- 相关博文
- 最新资讯
-
LangSmith 是 LangChain 官方推出的 LLM 应用全生命周期可观测性平台。本文从架构设计、核心组件、工程实践三个维度，系统剖析其 RunTree 追踪模型、异步上报机制、OTel 标准集成、数据集与评估体系、Prompt 版本管理、生产监控告警、交互式调试及 SDK 编程式调用等关键能力。并给出分层采样策略、成本预算告警、CI/CD 质量门禁等实战方案
-
本文讲解 Kafka 基础概念、组件与消息流转流程，提供 Docker Compose 部署三节点 Kafka 集群方案。结合 Spring‑Kafka 完成消息收发、Topic 管理、事务、手动提交 offset 等代码实战。同时梳理底层原理：ACK 机制、消息丢失与重复消费处理、消息顺序性、ISR 副本高可用、存储清理策略及高性能优化，汇总高频面试考点，适合入门学习与面试复习。
-
- garmin Chen
- 昨天
-
-
AI自动化连接多个软件时，要先确认触发器、数据字段、权限、异常处理和最终输出位置，否则流程很容易只在演示里跑通，实际使用时频繁中断。如果是个人用户，先从自己日常重复最多的1-2个跨平台操作入手，先跑通最小流程；如果是团队用户，先从高频重复的非核心业务流程入手，验证稳定性之后再推广到更多业务场景。先把需求拆成输入、跨平台数据拉取、AI处理、输出同步和异常检查几个环节，再选择对应的自动化连接工具、AI工作流平台或者AI Agent平台补齐每个环节，逐步迭代扩展，通常比一开始就追求搭建覆盖全平台的复杂系统更稳。
-
15.应用案例 |：02 工业大数据智能制造场景具有测点数量大、采集频率高、对实时分析要求严格的特点。本文以汽车装配车间为例，展示 TDengine 在 SCADA/MES 场景下的应用。
-
摘要 本文介绍了Spark SQL的核心功能与应用场景，通过城市销售日报案例对比DataFrame API与SQL的差异。主要内容包括： 双接口设计：Spark提供DataFrame API和SQL两种操作方式，底层共享Catalyst优化器，性能一致但适用场景不同。DataFrame适合复杂ETL，SQL便于临时查询。 技术实现：详细讲解临时视图、内置函数分类（字符串/日期/数学/聚合/窗口）和UDF性能优化（Pandas UDF比Python UDF更快）。 实践案例：从纯DataFrame实现逐步演变
-
- 存在morning
- 昨天
-
-
去年接了个内部需求，业务方要做一个"制度文档智能问答"，底层走 RAG。我带队，三个大数据方向的工程师，两个做 ETL 的，一个做数据治理的。Demo 两周就跑通了，业务方很满意。结果真正上线第一周，权限问题、日志丢失、响应时间不可观测，三个问题全来了。这篇文章复盘的就是那次项目，以及我作为数据工程师，在大模型工程化过程中踩过的坑和总结的方法论。---大数据转大模型，不是从零开始，而是能力迁移。数据工程师的核心优势有三：1. 数据治理方法论。
-
- IT技能树
- 昨天
-
-
必须实现__len__和。返回 tensor返回 PyTorch Tensor。懒加载：大数据集在中加载，不要在__init__中全部加载。多进程安全__init__中不要创建不可序列化的对象。变长数据：使用自定义collate_fn处理。数据增强：在中应用 transform。性能优化。掌握这些模式，可以高效地构建各种数据加载管道，支持图像、文本、序列等多种数据类型。
-
- 一键难忘
- 昨天
-
-
不少零基础人群纠结是否报考大数据采集工程师证书，本文客观拆解该证书的实际价值、学习路径、报考条件与常见误区。该证书分初、中、高级，全国联网可查，属于职业技术培训考核凭证，并非持证即可上岗。其价值体现在梳理完整知识体系、作为求职能力信号、树立数据采集合规意识。零基础建议逐级学习，初级夯实 Python、爬虫、数据库基础，中级掌握企业级采集技术，高级深耕集群与算法。报考门槛较低，采用机考形式。同时要避开只看教程不实操、忽视数据合规、轻信包就业的误区，考证核心重在习得实操能力，不可将证书当作涨薪捷径。
-
- AI职业加油站
- 昨天
-
-
1、没有仔细查看默认有的内容盲目删除导致没有标题，进而导致了文字位置异常如图所示，此时我按照视频教学输入了“hello world!”发现文字在页面最上面与手机上栏重合，初期通过询问大数据模型使用“padding-top: calc(env(safe-area-inset-top) + 40rpx);”避开手机状态栏，同时正文内容一起向下，实现不贴上顶栏。后面与同学交流发现最开始是有 navigation‑bar这一自定义导航栏占据上面空间使得后续文字从下方起始。
加载中...
-
Apache Kafka 是一个快速、可扩展的、高吞吐的、可容错的分布式“发布-订阅”消息系统， 使用 Scala 与 Java 语言编写，能够将消息从一个端点传递到另一个端点。
-
从提取层、处理层、基础结构入手，带你了解Spark和Kafka！
电子商务市场中典型的一天是这样的：每分钟发生1万个事件流，并且要选择合适的工具对其进行处理。
-
Apache Kafka 是一个快速、可扩展的、高吞吐的、可容错的分布式“发布-订阅”消息系统， 使用 Scala 与 Java 语言编写，能够将消息从一个端点传递到另一个端点，较之传统的消息中 间件(例如 ActiveMQ、RabbitMQ)，Kafka 具有高吞吐量、内置分区、支持消息副本和高容 错的特性，非常适合大规模消息处理应用程序。
-
-
本文主要列举一些 Kafka 的常用工具，以及举了一些例子来帮助理解。有需要的小伙伴，可以 Mark 起来再看。
活动
-
2021-11-10
-
2021-03-09
-
2020-12-16
独家定制
-
-
3500人的专业安全团队与你同在
-
-
CSDN云计算在线公开课
-
-
IaaS市场高速增长，历久弥新
精品推荐
关于我们
关注「云计算」
转载 & 投稿：songhui@csdn.net
商务合作：zhangjing@csdn.net