- 博客(1013)
- 资源 (43)
- 收藏
- 关注
RSS订阅原创 SQL中繁琐的Case When 如何优化？
SQL优化新思路：数学映射法替代CASE WHEN 本文提出用数学映射法优化SQL中CASE WHEN的五大场景： 聚合统计：将布尔条件转为整数乘法（如SUM(salary*(status='ACTIVE'))），消除分支提升向量化计算效率 枚举翻译：用字典表JOIN替代硬编码（如支付类型映射），通过哈希连接实现O(1)查询 范围判断：利用数学函数（GREATEST、CEIL）替代分段条件，如CEIL(age/10.0)划分年龄段 WHERE子句：通过逻辑等价拆分（OR/UNION ALL）避免索引失效，恢
2026-06-09 11:00:00
41
原创 声明式之美：超越 CRUD 的 SQL
《SQL思维跃迁：从过程式到集合与状态思维的范式转换》 本文揭示了高效SQL编程的核心思维转变：摒弃传统过程式循环逻辑，转向关系代数的集合映射和状态流转思维。通过三个经典案例（关系除法、会话切割、漏斗分析）的对比解析，文章展示了集合运算（差集/基数映射）和窗口函数（LAG/状态累加）如何替代变量维护与循环遍历，以声明式方法实现复杂逻辑。关键顿悟在于：1）用NOT EXISTS和集合运算替代逐行查找；2）用LAG+窗口函数模拟状态机；3）通过MATCH_RECOGNIZE等实现时间序列模式匹配。文末提供的&q
2026-06-05 11:00:00
618
原创 SQL内核修炼：ICU 医疗监护 — 多设备“危险重叠期”识别 | 详解扫描线算法
消除嵌套与循环：它将 O(N^2)的区间两两比对，降维成了 O(NlogN)的排序 + O(N) 的线性扫描。在 SQL 中，这意味着避免了昂贵的CROSS JOIN或复杂的自关联。状态机思维：它把复杂的几何/时间问题，抽象成了简单的“状态机”。只需要关心“进入”和“离开”对系统当前状态的影响。高度可扩展：无论是求交集（并发数 ≥2 ）、求并集（并发数 ≥1 ）、还是求差集（A 的并发数 =1且 B 的并发数=0 ），只需要在步骤 4 修改WHERE条件即可，底层的数据流转逻辑完全不变。
2026-06-04 11:00:00
38
原创 数仓面试提问：项目里最难的是什么，如何回答？
这是一道常见的“分水岭”问题。几乎所有的求职者都有几率碰到该问题，也是求职者最头疼、最恶心的一道题目，今天我们就聊一聊，当求职者遇到该问题时应如何应对，本文总结了四类场景供求职者参考。首先，我们来看一下当面试官抛出这个问题时的真实意图是什么？项目的真实性：只有亲手踩过坑的人，才能把细节说清楚。技术深度与广度：你遇到的“难点”是低级错误（如SQL写错），还是具有挑战性的架构/性能/业务问题？解决问题的方法论：面对未知问题，你的排查思路、技术选型和落地能力如何？
2026-06-03 12:00:00
44
原创 阿里大数据开发面试：星型和雪花模型的trade-off是什么?实际中如何选？
星型模型和雪花模型是数据仓库维度建模的两种核心结构。星型模型采用去规范化维度表，查询性能高但存储冗余大；雪花模型通过规范化维度表节省空间但增加查询复杂度。现代数据仓库更倾向星型模型或宽表设计，因其能充分利用廉价存储和高效扫描能力。实际应用中常采用混合架构：底层规范化保证数据质量，上层反规范化优化查询性能。关键权衡点包括查询性能、存储空间、易用性和ETL复杂度等。
2026-06-02 12:15:00
35
原创 利用SQL求解城市天际线问题| LeetCode 218题
无论是用 Python 的最大堆，还是用 SQL 的左连接+分组聚合打破实体的边界：不要盯着“一栋栋楼”看，要把楼拆碎，变成时间/空间轴上的“事件”。维护“活跃状态池”：扫描线本身没有记忆，你必须用一个数据结构（堆、Multiset、或者 SQL 的 JOIN 匹配）来记录“当前扫描线穿透了哪些实体”。只关注“状态突变”：海量的事件点中，90% 都是无效的（被遮挡的、高度没变的）。真正的业务价值（天际线的转折、系统的报警、用户的流失）只发生在状态池的极值（MAX）发生翻转的那一瞬间。往期精彩。
