诸如“上月销售额”、“销量最高的产品”、“北京地区的客户销售额”这类问题，其语义模式实际上是可抽象、可结构化的。它或许没有大模型那般“万能的想象力”，但在 BI 这个需要确定性、可靠性与成本控制的领域，这种专注于“解决特定问题”的另辟蹊径，无疑是一条值得重视的务实之路。它的强大建立在“词典”的完备性上，对于词典之外的“新词”和“新说法”，它是真的“无能为力”。：NLQ 首先将句子拆解为“去年”、“

白皮书从规模型企业数字化转型特有的挑战入手，针对企业丰富的数字化触点、规模化能力建设、智能决策、组织升级需求进行分析，梳理了规模化企业对于“企业级BI”能力的要求，建设性地提出了企业级BI“五力模型”，为规模型企业提供新的BI建设思路与可落地的BI选择方法论。在内的各行业规模型企业的实践分析，分享企业级BI能力体系的构建成果，并前瞻性的展望了未来将驰骋市场的“四化”企业特征，为企业数字化运营及业务

大家好，新年已经过去了。事实上，2025年已经过去1/6了。我们又见面了。过年期间被大模型DeepSeek刷屏，相信大家都看到了。今天的文章蹭下热度，我们提高班的一些同学也经常咨询我的关于AI/大模型对数据开发领域的一些影响。事实上我个人已经用这些大模型工具很久了。最常用的是Cursor(Claude3.5/GPT4)，还有工作中已经深度依赖豆包和DeepSeek。此外开发平台本身也集成了一些自研

这个能力主要是为了应对TB级别的状态存储与高吞吐、低延迟的访问要求，Flink2.0正式推出解耦式状态管理架构，通过异步执行框架ForSt和分层存储系统实现状态与计算分离，利用廉价的对象存储来共享数据，从而实现更灵活的资源调度、更高的可扩展性和更轻量稳定的容错能力。Flink社区的这种前瞻性考量也是非常值得称道，如果类似Flink、Spark这样的框架支持通过SQL和大模型进行交互，通过内置函数调

异步合并过程中，数据的写入和合并操作是分离的，数据写入操作不会受到合并操作的影响，保证了数据写入的及时性和一致性。同时，Paimon 通过原子性的元数据更新机制，确保在合并操作完成后，表的元数据能够准确反映数据的最新状态，进一步保证了数据的一致性。你需要从「具体的业务场景入手」，意思就是说你的表达最好从真实的业务场景入手，而不是机械的记忆这些「八股文」，告诉面试官你在什么业务场景遇到了什么问题？充

这个项目和我们文章开头推荐的waytoagi是同一类，包含大模型(LLM)、RAG(检索增强生成)和AI智能体(Agent)应用搭建等一系列教程，并且它提供了一个完整的PDF可以直接下载学习！这个项目是一个教程与实践案例的集合库，如果你有一定的基础可以直接拿过来学习，如果没有的话可以用上面的waytoagi来入门学习一下。我们今天分享的是几个跟AI相关的开源项目，随着大模型的持续火爆，AI领域相关

8月2日，Flink1.20版本发布，一边听歌一边看我分析。（戳上面????听歌）本文基于官方网站的Release Note做一个简单的分析，看看哪些内容是更加值得我们关注的。在定位上，这个版本是一个2.0版本之前的过渡版本，也是1.x时代最后一个版本。这个版本中有很多细小的变动，和一些MVP版本的开发，那站在用户的角度，比较值得注意的几个特性有哪些：物化表1.20版本引入了一个 物化表(Mate

Doris 3.0 引入 存算分离架构，计算节点与存储节点独立扩展，支持冷热数据分层（热数据存 SSD，冷数据存 HDD / 对象存储），资源利用率提升 40%。MPP 分布式架构：无共享设计，Frontend 负责元数据与查询调度，Backend 并行处理计算任务，支持向量化执行引擎，单节点写入吞吐量达 550MB/s，是 Elasticsearch 的 5 倍（后者约 124MB/s）。然而，

另外，当有特定的数据提取需求时，它也能辅助生成相应的查询代码，展示结果，并支持可视化数据分析，进而高效地完成高质量的数据分析报告，助力企业更好地挖掘其数据资产潜力。在大模型领域，Agent是一种基于大模型技术，能自主感知环境信息、运用自身智能进行分析决策，并采取行动以达成特定目标的智能实体，具有自主性、智能性和交互性等特点，可应用于智能客服、机器人控制、数据分析决策等多个场景。：在客服场景中，Da

适当的调优可能显著提升运行AI函数的吞吐量和稳定性。此外，Flink 2.1的ML框架已经原生支持「Embedding→向量存储→向量检索→LLM」的RAG链路，我们后面再单独分享。扩展ML_PREDICT表值函数，支持通过Flink SQL实时调用AI模型，为构建端到端实时AI工作流奠定基础。新增AI模型DDL，支持通过Flink SQL与Table API创建和修改AI模型，实现AI模型的灵活