<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[neweastsun的专栏]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/neweastsun</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; neweastsun]]></copyright><item><title><![CDATA[告别“一刀切“库存：ABC-XYZ 物料分类实战指南]]></title><link>https://blog.csdn.net/neweastsun/article/details/164190698</link><guid>https://blog.csdn.net/neweastsun/article/details/164190698</guid><author>neweastsun</author><pubDate>Sun, 30 Aug 2026 16:33:53 +0800</pubDate><description><![CDATA[本文介绍库存管理中被 SAP 等主流 ERP 系统内置的经典方法——**ABC-XYZ 组合分析**：用 ABC 维度衡量物料"值多少钱"（资金价值），用 XYZ  维度衡量需求"有多难预测"（波动性），两者交叉形成九宫格，为每一类物料匹配差异化的预测、补货、安全库存与盘点策略。]]></description><category></category></item><item><title><![CDATA[DeepSeek Harness：重新定义 AI 智能体的“操作系统“]]></title><link>https://blog.csdn.net/neweastsun/article/details/163969439</link><guid>https://blog.csdn.net/neweastsun/article/details/163969439</guid><author>neweastsun</author><pubDate>Sat, 22 Aug 2026 10:33:50 +0800</pubDate><description><![CDATA[DeepSeek Harness（DSH）不是一个聊天工具，也不是一个 API 开发包——它是一个让 AI 智能体真正"活起来"的运行时引擎。本文从开发者与非技术用户的共同视角，带你了解 DSH 是什么、它凭什么与众不同，以及如何用最短的时间上手实战。]]></description><category></category></item><item><title><![CDATA[让 Agent 自己跑到终点线：Goal 模式智能体实战]]></title><link>https://blog.csdn.net/neweastsun/article/details/163481253</link><guid>https://blog.csdn.net/neweastsun/article/details/163481253</guid><author>neweastsun</author><pubDate>Tue, 04 Aug 2026 20:53:18 +0800</pubDate><description><![CDATA[传统的对话式和 ReAct 式 Agent，靠的是"你说一步、它走一步"，控制权始终握在人手里。而 **Goal 模式（目标驱动模式）** 把控制权彻底反转：人类只定义"终点在哪"，Agent  自己负责"规划路径、调用外部工具、核查进度、调整策略"，直到当前状态收敛到目标状态为止。]]></description><category></category></item><item><title><![CDATA[从“数据喂养”到“事理萃取”：面向AI的制造业知识工程实战]]></title><link>https://blog.csdn.net/neweastsun/article/details/163419772</link><guid>https://blog.csdn.net/neweastsun/article/details/163419772</guid><author>neweastsun</author><pubDate>Sun, 02 Aug 2026 20:04:53 +0800</pubDate><description><![CDATA[在制造业数字化转型的深水区，企业普遍面临“数据丰富但智能贫乏”的困境。传统数据治理聚焦于结构化字段的清洗，仅解决了AI“吃得饱”的问题，却无法解决“听得懂”的难题。本文基于本地知识库构建与事理图谱的前沿理论，提出面向AI的治理核心在于“事理萃取”——即将隐性的业务经验转化为显性的逻辑规则。文章将结合本地RAG（检索增强生成）架构与事理图谱构建方法，深入剖析如何通过“脱水、分仓、建模、规则化”四步法，将制造业的“老师傅经验”转化为AI可执行的数字资产。]]></description><category></category></item><item><title><![CDATA[告别轮询：基于PostgreSQL CDC构建实时数据管道]]></title><link>https://blog.csdn.net/neweastsun/article/details/163376368</link><guid>https://blog.csdn.net/neweastsun/article/details/163376368</guid><author>neweastsun</author><pubDate>Fri, 31 Jul 2026 22:57:26 +0800</pubDate><description><![CDATA[在实时数据需求日益增长的今天，传统的定时ETL（批量抽取）模式因高延迟和对源库的压力，已难以满足业务敏捷性的要求。PostgreSQL的变更数据捕获（CDC）技术通过解析底层的预写日志（WAL），实现了数据变更的实时捕获与分发。本文将深入解析PG CDC的核心原理，探讨其在异构数据同步、缓存更新等场景的应用，并通过配置实战与案例分析，带你掌握如何构建低延迟、高可靠的实时数据流。]]