大、部署运维重”的问题。Zeta 采用无中心化（Decentralized）或 Master-Slave 架构（取决于部署模式），主要包

镜像层臃肿，无法追溯构建过程。：操作简单，适合临时定制；

我们需要一张能够处理 Changelog（变更日志）的表。这里使用连接器。-- ⚠️ 关键配置：处理测试数据量少导致的 Watermark 不推进问题update_time TIMESTAMP_LTZ(3), -- 事件时间) WITH (在实际开发中，面对复杂的业务需求，该如何选择 Join 策略？决策维度核心逻辑全量历史关联时间窗口内关联关联特定历史版本关联外部静态/动态表状态压力⭐⭐⭐⭐⭐

ActionExecutionOperator 是整个Flink Agent 系统的执行引擎，它连接了 Flink 流处理框架和 Agent 逻辑，协调各种组件完成了 Agent 定义的动作执行。事件处理：接收来自上游的数据，包装成InputEvent动作执行：根据Agent定义的动作规则，触发相应的处理逻辑状态管理：维护短期记忆，检查点状态等异步支持：处理需要异步执行的任务Python/Java

SeaTunnel 的架构设计采用了 API 与执行引擎解耦 的策略。这意味着同一套数据同步逻辑（Config）可以无缝运行在不同的引擎上。Zeta 是目前 SeaTunnel 社区主推的默认引擎。它旨在解决 Flink/Spark 在简单数据同步场景下“资源消耗大、部署运维重”的问题。Zeta 采用无中心化（Decentralized）或 Master-Slave 架构（取决于部署模式），主要包

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与文本生成的先进AI架构，其核心在于让大语言模型在回答问题前，先从外部知识库中“查找资料”，再基于查到的信息生成准确、有依据的回答。这种方法有效缓解了大模型常见的知识过时、幻觉等问题。Milvus 是一款专为高维向量数据设计的云原生向量数据库，广泛应用于人工智能、机器学习和相似性搜索场景。它采用存

Pregel在执行过程中可以能出现不可预期的错误，或者需要人为介入导致可预期的中断，并行执行的任务就会出现部分部分成功、部分失败和中断的情况。当我们从某个历史点重启时流程时，假设从历史上的“00...001”处分叉出两条不同的执行路径，两条路径的序列号可能都会递增到“00...002”，但通过第二部分的随机随机值，系统能以如下形式物理隔离这两条路径。第二部分包含的随机数（源自浮点数的小数位）确保了

我会定义一个专门的 Code Review Skill，明确它的职责，例如：从架构合理性、异常处理完整性、日志规范、边界条件覆盖、安全风险、性能隐患等多个维度进行结构化审查。我用过几款 AI 编程工具，例如 Cursor、Trae、Claude Code，其中我日常开发中主要用的是 Cursor（根据你自己的使用去说就好，我这里以国内用的比较多的 Cursor 为例）。拿我自己来说，我经常会和 A

ActionExecutionOperator 是整个Flink Agent 系统的执行引擎，它连接了 Flink 流处理框架和 Agent 逻辑，协调各种组件完成了 Agent 定义的动作执行。事件处理：接收来自上游的数据，包装成InputEvent动作执行：根据Agent定义的动作规则，触发相应的处理逻辑状态管理：维护短期记忆，检查点状态等异步支持：处理需要异步执行的任务Python/Java