2026-06-01 15:00:00
466
原创 业务问题：用“孤岛与间隙”算法计算设备宕机时长与 MTTR
孤岛与间隙”算法不仅仅是一个 SQL 技巧，更是一种将“离散状态”转化为“连续事件”的数据建模思维。通过LAG()寻找边界，通过划分孤岛，我们成功将碎片化的 IoT 上报数据，转化为了支撑 MTTR 计算、SLA 考核和预测性维护的坚实数据基石。掌握了这个算法，无论是用户的“连续登录天数”、HR 的“请假区间合并”，还是金融的“连续异常交易拦截”，你都能游刃有余地给出优雅的 SQL 解决方案。
2026-06-01 12:00:00
48
原创 某制造业面试题：LOT历史日志设备空值数据补全问题
摘要：本文针对半导体晶圆制造中批次流转日志的设备编号空值问题，提出基于SQL窗口函数的分层数据清洗方案。通过划分制程区间（JobPrep~JobOut）和制程间隙（JobOut~JobPrep）两种场景，分别采用区间内JobIn设备填充和沿用前序制程设备的补全规则。方案利用窗口函数实现制程分组和空值填充，无需存储过程即可完成全量数据修复。该纯SQL方案对半导体及其他离散制造业的生产日志治理具有通用参考价值，能有效解决设备统计失真、制程追溯失效等业务痛点。
2026-05-28 12:00:00
47
原创 面试问：建模中粒度设计不当会造成什么影响？
数据粒度是数据仓库设计的核心要素，直接影响系统性能和业务价值。粒度过细会导致存储成本激增、查询性能下降、ETL流程复杂化；粒度过粗则会丢失细节信息，限制分析深度。此外，不同主题域间的粒度不一致会引发数据口径冲突和集成困难。合理的粒度设计应遵循分层原则（ODS保留原始粒度，DWD采用原子粒度，DWS轻度汇总，ADS高度汇总），以业务需求为导向，平衡性能与分析需求，同时保持粒度一致性并预留扩展空间。错误的粒度决策将造成系统性影响且修复成本高昂。
2026-05-19 11:00:00
52
原创 SQL数据分析实战：电商新品高流量低转化问题
摘要：某电商平台智能收纳盒新品上线15天转化率仅0.9%，远低于行业平均水平。通过SQL数据分析发现：1）流量质量问题突出，65%流量来自低转化（0.5%）的限时秒杀渠道；2）详情页到加购环节流失率高达97.2%；3）新品价格较竞品高12%但缺乏差异化价值；4）用户反馈中性价比和质量顾虑占比达77%。建议立即优化流量结构，重构详情页展示，加强信任背书，并调整价格策略。
2026-05-13 12:00:00
68
原创 SQL数据分析：购物篮分析
摘要：本文提出一种基于购物篮分析的电商商品组合优化方案，通过计算支持度、置信度和提升度三大指标识别商品关联性。方案采用SQL实现，包含表结构设计、核心查询逻辑及性能优化措施，支持过滤无效组合并自动生成关联等级标签。该方案适用于商品捆绑套餐设计、搭配推荐和库存优化等场景，能有效提升客单价和库存周转率。通过配置定时任务，可实现商品关联规则的自动化更新，为电商运营提供数据驱动的决策支持。
2026-05-12 12:00:00
62
原创 SQL数据分析实战：物流轨迹行为区间划分
摘要： 针对物流运输中零散轨迹数据难以直接分析时效指标的问题，提出一种基于HiveSQL的轨迹点连续区间划分方法。该方法以运单ID和运输方式为分组维度，通过LAG窗口函数计算相邻轨迹点时间差，当时间差超过30分钟时标记新区间，并利用SUM窗口函数生成连续区间编号。最终输出每个区间的起止时间、持续时长和轨迹点数量，为干线运输时效监控、异常节点排查和运营数据复盘提供结构化数据支撑。该方案采用经典的"岛屿问题"算法，能有效识别连续在途或停靠行为区间，满足物流时效分析的标准化需求。