></description><category></category></item><item><title><![CDATA[FilePulse：Kafka Connect 的“智能文件网关”，重塑数据接入新范式]]></title><link>https://blog.csdn.net/neweastsun/article/details/163376198</link><guid>https://blog.csdn.net/neweastsun/article/details/163376198</guid><author>neweastsun</author><pubDate>Fri, 31 Jul 2026 22:34:48 +0800</pubDate><description><![CDATA[在构建实时数据湖的过程中，文件接入往往是第一道难关。传统的 FileStreamSource
仅能做简单的“文本搬运”，面对复杂格式往往捉襟见肘。本文将深入介绍 FilePulse，一款功能强大的 Kafka Connect 源连接器。它不仅能实时监控目录变化，更内置了强大的过滤器链，支持在摄入过程中直接完成 CSV 解析、日志清洗及字段转换。通过本文的实战案例，你将掌握如何打造“零代码”的数据清洗管道，让数据在进入 Kafka 之前就已就绪。]]></description><category></category></item><item><title><![CDATA[Dinky：Apache Flink 的“超级驾驶舱”与一站式实时计算平台]]></title><link>https://blog.csdn.net/neweastsun/article/details/163314000</link><guid>https://blog.csdn.net/neweastsun/article/details/163314000</guid><author>neweastsun</author><pubDate>Thu, 30 Jul 2026 03:00:00 +0800</pubDate><description><![CDATA[在大数据实时计算领域，Apache Flink 凭借其低延迟、高吞吐和精确一次（Exactly-Once）的语义，已然成为事实上的标准。然而，对于许多开发者和企业而言，Flink 原生的体验往往伴随着“陡峭的学习曲线”：复杂的作业提交命令、分散的运维监控界面、以及繁琐的 Flink SQL 调试过程。正是在这样的背景下，Dinky（原名 dlink）应运而生。作为一个基于 Apache Flink 构建的一站式实时计算平台，Dinky 致力于解决 Flink 在开发、调试、运维和调度全生命周期中的痛点，]]></description><category></category></item><item><title><![CDATA[Hive Metastore 深度解析：从架构原理到生产级选型指南]]></title><link>https://blog.csdn.net/neweastsun/article/details/163313868</link><guid>https://blog.csdn.net/neweastsun/article/details/163313868</guid><author>neweastsun</author><pubDate>Thu, 30 Jul 2026 02:30:00 +0800</pubDate><description><![CDATA[在大数据生态系统中，Apache Hive 能够成为数据仓库的事实标准，其核心优势之一便在于它成功地将 SQL 的易用性与 Hadoop 的扩展性结合在了一起。而连接这两者的“桥梁”，正是 Hive Metastore（HMS）。它是 Hive 的中枢神经系统，负责管理所有的元数据。 本文将深入剖析 Hive Metastore 的架构模式、存储机制以及在生产环境中的选型策略，帮助开发者构建更稳健的数据平台。]]></description><category></category></item><item><title><![CDATA[告别冷数据焦虑：用 Trino + HMS 打造低成本 S3 数据湖查询引擎]]></title><link>https://blog.csdn.net/neweastsun/article/details/163313604</link><guid>https://blog.csdn.net/neweastsun/article/details/163313604</guid><author>neweastsun</author><pubDate>Wed, 29 Jul 2026 21:54:09 +0800</pubDate><description><![CDATA[随着业务数据的飞速积累，数仓存储成本往往成为企业 IT 预算中的“隐形杀手”。面对海量历史数据，直接删除可惜，保留又太贵。最优雅的解决方案是将 3 年前的“冷数据”归档至低成本的对象存储（如 S3），并利用 Trino 实现即席查询。本文将手把手带你搭建一套基于 Hive Metastore (HMS) 和 Trino 的轻量级数据湖查询引擎，实现本地 S3 数据的无缝查询与联邦分析。]]></description><category></category></item><item><title><![CDATA[Trino 实战指南：如何构建下一代湖仓分析引擎？]]></title><link>https://blog.csdn.net/neweastsun/article/details/163312992</link><guid>https://blog.csdn.net/neweastsun/article/details/163312992</guid><author>neweastsun</author><pubDate>Wed, 29 Jul 2026 21:05:01 +0800</pubDate><description><![CDATA[在现代数据架构中，湖仓一体（Lakehouse） 已经成为标准配置。但面对分散在对象存储、关系型数据库、NoSQL 和 SaaS 应用中的海量数据，如何让它们像查询本地表一样简单？
