来源: aws.amazon.com
17
Amazon QuickSight 最近上线了两项功能——Sparklines（迷你趋势图） 和 Custom Sort for Controls（控件自定义排序）。它们分别解决两个长期痛点：表格里看不出趋势走向，筛选器里业务维度总是按字母排而不是按逻辑排。两个功能看似独立，组合起来却能让仪表盘从"展示数据"升级为"驱动决策"。 Sparklines ...
来源: aws.amazon.com
32
从非结构化文档中提取字段，蓝图（Blueprint）是核心配置——它告诉 BDA 你要抽什么、怎么抽。但写好蓝图指令并不容易：一条模糊的指令可能导致字段漏抽、值偏移、格式混乱。过去要修正这些问题，往往需要反复调整指令文本、跑测试集、人工比对，周期以周计。 Amazon BDA 现在提供了 蓝图指令优化（Blueprint Instruction Opt...
来源: postgr.es
20
你写了一条 SQL，数据库引擎拿到它之后，并不是直接按你写的样子执行。在真正跑起来之前，引擎要做一件极其复杂的事——规划。Christophe Pettus 在演讲中把这件事拆成了两个截然不同的工种：先把你的 SQL 改写成更好的形状，再在数十亿种可能的连接顺序里搜出最便宜的那一条。 理解这两个工种的分工和局限，是写出高性能 SQL、读懂 输出的前提。...
来源: infoq.com
27
门禁社区对网约车来说是个老痛点：司机找不到入口、乘客说不清自己在哪、GPS 在高楼间漂移——结果就是一通电话互相扯皮，甚至直接取消订单。Lyft 最近披露了一套针对这类场景的全新接单体验方案，用地图信号和边界检测把协调成本压下来。在门禁社区中，25–30% 的订单会遭遇路线和准入问题，这个比例足以让任何平台认真对待。 Lyft 的数据揭示了一个被长期低...
来源: slack.engineering
15
端到端测试一直有个矛盾——写得太死，跟不上产品变化；写得太活，又没法稳定复现。AI Agent 进入测试栈后，这个矛盾有了新的解法，但也带来了新的混淆：Agent 该替代传统测试，还是叠加在上面？一支团队跑了 200 多条 agentic E2E workflow，用 Playwright MCP、Playwright CLI 和 Agent 自动生成...
来源: cncf.io
20
云原生生态花了多年时间解决分布式系统的韧性问题——请求重试、故障恢复、工作流崩溃续跑，这些已经成了基础设施的标配。但一个更棘手的问题长期被搁置：你怎么证明一段执行确实发生了，而且没有被篡改？ 当 AI Agent 自主调用外部 API、当工作流跨越多个服务编排长链路业务，"信任执行结果"变得和"保证执行不中断"一样重要。Dapr 1.18 引入的 Ve...
来源: realpython.com
32
把 Python 对象写到文件或传给另一个服务，选错序列化格式，后果比写错代码还烦——磁盘占用翻倍、跨语言对接卡壳、甚至 pickle 反序列化直接被注入恶意代码。五种主流格式各有明确适用场景，这篇把它们的边界和用法一次讲清。 先看一张对比表，心里有个锚： 格式 人类可读 跨语言 典型体积 适合场景 JSON ✅ ✅ 中 API 交互、配置文件、前端对...
来源: docker.com
29
做容器安全扫描的开发者大概都经历过这种场景：跑一次 或 ，输出几十条甚至上百条 CVE，逐条排查后发现大部分根本打不不到你的环境——要么漏洞只在特定架构下可利用，要么依赖路径根本没走到有问题的函数。噪音太多，真正需要修的反而容易被淹没。 Docker 和 Aikido 这次集成做的事情很直接：Docker Hardened Images（DHI）内置了...
来源: oschina.net
30
AI Agent 从 demo 走向生产，最大的坑不是模型能力不够，而是你很快会发现：对话状态散落各处、决策路径无从回溯、用户断线重连后历史全丢。Apache Burr（目前处于 Apache 孵化阶段）就是来填这些坑的——它用一套零依赖的 Python 库，把 Agent 的状态机、执行追踪和持久化做成一件可以直接上手的事。 写一个能跑的 Agent...
来源: oschina.net
15
你问ChatGPT"帮我分析这份财报"，它给你一段文字摘要和几条建议。你还得自己打开Excel、拉数据、做图表、写邮件。但如果换成一个真正的AI智能体，它会把财报下载、解析、制图、起草邮件，最后把成品推到你面前——你只需要说"发送"。 Perplexity与哈佛商学院研究团队的最新论文，首次在实际部署场景中对这两种模式做了全面比较。研究对象是Perpl...