2026-05-06 10:00:00
49
原创 数据治理：数据波动如何校验？
分为：固定阈值、环比、同比、分位数、动态基线、业务分段阈值 等6 种方案。小于 5 分位数：突降异常适合：无法固定百分比阈值、数据分布不稳定的场景。上期无数据时，不直接算报错，改为：判断当前量是否突增阈值。：指标常年稳定、值域固定（如：单客单价、商品固定单价）节假日、系统维护日、版本迭代日，临时屏蔽波动规则。：日度常规指标：订单量、用户数、交易额、流水量。：抹平单日偶发波动，基线更平稳，告警更精准。极少用波动，只做：数据量 > 0、延迟监控。：强周期业务（周末、节假日、月度周期）
2026-04-29 10:00:00
65
原创 SQL数据分析实战：物流轨迹行为区间划分
本文提出一种基于HiveSQL的物流轨迹行为区间划分方法，用于解决零散轨迹点无法直接反映运输时效指标的问题。通过将运单轨迹按照运输方式和行为类型分组，以30分钟为阈值划分连续的在途/停靠区间。采用LAG窗口函数获取相邻轨迹时间差，SUM函数累计标记新区间，最终输出每个区间的起止时间、持续时长和轨迹点数量。该方法可有效支撑物流时效监控、异常排查和运营复盘三大业务场景，为运输路线优化、异常处理和绩效评估提供数据支持。核心算法采用经典的"岛屿问题"解决方案，通过窗口函数实现高效的时间序列处理，
2026-04-29 09:00:00
68
原创 新浪科技数据开发面试题
1 先自我介绍一下，面试官还介绍了一下部门的整体情况2 将你做的项目看看整体介绍一下，用了哪些湖仓架构，对于实时指标有哪些3 对于实时来说你感觉难点在哪，如果一个任务挂了你短时间找不到问题如何及时止损，如何解决这个问题4 对于实时指标来说主要是分为哪些，比如实时DAU实时营收，以及实时转化数据，还有实时画像，都是涉及到吗，怎么实现这些指标不丢数据5 对于实时任务出现oom主要是哪一块引起的，怎么避免这个oom，对于oom出现的场景有哪些方面会出现呢。
2026-04-28 14:00:00
262
原创 如何判断一个表需要配置 DQC？
摘要：判断表是否需要配置DQC（数据质量检查）需综合考虑5个维度：1）数据资产等级（核心表必配，重要表建议配）；2）业务影响程度（影响核心指标、决策或下游系统的表）；3）变更频率（高频变更表必配）；4）数据来源可靠性（多源/外部/ETL加工表需特殊校验）；5）历史问题频率（曾出问题的表优先配置）。不同级别表需配置不同数量规则，核心表要求3种以上规则且100%监控。
2026-04-28 13:00:00
208
原创 字节大数据开发面经（中国交易与广告）| 校招
本文整理了数据仓库工程师面试中的高频问题，涵盖技术架构、项目实战和解决方案三大维度。技术方面重点考察数仓分层设计（如DWS层界定）、Doris列式存储特点、Spark性能优化（对比MR）以及数据处理技巧（开窗函数、数据倾斜解决）；项目层面关注难点突破（如增量同步方案）、建模方法论（主题域划分）和AI应用（如指标自动化开发）；解决方案类涉及慢任务调优、跨域整合策略及SQL优化（如分桶技术对比）。面试还包含典型场景题如订单状态推断、数仓治理规范等，全面检验候选人的技术深度和业务理解能力。
2026-04-24 16:00:00
246
原创 为什么本体论在企业落地步履维艰？
企业本体论落地的现实困境与突破路径 摘要：企业本体论建设面临技术门槛高、数据基础薄弱、认知偏差、实施复杂和周期长五大现实障碍。其中业务侧的标准化意愿不足是核心瓶颈，表现为业务人员缺乏抽象思维、部门存在本位主义。破解之道在于：分层推进本体建模，先基础后业务域；轻量化完成业务抽象梳理；选择痛点场景试点突破。最终要实现全域本体建设，必须上升为一把手工程，依靠高层统筹打破部门壁垒，建立长效运营机制。本体论落地本质是业务知识标准化与组织协同问题，技术只是实现手段。