Trino（原 PrestoSQL）正是为此而生。它不仅仅是一个查询引擎，更是连接数据孤岛的桥梁。今天，我们将深入 Trino 的核心，探讨如何利用它构建高性能、高可用的数据分析平台。]]></description><category></category></item><item><title><![CDATA[打破数据孤岛：Trino原生机器学习函数从训练到生产化实战]]></title><link>https://blog.csdn.net/neweastsun/article/details/163024083</link><guid>https://blog.csdn.net/neweastsun/article/details/163024083</guid><author>neweastsun</author><pubDate>Sun, 19 Jul 2026 21:25:57 +0800</pubDate><description><![CDATA[在数据驱动决策的当下，传统机器学习工作流中数据搬运的繁琐与割裂，正成为制约业务敏捷性的瓶颈。Trino原生机器学习插件的出现，为这一难题提供了优雅的解法。本文将深入探讨如何利用Trino在SQL环境中直接完成从特征工程、模型训练到预测评估的全流程。我们将详细解析核心函数体系，并通过完整的实战代码演示如何构建销售预测模型，最终深入剖析模型序列化与持久化方案，助你打通从实验到生产的“最后一公里”。]]></description><category></category></item><item><title><![CDATA[用SQL驱动AI：Trino AI Functions跨源情报分析实战指南]]></title><link>https://blog.csdn.net/neweastsun/article/details/163023655</link><guid>https://blog.csdn.net/neweastsun/article/details/163023655</guid><author>neweastsun</author><pubDate>Sun, 19 Jul 2026 20:48:56 +0800</pubDate><description><![CDATA[本文介绍了一种将AI能力无缝集成到数据湖仓分析流程的创新架构。通过Trino AI Functions，数据分析师无需离开熟悉的SQL环境，即可对湖仓中的多源数据进行情感分析、实体提取、文本生成等AI处理。文章详细解析了7个核心AI函数的功能，并重点演示了如何通过SQL拼接多源数据构建Prompt，实现跨S3湖仓与PostgreSQL的“跨源情报简报”生成。这种“SQL组装、AI执行”的模式，极大地降低了AI应用门槛，为安全日志分析、金融情报挖掘等场景提供了高效、安全的解决方案。]]></description><category></category></item><item><title><![CDATA[从“浅层”到“深层”：LangChain Deep Agents 实战指南]]></title><link>https://blog.csdn.net/neweastsun/article/details/162673853</link><guid>https://blog.csdn.net/neweastsun/article/details/162673853</guid><author>neweastsun</author><pubDate>Tue, 07 Jul 2026 21:32:33 +0800</pubDate><description><![CDATA[文章详细阐述了如何利用规划工具、文件系统、子 Agent 分工、自定义工具、持久化记忆以及人机交互审批等六大特性，逐步将一个简单的脚本升级为具备自主规划与适应能力的智能体。本文旨在为开发者提供一套可落地的构建方法论，帮助理解 Deep Agents 与传统工作流（如 LangGraph）的区别及适用场景。]]></description><category></category></item><item><title><![CDATA[告别手动“投喂”：用循环工程（Loop Engineering）解放你的AI生产力]]></title><link>https://blog.csdn.net/neweastsun/article/details/162673618</link><guid>https://blog.csdn.net/neweastsun/article/details/162673618</guid><author>neweastsun</author><pubDate>Tue, 07 Jul 2026 21:15:54 +0800</pubDate><description><![CDATA[你是否还在像挤牙膏一样，一句接一句地给AI编程助手发送指令？这种“你问它答”的模式正在成为过去式。一种名为“循环工程”（Loop  Engineering）的新范式正在崛起，它主张将开发者从繁琐的交互中解放出来，转而成为自动化系统的设计师。本文将深入解析循环工程的五大核心组件，探讨如何构建一个能够自我驱动、自我验证的AI智能体循环，帮助你从“提示词编写者”进化为“AI工作流架构师”。
]]></description><category></category></item><item><title><![CDATA[循环工程（Loop Engineering）：从概念辨析到企业智能体落地实战]]></title><link>https://blog.csdn.net/neweastsun/article/details/162610156</link><guid>https://blog.csdn.net/neweastsun/article/details/162610156</guid><author>neweastsun</author><pubDate>Sun, 05 Jul 2026 20:54:47 +0800</pubDate><description><![CDATA[循环工程（Loop Engineering）作为AI工程的进阶范式，核心是补齐**自主反馈、迭代收敛、自动终止**的闭环能力，是企业智能体从“单次执行”走向“自主作业”的关键。