关于「SelectDB for AI」的所有博客

要让查询真正只为目标列付出元数据成本，思路无非有三种：让 Footer 更容易定位，把重型列元数据搬出 Footer，或者直接删掉其中不必要的内容。Parquet、Lance 和 Doris 的差别，主要在于三种方法的取舍，以及它们能改动到什么程度。

为什么同样都支持 JSON，不同数据库在 Agent 日志场景下的性能差异会如此明显？

基于 SelectDB 作为 Agent 可观测平台 StepTrace 的数据底座，获得 Agent Trace 实时写入、全文检索、成本和延迟分析等方面的优势，并在 SWE-Agent 代码评测与智能座舱两个真实场景中落地

Litefuse 正式开源，并推出业界第一个极致轻量的单机单进程模式

“只有解决好极速、统一、Agent Native 与 Cloud 弹性四个挑战，才能成为 Agent 时代最好的分析引擎。”

Agentic Analytics 的瓶颈往往不只在模型，而在数据基础设施。SelectDB / Apache Doris 通过实时分析引擎、湖仓一体联邦查询、语义建模能力与 MCP 接口，为 AI Agent 提供更快、更广、更可理解的数据访问能力。

工具链对 AI 的友好程度，直接决定了企业智能化运维（AIOps）的效能边界与安全底线。SelectDB 在结合 Apache Doris 内核特性以及云原生管控上的前沿探索，正是为了帮助企业将专家的隐性经验转化为可执行的数字资产，推动数据基础设施稳健地迈入 Agent 原生时代

当企业级 Agent 步入生产环境，懂语义却查不对业务事实成了落地的最大痛点。为了拼凑完整的上下文，许多团队被迫进行多库拼接，导致推理链路极度割裂。既然纯向量检索撑不起复杂的混合查询，Agent 真正缺失的底层数据入口究竟在哪里？

针对大模型应用中专用向量库成本高、混合查询难的痛点，本文深入拆解 Apache Doris 4.1 原生向量检索的工程实践。从 IVF 算法降本、存储分层，到突破性能瓶颈的 ANN Index Only Scan，系统化解决 AI 时代的海量数据存算难题。在大幅压低内存开销的同时，跑出了 900 QPS 与 97% 召回率的亮眼成绩

过去十几年，软件可观测性核心回答的问题是：系统有没有正常运行？ 而在 Agent 时代，更紧迫的问题变成了：在系统正常运行的同时，任务真的做对了吗？Agent 时代的可观测方案应该是什么样子的呢？