2026-04-24 12:00:00
1041
原创 业务灵魂提问：能不能先做报表，等业务稳定了再建数仓？
摘要：业务初期直接开发报表看似快捷，但长期会导致数据混乱、维护成本激增等问题。建议采用"极简数仓底座+快速报表"的折中方案：1）建立ODS层隔离业务库；2）统一核心指标口径；3）搭建简易DWD/DWS宽表；4）报表全部基于数仓开发。这种模式既能满足短期快速出数需求，又能为后期扩展留足空间，避免返工风险，实现短期高效与长期稳定的平衡。（149字）
2026-04-23 09:00:00
730
原创 Doris 三大模型对比：明细(Duplicate)、主键(Unique)、聚合(Aggregate)
数据库模型选型指南：DuplicateKey、UniqueKey和AggregateKey是三种核心数据模型，分别适用于不同场景。DuplicateKey保留全量原始数据，适合日志存储和明细分析；UniqueKey保证主键唯一性，支持更新操作，适用于订单系统和用户资料；AggregateKey通过预聚合提高查询性能，适合固定报表和实时统计。选型需考虑数据保留需求、更新频率和查询模式，实践中可混合使用这三种模型以获得最佳效果。
2026-04-22 10:00:00
744
原创 报表和数仓结果一样，企业为什么还要砸钱建数仓？
数据仓库与直接业务库报表看似结果一致，实则存在本质差异。本文剖析了数仓的7大核心价值：统一数据口径、隔离分析流量、沉淀通用能力、管控数据质量、整合多系统数据、权限合规管理及数据资产沉淀。通过真实案例指出，直接做报表虽短期省钱，但会带来口径混乱、系统崩溃、重复开发等隐性成本。数仓建设是长期主义选择，通过前期投入搭建标准化数据底座，可避免后期高额重构成本，为企业数字化转型奠定坚实基础。
2026-04-21 13:00:00
569
原创 面试问：请讲一下你在数仓各层是如何设计多时区处理逻辑的？
本文档详细阐述了数据仓库中各层级处理时区问题的规范方案。ODS层保留原始时间数据不做转换，仅存储源端时区标识；DWD层负责将数据统一转换为标准时区（优先UTC），保留原始时间字段；DWS层按常用业务时区预聚合数据；ADS层直接输出目标时区结果。同时设计了公共时区维度表(dim_time_zone)来管理全球时区信息，包含时区编码、偏移量、夏令时规则等关键字段。全流程遵循"原始时区不篡改、计算层统一标准、应用层直接输出"原则，确保时间数据可追溯且避免多层转换误差。
2026-04-21 12:00:00
47
原创 腾讯新闻-数据工程实习-一面
摘要：本文记录了技术面试中的高频问题，涵盖AI技能、大数据框架（Spark/Flink）、Java基础（类加载机制）、Spring框架（AOP/Boot）等技术点，重点讨论了Spark数据倾斜实战案例和连续子数组算法题。同时整理了数仓工程师核心考点，包括分层设计（DWS层界定）、增量同步方案、SQL优化（硬编码处理/差集查询）及建模规范（订单履约/状态推断）。面试中暴露出对框架底层原理的遗忘问题，建议加强Spark Join类型、类加载机制等基础知识的复习。
2026-04-21 09:30:00
86
原创 如何判断一个指标能否放入DWS层？
摘要：DWS层数据准入规范明确要求指标必须符合轻度聚合、跨业务复用、口径统一等标准。准入流程需验证指标类型、聚合粒度、口径一致性、复用性、性价比及宽表融合性。适合DWS层的指标包括通用稳定的跨业务聚合指标（如日销售总额），而明细数据、专属指标、实时计算等则归属其他层级。该规范旨在确保DWS层数据的一致性、查询性能和架构可维护性。
2026-04-20 09:15:00
380
原创 360 数据开发 1面