本文清晰辨析其与提示词、上下文、Harness工程的核心关系，结合企业实战场景拆解落地流程，同时完成价值验证，规避概念空谈。]]></description><category></category></item><item><title><![CDATA[破局数据孤岛：制造业基于 Trino 与统一元数据构建灵活数据资产底座]]></title><link>https://blog.csdn.net/neweastsun/article/details/162610052</link><guid>https://blog.csdn.net/neweastsun/article/details/162610052</guid><author>neweastsun</author><pubDate>Sun, 05 Jul 2026 20:43:40 +0800</pubDate><description><![CDATA[在智能制造转型的深水区，制造企业正面临严峻的“数据烟囱”困境。ERP中的订单数据、MES里的生产工序、IoT平台的海量传感器时序数据以及质检系统记录，往往分散在数十种异构系统中。传统ETL模式不仅耗时费力，还极易产生数据副本与一致性风险。面对这一痛点，采用“存算分离、零数据移动”的 Trino 分布式查询引擎，配合统一的元数据管理平台（如 Apache Gravitino），正成为制造企业破局的关键。]]></description><category></category></item><item><title><![CDATA[Langflow实现签约客户自动交付流程智能体]]></title><link>https://blog.csdn.net/neweastsun/article/details/162176263</link><guid>https://blog.csdn.net/neweastsun/article/details/162176263</guid><author>neweastsun</author><pubDate>Mon, 22 Jun 2026 00:30:00 +0800</pubDate><description><![CDATA[本文完整拆解该模板工作逻辑，并提供**钉钉本土化改造方案**，零代码可视化搭建商机成交自动交付流水线，适配企微 CRM、钉钉 OA、国产项目管理工具，打通销售到交付全链路自动化。]]></description><category></category></item><item><title><![CDATA[[特殊字符] Langflow结合钉钉，打造本土化 AI 智能任务管家]]></title><link>https://blog.csdn.net/neweastsun/article/details/162175491</link><guid>https://blog.csdn.net/neweastsun/article/details/162175491</guid><author>neweastsun</author><pubDate>Sun, 21 Jun 2026 18:21:12 +0800</pubDate><description><![CDATA[Langflow 的可视化编排能力让构建 AI Agent 变得前所未有的简单。官方提供了一个名为 **TaskFlow Assistant** 的模板，能够利用自然语言处理来自动化管理任务。本文将带你深入拆解 TaskFlow Assistant 的核心逻辑，并重点演示如何将其“本土化”——**将底层存储从 Google 替换为钉钉（DingTalk）OA 系统**，打造真正适合]]></description><category></category></item><item><title><![CDATA[用 Langflow 构建交互式数据仪表盘：从自然语言到智能可视化的全链路实践]]></title><link>https://blog.csdn.net/neweastsun/article/details/162163291</link><guid>https://blog.csdn.net/neweastsun/article/details/162163291</guid><author>neweastsun</author><pubDate>Sun, 21 Jun 2026 08:57:52 +0800</pubDate><description><![CDATA[传统的数据仪表盘开发链路冗长：业务需求 → SQL 编写 → 后端接口 → 前端图表组件 → 联调部署。每次需求变更都要走一遍完整流程。

Langflow 提供了一种全新的范式：**自然语言驱动的双阶段智能体架构**。用户只需用一句话提问——"展示本季度各产品线的收入趋势"——系统就能自动完成 SQL 生成、数据库查询、可视化方案选择、图表代码生成与渲染，端到端交付结果。]]></description><category></category></item><item><title><![CDATA[告别拍脑袋做需求！RICE+Kano双模型，搭配AI智能体搞定全场景优先级决策]]></title><link>https://blog.csdn.net/neweastsun/article/details/162162543</link><guid>https://blog.csdn.net/neweastsun/article/details/162162543</guid><author>neweastsun</author><pubDate>Sun, 21 Jun 2026 07:00:11 +0800</pubDate><description><![CDATA[做产品、搞迭代、做增长，所有人都会遇到同一个难题：**需求永远做不完，资源永远不够用**。

需求池里堆满用户反馈、工单吐槽、业务提案、创新想法，到底先修bug还是先做新功能？优先打磨基础体验，还是投入资源做差异化亮点？不同团队各执一词、 stakeholder扯皮、迭代节奏混乱，几乎是所有产品团队的常态。]]></description><category></category></item></channel></rss>