# 云原生数据仓库AnalyticDB MySQL版 #
0
关注
5047内容
智答引领｜AnalyticDB与通义千问大模型联手打造社区问答新体验
PolarDB开源社区推出基于云原生数据仓库AnalyticDB和通义千问大模型的“PolarDB知识问答助手”，实现一站式全链路RAG能力，大幅提升查询效率和问答准确率。该系统整合静态和动态知识库，提供高效的数据检索与查询服务，支持多种场景下的精准回答，并持续优化用户体验。欢迎加入钉群体验并提出宝贵意见。
一文了解多云原生的现代化实时数仓 SelectDB Cloud
现代多云原生实时数据仓库 SelectDB Cloud，充分利用云原生能力，为客户提供极致性价比、融合统一、简单易用、安全稳定的云上数据分析服务。
跑在文件系统上的数据仓库
传统数据仓库基于封闭的数据库体系，继承了元数据管理和数据约束特性，导致其在处理多样化、实时性数据时面临诸多挑战。封闭性使得数据必须预先加载到数据库中才能进行计算，增加了ETL复杂性和延迟，难以满足现代应用对实时数据和跨源计算的需求。此外，封闭性还限制了数据湖的建设，导致中间表累积、资源浪费和运维困难等问题。
相比之下，基于文件系统的开放数据仓库（如esProc SPL）通过去除这些限制，提供了更高的灵活性和效率。文件存储成本低、管理方便，支持存算分离和跨源计算，适合处理大规模、多样化的数据源。 SPL不仅计算能力强，还能实现高效的文件存储和独创的高性能算法，大幅提升了数据分析的速度和实时性。
OLAP技术：数据分析的修仙秘籍初探
OLAP（联机分析处理）是一种多维数据分析技术，能够从不同角度洞察数据，揭示隐藏的趋势和模式。它最早由Edgar F. Codd在1993年提出，旨在弥补传统OLTP系统的不足，支持复杂的数据分析与决策支持。OLAP操作包括钻取、上卷、切片、切块和旋转等，帮助用户灵活地探索数据。广泛应用于财务报告、市场分析、库存管理和预测分析等领域，是现代商业智能的重要工具。
通义百炼融合AnalyticDB，10分钟创建网站AI助手
本文介绍了如何在百炼平台上创建和配置AI助手，使其能够准确回答公司产品的相关问题。主要步骤包括：开通管理控制台、创建应用并部署示例网站、配置知识库、上传产品介绍数据、创建AnalyticDB PostgreSQL实例、导入知识文件、启用知识检索增强功能，并最终测试AI助手的回答效果。通过这些步骤，AI助手可以从提供通用信息转变为精准回答特定产品问题。实操完成后，还可以释放实例以节省费用。
云端问道10期方案教学
本次分享由阿里云产品经理陈茏久主讲，主题为“通义百炼融合AnalyticDB，10分钟创建网站AI助手”。内容涵盖五大章节：大模型带来的行业变革、向量数据库驱动RAG服务化的探索、方案及优势、典型场景应用案例、方案涉及产品的选型配置简介和最新发布。介绍了大模型在电商、教育、汽车、游戏等行业的应用，以及AnalyticDB在向量数据库和RAG服务中的优势和具体案例。最后预告了ADB即将发布的功能，包括支持通义灵码企业标准版问答和成为析言推荐的NISQL数据分析引擎。
现在的湖仓一体像是个伪命题
从一体机、超融合到云计算、HTAP，技术不断演进，旨在简化和提高效率。湖仓一体（Lakehouse）是当前热门趋势，旨在将数据湖和数据仓库融合，发挥两者优势。数据湖侧重存储原始数据，数据仓库则擅长结构化数据计算。然而，现有方案多为数据湖与数据仓库的松耦合，未能真正实现“既存又算”。开源集算器SPL通过开放计算引擎，直接处理数据湖中的原始数据，支持多数据源混合计算，提供高性能文件存储，实现了真正的湖仓一体。
数据仓库建模规范思考
本文介绍了数据仓库建模规范，包括模型分层、设计、数据类型、命名及接口开发等方面的详细规定。通过规范化分层逻辑、高内聚松耦合的设计、明确的命名规范和数据类型转换规则，提高数据仓库的可维护性、可扩展性和数据质量，为企业决策提供支持。
拥抱Data+AI｜DMS+AnalyticDB助力钉钉AI助理，轻松玩转智能问数
「拥抱Data+AI」系列文章由阿里云瑶池数据库推出，基于真实客户案例，展示Data+AI行业解决方案。本文通过钉钉AI助理的实际应用，探讨如何利用阿里云Data+AI解决方案实现智能问数服务，使每个人都能拥有专属数据分析师，显著提升数据查询和分析效率。点击阅读详情。
DataWorks产品测评|基于DataWorks和MaxCompute产品组合实现用户画像分析
本文介绍了如何使用DataWorks和MaxCompute产品组合实现用户画像分析。首先，通过阿里云官网开通DataWorks服务并创建资源组，接着创建MaxCompute项目和数据源。随后，利用DataWorks的数据集成和数据开发模块，将业务数据同步至MaxCompute，并通过ODPS SQL完成用户画像的数据加工，最终将结果写入`ads_user_info_1d`表。文章详细记录了每一步的操作过程，包括任务开发、运行、运维操作和资源释放，帮助读者顺利完成用户画像分析。此外，还指出了文档中的一些不一致之处，并提供了相应的解决方法。
免费试用