1 先自我介绍一下2 聊一下你做的项目，里面的技术细节，和技术难点，这一块主要是技术点主要是哪些3 对于你的湖仓技术你准备选啥组件，为啥这样选，选的技术主要是考虑哪方面，对于时效性可以保证吗4 离线的话财务数据和流量数据侧重点哪一块不一致，财务指标如何确保计算可靠，没有问题5 对于任务的时效和dqc的配置都有哪些需要配置的，如何确保都覆盖了6 对于实时任务都有哪些类型，如果进行实时维表的建设主要是考虑哪方面，数据怎么确保不丢。
2026-04-17 16:00:00
95
原创 玩转本体：不同专业视角下的本体？
本文从多学科视角探讨"本体"概念：哲学中研究存在的本质；数学/运筹学聚焦问题域的核心结构；计算机领域体现为面向对象思维；数据工程表现为业务实体与元数据规范；算法工程则关注核心特征与信息压缩。各学科虽定义不同，但都指向对事物本质结构的抽象与提炼，反映了跨领域的思维共性。
2026-04-17 10:00:00
372
原创 大数据数仓工程师面试问题积累 | 附参考答案
核心建设事实表+维度表事实表：交易事实表、行为事实表、财务流水事实表（明细级，存储度量值）；维度表：用户维度、商品维度、商户维度、时间维度、地域维度（冗余存储维度属性）；汇总模型：DWS层按天/小时/区域/品类轻度汇总，ADS层业务指标宽表（如营收日报、用户行为汇总表）。Flink是流批一体的分布式计算引擎，核心优势：低延迟、高吞吐、精确一次语义、状态管理、窗口灵活；用于实时数据同步、实时计算、实时数仓建设。
2026-04-16 12:00:00
482
原创 海豚调度器：解决SQL执行时间与数据库时间不一致（东八区完整配置方
【摘要】针对海豚调度器(DolphinScheduler)执行SQL任务时出现的多时区不一致问题，本文提供完整的东八区改造方案。通过修改环境变量（dolphinscheduler_env.sh）强制指定MySQL连接和JVM时区，统一调整四个核心角色（alert/api/master/worker-server）的application.yaml配置文件中的时区设置，执行重装脚本后验证三处时间（任务日志、数据库存储、页面展示）是否统一。方案强调必须修改所有角色配置并重启服务，同时给出MySQL时区校验方法和
2026-04-16 09:00:00
426
原创 MiniMax 数据工程师一面
本文聚焦AI领域的技术面试要点，主要包括：1）自我介绍与项目经验，重点阐述Agent/RAG项目的数据处理难点及解决方案；2）技术基础涵盖大模型架构（Transformer）、Agent核心模块（规划/工具调用/记忆）、RAG全流程（文档处理/检索/排序）及向量数据库优化；3）算法方向涉及召回率优化和错误数据处理；4）业务理解包括提升Agent准确性的方法、高质量训练数据构建，以及对MiniMaxAgent的优化建议。同时附带数据仓库相关面试题，涉及分层策略、SQL优化、增量计算等实战场景。
2026-04-15 12:00:00
496
原创 既然流程已经SOP化、规则明确，为什么不用传统代码，反而要用大模型？
大模型的核心价值在于处理企业流程中"看似标准化实则模糊多变"的任务，而非完全替代传统代码。对于高度标准化、高并发的SOP流程，传统代码仍是首选。但现实中大多数SOP存在模糊规则、例外场景和非结构化数据，传统代码开发维护成本极高。大模型能通过语义理解处理隐性经验，快速适应流程变化，以远低于定制系统的成本实现灵活部署。二者的关系是互补而非替代：代码擅长精确执行，大模型长于理解适配。
2026-04-14 13:00:00
535
原创 DWS轻度汇总层的度怎么界定？
摘要：DWS层轻度汇总的"度"界定需要平衡查询性能与分析灵活性，主要体现在5个维度：1）粒度介于明细层与高度聚合层之间（如按用户日而非单次行为）；2）保留核心分析维度（用户ID、商品ID等）；3）进行1-3个维度的基础聚合（COUNT/SUM/AVG）；4）数据量控制在明细层的10%-30%；5）面向通用场景而非单一报表。设计原则是以适度预计算提升查询效率，同时保持数据下钻和多维分析能力，避免过度聚合导致灵活性丧失。
