如果有一天，在 WhaleStudio 中创建同步任务、编写 SQL、搭建 DAG、排查任务异常这些工作都能交给 Agent 自动完成，那么数据工程师的价值还体现在哪里？未来的数据平台又该扮演怎样的角色？带着这样的思考，白鲸开源 CEO 郭炜亲自录制了一段基于 WhaleStudio 与 Snowflake 的实践演示视频。作为长期深耕数据基础设施领域的技术创业者，他在持续打磨 WhaleStud

如果有一天，在 WhaleStudio 中创建同步任务、编写 SQL、搭建 DAG、排查任务异常这些工作都能交给 Agent 自动完成，那么数据工程师的价值还体现在哪里？未来的数据平台又该扮演怎样的角色？带着这样的思考，白鲸开源 CEO 郭炜亲自录制了一段基于 WhaleStudio 与 Snowflake 的实践演示视频。作为长期深耕数据基础设施领域的技术创业者，他在持续打磨 WhaleStud

最近，技术圈很流行的一个话题之一是：MCP vs. Skills 谁对于 AI Agent 来说是一个更加强大的助攻呢？ 这个争议的深层次原因，是随着 AI Agent 的快速发展，大模型正在从“对话系统”逐渐演变为“任务执行系统”。

人更多承担确认、监督、判断、决策和纠偏的角色。过去我们处理的是结构化数据、半结构化数据、文件、日志、表、字段、任务和工作流。只是数据平台的表达方式变了。这次 Snowflake Summit 里，最让我印象深的不是某个传统数据库功能，也不是某个性能参数的提升，而是它发布了一整套围绕 AI Agent 的产品组件：CoCo、CoWork、Desktop、Skill Catalog、VS Code 插

人更多承担确认、监督、判断、决策和纠偏的角色。过去我们处理的是结构化数据、半结构化数据、文件、日志、表、字段、任务和工作流。只是数据平台的表达方式变了。这次 Snowflake Summit 里，最让我印象深的不是某个传统数据库功能，也不是某个性能参数的提升，而是它发布了一整套围绕 AI Agent 的产品组件：CoCo、CoWork、Desktop、Skill Catalog、VS Code 插

随着生成式 AI 技术的发展，企业对数据基础设施提出了新的要求。除了传统的结构化数据之外，文本、图片、音频等多模态数据正在快速增长。面对更加丰富的数据类型和更加复杂的数据链路，如何构建统一、高效且易于治理的数据通道平台，成为许多企业关注的重要课题。在即将举行的 Apache SeaTunnel Meetup 六月专场活动中，我们邀请到了同程旅行数据开发工程师、Apache SeaTunnel Co

您参与开源有多长时间了？开源为什么吸引你？如果以正式向 Apache 项目提交 PR 作为起点，我参与开源大约一年。开源吸引我的地方，主要是能和社区里很多优秀的开发者一起做事。每次 PR Review，Reviewer 都会从命名、边界条件、兼容性、测试覆盖等方面提出建议，这些经验在平时工作里不一定能这么集中地学到。另外，开源也会让个人贡献产生更大的价值。公司里修一个问题，影响的可能仅仅是一个团队

AI 时代并没有让读源码和调试过时，恰恰相反，它们变得更有价值了。你越能把环境跑起来、把问题复现出来、把断点打进去，AI 就越能真正帮上忙。希望这篇分享能让大家从“会配任务、能跑起来”，再往前走一步，变成能看源码、能本地调试、能独立查问题、也能自己修 bug 的人。这样以后再碰到问题，我们就不是只能等答案，而是可以带着 AI 一起把问题查清楚、改明白、真正解决。

每个数据工程师都经历过这样的场景：业务方说"帮我把 MySQL 的用户表同步到 S3"——你心里知道这件事本质上就是从 A 搬到 B。但接下来你要查文档、学参数、写 HOCON、调试报错，一个"简单"的需求花了两小时。

Apache SeaTunnel 社区正式发布 2.3.13 版本！本次发版对于 Apache SeaTunnel 来说是一个里程碑式的进展，带来了诸如 Checkpoint API、Flink 引擎升级、大文件并行处理、多表同步能力、AI Embedding Transform、更加丰富的连接器扩展 等多项重要能力。无论是批量数据处理还是实时 CDC，同步到 Lakehouse，SeaTunne