# Databend 博客

> Databend 官方博客的 LLM 索引，共 222 篇文章，按类别组织。每个类别链接到一个列出该类全部文章的索引文件。

## 类别

- [工程技术](https://www.databend.cn/blog-llms/engineering.txt)：47 篇。工程深度文章：存储、执行引擎、查询优化、Rust 实践与性能调优。
- [产品](https://www.databend.cn/blog-llms/product.txt)：90 篇。产品功能介绍、使用指南、最佳实践与版本发布。
- [客户案例](https://www.databend.cn/blog-llms/customer.txt)：9 篇。客户案例：真实业务场景下的架构迁移、降本增效与落地经验。
- [公司与文化](https://www.databend.cn/blog-llms/company.txt)：15 篇。公司动态、团队文化、活动与社区新闻。
- [周报](https://www.databend.cn/blog-llms/weekly.txt)：61 篇。Databend 周报：每周的功能更新、Bug 修复与社区动态。

## 最新文章

- [Databend 8–9 月双月报：物化视图、数据共享与数据血缘能力升级](https://www.databend.cn/blog/category-product/aug-sep-bimonthly-report)：2026-10-14 — 一条耗时的分析 SQL 跑完后，团队往往还有几个问题要处理。查询结果能否保存下来，避免报表和下游任务反复计算。源数据继续更新时，持久化结果怎样跟上。另一个租户需要使用这份数据时，是否还要导出、复制和维护一套同步任务。当源表或列发生变更，又该如何判断下游的影响范围。
- [周年庆结束了，湖仓为什么还在高消费？](https://www.databend.cn/blog/category-product/cloud-agent-finops-cost)：2026-10-10 — 玩家流量已经回落，湖仓成本却还停在高位。本文跟随一位游戏数据工程师，看他如何用自然语言向 Databend Cloud Agent 追问，从全局成本趋势一路下钻归因到具体任务配置，15 分钟完成一次 FinOps 闭环排障。
- [同样 PASS，路径为何不同｜用 Jev 逐 Span 评估 Agent Trace](https://www.databend.cn/blog/category-engineering/same-pass-different-paths)：2026-09-24 — 两个 Agent 跑过同一批测试，最后生成的 patch 甚至逐字节相同。只看 PASS 率，它们几乎没有区别。展开 Trace，也就是一次任务中模型请求、工具调用和验证过程的完整记录，一个可能很快找到问题，另一个可能经历多次重复扫描和无效重试。本文介绍一套逐 span 评估 Agent Trace 的方法。Databend 保存并分析海量 Trace，普通代码处理可以直接确定的事实，Jev 判断每一步是否相关、是否带来新进展。判定结果写回同一个湖仓以后，团队可以继续用 SQL 比较模型和 harness 的执行路径。
- [Jev 爆火之后，我们把它集成进了数据湖仓](https://www.databend.cn/blog/category-engineering/jev-in-databend)：2026-09-22 — Jev 最近很火，它擅长的语义判断如果直接放进数据库，能否让分类、筛选这类任务留在 SQL 里完成？本文以 Databend 的 Python UDF 集成为例，走通接入和查询过程，也看看远程模型调用的性能、成本与数据边界。
- [Databend 原生数据血缘：追溯指标来源，检查变更影响](https://www.databend.cn/blog/category-engineering/databend-native-data-lineage)：2026-09-17 — Databend 原生 Data Lineage 自 v1.2.935 起可用，在数据库内部采集数据流动关系，支持表级和列级追踪，并提供 Databend Cloud 血缘图和 SQL 查询两种分析方式。采集到的对象和字段依赖关系可用于变更影响分析、数据问题定位、数据资产治理和敏感数据传播追踪。
- [只看 PASS 会骗你，6 条 Agent Trace 里的 Coding Agent 评测真相](https://www.databend.cn/blog/category-engineering/coding-agent-trace-evaluation)：2026-09-10 — 我让 `gpt-6-astra` 和 `claude-fable-5.1` 分别在 Evot、Pi、DeepSeek Harness 上修复 serde_json 的同一个 JSON 解析 Bug。六次运行都通过了完整测试，核心补丁逐字节相同。只看 PASS 率，六次没有区别。Trace 记录了另一组数据。GPT-6-Astra 平均请求模型 9 次，耗时 52.0 秒。Claude-Fable-5.1 平均请求 13 次，耗时 118.6 秒，输出 token 是前者的 9.6 倍。六次运行还撞上了同一个环境问题。Claude 在 Pi 上为此多花 3 个回合，在 DSH 上触发上下文压缩，最终答复也被完整生成了两遍。这些情况都不会出现在最终 diff 里。本文只讨论这六条真实 Session 里的工程行为，不给两个模型做通用排名。就这次实验而言，最终 diff 提供的信息最少。
- [Databend 增量物化视图：基于 Change Tracking 的增量刷新与一致性读取](https://www.databend.cn/blog/category-engineering/incremental-materialized-view)：2026-09-01 — 物化视图并不只是缓存查询结果。本文将深入解析 Databend 如何通过 Change Tracking、Checkpoint 和 Read Fix，在降低刷新成本的同时保证查询正确性，并帮助数据工程师判断增量物化视图适合哪些应用场景。
- [AI 时代的数据工程挑战：从复杂链路走向统一数据底座](https://www.databend.cn/blog/category-product/ai-data-engineering)：2026-08-28 — 本文根据吴炳锡在厦门"智能体落地方法论：从技术构建到企业落地"行业技术沙龙的演讲实录整理而成。演讲结合头部模型公司、工业制造、公共数据平台、金融机构和 AI 应用企业的真实实践，讨论了 Agent Trace 与 Evals 数据的采集、加工、存储和分析难题，以及如何借助云原生湖仓简化跨云、多组件、高吞吐的数据链路。
- [Cluster Key 最佳实践：列怎么选、顺序怎么排与粒度设计](https://www.databend.cn/blog/category-engineering/cluster-key-best-practices)：2026-08-25 — 不要把所有高频过滤列依次写进 `CLUSTER BY`。先找到累计扫描成本最高的一组查询，再选择它们长期共享、能够排除大量 Blocks 的谓词；根据典型查询窗口确定时间粒度，根据访问路径决定复合 Key 顺序；最后同时使用 `clustering_information` 和 `EXPLAIN ANALYZE` 验证数据布局与实际扫描收益。本文面向熟悉 SQL、过滤谓词和基本 OLAP 查询分析的数据工程师。文中的实验来自特定版本和受控数据布局，重点是展示选择方法，不是给出一组可以直接外推到所有 Workloads 的性能数字。
- [从传统分区到微分区，Snowflake 与 Databend 如何减少数据扫描](https://www.databend.cn/blog/category-engineering/cluster-key-pruning)：2026-08-20 — Cluster Key 不是 B-tree 索引，也不是给每个字段各建一套独立的访问路径。它通过改善数据的物理局部性，让相近的 Key Values 尽量落入相同或相邻的 Micro-partitions / Blocks，从而缩小每个物理单元的 Min/Max 范围，减少范围重叠，让查询在读取数据前跳过更多不可能命中的物理单元。

## 更多

- [博客](https://www.databend.cn/blog/)：博客首页。
- [llms.txt](https://www.databend.cn/llms.txt)：站点 llms.txt：Databend 产品、方案与资源总索引。