2026-04-14 09:00:00
358
原创 滴滴数据研发工程师一面| 含参考答案
本文摘要：文章系统梳理了数据仓库建设与管理的核心知识点，涵盖数仓架构设计原则（分层建模、总线矩阵）、开发流程（需求分析到上线运维）、关键能力（OLAP引擎选型、开窗函数应用）及治理要点（SLA/DQC配置）。重点解析了维度建模方法论、Doris数据模型特点，并提供了需求落地、指标定义、面试应答的实用框架，强调业务驱动与技术合理性的平衡，为数据从业者提供从理论到实践的全方位指导。
2026-04-13 13:00:00
753
原创 数仓治理：基于update_time增量同步方案的生产落地规范
本文是一份数据仓库增量同步规范指南，围绕update_time字段建立全链路治理体系。核心内容包括：1）业务库建表强制规范（自动维护update_time、逻辑删除、索引）；2）水位线元数据表设计及同步规则；3）ODS层抽取去重规范；4）DWD层合并方案；5）多级监控对账机制；6）应急处理流程。规范强调数据一致性、幂等性和可追溯性，通过标准化流程确保增量同步不重不漏，最终以月度全量修复作为兜底保障。
2026-04-13 12:00:00
92
原创 数仓建设初期数据量如何预估？
数据量预估是数仓建设的关键环节，需综合考虑源系统存量/增量、业务规模、数仓分层系数（ODS 1.0、DWD 1.1-1.2、DWS 0.1-0.3、ADS 0.01-0.05）、保留周期和技术架构。核心公式包括单表日增量计算、分层数据量转换和总存量预估，其中埋点/日志数据通常占80%存储。预估时建议：1）日志数据优先估算；2）预留30%冗余；3）考虑3副本和压缩比（3-5倍）；4）初期误差±30%可接受。典型案例显示，50万DAU的日志数据90天存量可达1.6TB（经压缩），而10万日订单的业务数据年增量仅
2026-04-10 10:00:00
1069
原创 快手大数据开发一面 | 实习70min
该面试流程主要考察数据开发相关能力，包含以下重点：1.基础能力测试（SQL题、row_number函数、distinct与group by区别）；2.项目经验考察（优化案例、指标设计、实时项目）；3.理论知识（数仓分层、维度建模）；4.综合能力（Spark问题定位、代码优化）。面试涉及2道SQL实操题（用户订单时间统计、学生成绩筛选）及业务理解（实习公司产品、指标设计思路）。最后包含反问环节，整体考察点覆盖数据开发核心技能要求。
2026-04-09 12:30:00
218
原创 面试问：DS中数仓分层调度策略是怎样的？是所有的任务都写到一个WF中吗？
摘要：DolphinScheduler采用"单层单流+主控串联"分层架构设计，将数仓任务划分为ODS、DWD、DWS、ADS四层独立工作流，通过主控流实现层级串联。每层具有差异化策略：ODS层侧重稳定性，DWD层关注数据质量，DWS层优化性能，ADS层确保时效性。该架构通过子工作流引用、资源隔离和条件依赖等机制，解决了传统大DAG的维护困难、资源瓶颈等问题，同时支持精准补数和故障隔离。实践表明，这种分层调度模式能有效提升数据管线的可靠性和运维效率。
2026-04-09 09:00:00
43
原创 高效工作方法论：六大核心SOP详解
本文系统介绍了职场高效工作的5个SOP（标准操作流程）：1）任务接收闭环管理（精准接收-闭环执行-结果反馈）；2）结构化周报撰写（成果量化+问题暴露+计划明确）；3）金字塔式汇报（结论先行+选项建议+结构化总结）；4）PDCA项目管理（计划-执行-检查-处理循环）；5）项目复盘三步法（数据回顾-根因分析-知识沉淀）。这些SOP的核心在于形成工作闭环，通过标准化流程实现主动对齐、价值传递和持续改进，最终提升工作效率和质量。
2026-04-08 12:00:00
424
原创 从面向对象角度看本体论?
摘要：面向对象编程(OOP)和本体论虽然都采用"类+属性+关系"的结构，但本质目的截然不同。OOP关注程序执行，通过封装数据和行为实现功能；本体论则专注于语义表达，通过定义概念和约束来消除歧义。核心差异在于：OOP具有行为方法和封闭世界假设，而本体论仅包含纯语义描述并采用开放世界假设。本体论独有的不相交约束、多继承等特性使其能支持自动推理，这是OOP无法实现的。二者分别服务于"怎么做"和"是什么"的不同需求。
2026-04-08 10:00:00
860
原创 数据本体论 vs 数仓实体建模？
数据本体论与数仓实体建模对比分析 数据本体论和数仓实体建模是两种不同的数据组织方法。数据本体论源于哲学存在论，强调语义统一，通过概念、属性、关系和公理来描述业务知识，支持自动推理，适用于知识图谱和智能应用。数仓实体建模则以实体为中心，通过表结构、字段和外键来优化数据存储与查询性能，服务于BI分析和报表需求。 核心区别在于：数据本体论关注"业务是什么"，具有语义表达和推理能力；数仓实体建模关注"数据怎么存"，侧重存储效率和查询性能。两者可互补使用，本体论提供语义基础，实
2026-04-07 12:00:00
625
原创 字节广告数开一面 | 实习
本文涉及大数据开发与数仓建模的核心技术要点。实习内容聚焦数据建模，处理日增百万级数据表，构建星型/雪花模型。重点解决Spark数据倾斜问题，剖析其执行流程、Shuffle机制及Join实现，包括AQE动态优化原理。对比Hive与Doris技术差异，说明报表迁移至Doris的性能优势。探讨MySQL B+树索引特性，数仓分层价值，以及跨域数据整合方案。包含SQL高级函数应用案例（NTILE分桶、多字段极值）、活动指标计算逻辑，并分析JOIN数据膨胀原因。针对业务指标差异问题，提出本体论建模方法与维度缺失时的同
2026-04-06 12:00:00
81
企业级AI Agent（智能体）价值及应用报告2025.pdf人工智能企业级AI Agent技术架构与多场景应用：金融、制造、医疗行业智能体实践及商业化路径研究
2026-03-17
清华大学：Gemini科研手册指南（2026年）.pdf人工智能基于图谱与多智能体协同的自适应检索增强生成框架研究：面向企业级复杂问答的系统2推理模型设计
2026-03-17
北京大学-Agentic Coding：从Vibe Coding到超级个体的进化之路.pdf软件工程AI编程范式演进：从Vibe Coding到Agentic Coding的技术变革与超级个体崛起路径
2026-03-17
SAP Business AI.pdf【企业人工智能】基于SAP Business AI的智能业务流程优化：实现财务、供应链与人力资源管理的自动化决策与价值增长
2026-03-22
人工智能基于AI中台的智能制造架构设计：数据治理与多模态模型在工业质检与供应链优化中的应用系统
2026-03-22
OpenClaw橙皮书：从入门到精通2026.pdf【人工智能】基于开源架构的自主Agent系统：OpenClaw多平台部署与技能生态构建技术解析
2026-03-17
清华大学-OpenClaw发展研究1.0报告 by 清新研究.pdf人工智能基于OpenClaw的数字员工系统研究：开源代理生态下的生产力范式重塑与一人公司经济模型构建
2026-03-17
【部门版教程】Claude Code简介与安装.docx软件工程基于大模型的编程辅助工具Claude Code安装与应用：实现自然语言驱动的自动化代码开发与项目管理
2026-03-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人