ch
Feedback

不要被骗子欺骗!Telemetrio 会找到并标记这些频道 👉 如果想查看标记,请订阅

SQL Portal | Базы Данных

SQL Portal | Базы Данных

前往频道在 Telegram

Присоединяйтесь к нашему каналу и погрузитесь в мир баз данных Связь: @devmangx РКН: https://clck.ru/3H4Wo3

显示更多

📈 Telegram 频道 SQL Portal | Базы Данных 的分析概览

频道 SQL Portal | Базы Данных (@sqlportal) 是活跃参与者。目前社区聚集了 14 132 名订阅者,在 技术与应用 类别中位列第 9 054,并在 俄罗斯 地区排名第 45 799 位。

📊 受众指标与增长动态

自 невідомо 创建以来,项目保持高速增长,吸引了 14 132 名订阅者。

根据 15 十一月, 2026 的最新数据,频道保持稳定运转。过去 30 天订阅人数变化为 125,过去 24 小时变化为 -2,整体触达仍然可观。

  • 认证状态: 未认证
  • 互动率 (ER): 平均受众互动率为 9.04%。内容发布后 24 小时内通常能获得 4.95% 的反应,占订阅者总量。
  • 帖子覆盖: 每篇帖子平均可获得 1 278 次浏览,首日通常累积 700 次浏览。
  • 互动与反馈: 受众积极参与,单帖平均反应数为 3。
  • 主题关注点: 内容集中在 строка, sql, индекс, postgres, колонка 等核心主题上。

📝 描述与内容策略

作者将该频道定位为表达主观观点的平台:
“Присоединяйтесь к нашему каналу и погрузитесь в мир баз данных Связь: @devmangx РКН: https://clck.ru/3H4Wo3”

凭借高频更新(最新数据采集于 16 十一月, 2026),频道始终保持新鲜度与高覆盖。分析显示受众积极互动,使其成为 技术与应用 类别中的关键影响点。

14 132
订阅者
-224 小时
-127 天
+12530 天
吸引订阅者
11月 '26
十一月 '26
+76
在0个频道中
十月 '26
+497
在1个频道中
Get PRO
九月 '26
+95
在0个频道中
Get PRO
八月 '26
+40
在0个频道中
Get PRO
七月 '26
+49
在1个频道中
Get PRO
六月 '26
+41
在3个频道中
Get PRO
五月 '26
+45
在1个频道中
Get PRO
四月 '26
+33
在0个频道中
Get PRO
三月 '26
+116
在1个频道中
Get PRO
二月 '26
+77
在0个频道中
Get PRO
一月 '26
+65
在0个频道中
Get PRO
十二月 '25
+327
在8个频道中
Get PRO
十一月 '25
+1 089
在320个频道中
Get PRO
十月 '25
+76
在0个频道中
Get PRO
九月 '25
+76
在0个频道中
Get PRO
八月 '25
+100
在0个频道中
Get PRO
七月 '25
+1 881
在267个频道中
Get PRO
六月 '25
+489
在1个频道中
Get PRO
五月 '25
+287
在1个频道中
Get PRO
四月 '25
+939
在1个频道中
Get PRO
三月 '25
+994
在0个频道中
Get PRO
二月 '25
+750
在0个频道中
Get PRO
一月 '25
+1 163
在0个频道中
Get PRO
十二月 '24
+1 753
在405个频道中
Get PRO
十一月 '24
+1 137
在170个频道中
Get PRO
十月 '24
+1 973
在286个频道中
Get PRO
九月 '24
+1 504
在282个频道中
Get PRO
八月 '24
+3 285
在234个频道中
日期
订阅者增长
提及
频道
16 十一月+5
15 十一月+2
14 十一月+3
13 十一月+4
12 十一月+4
11 十一月0
10 十一月+4
09 十一月0
08 十一月+2
07 十一月+12
06 十一月+2
05 十一月+9
04 十一月+8
03 十一月+9
02 十一月+4
01 十一月+8
频道帖子
🔎 SELECT выполнился. А данные согласованы? Запрос к реплике может быть быстрым и при этом показывать приложению совсем не то
🔎 SELECT выполнился. А данные согласованы? Запрос к реплике может быть быстрым и при этом показывать приложению совсем не то состояние, на которое оно рассчитывало. С конкурентными обновлениями вопросов еще больше. На HighLoad++ 2026 разберем, откуда берутся такие расхождения. 🔹 Андрей Бородин, Yandex Cloud, объяснит аномалии изоляции при чтении с реплик PostgreSQL и поиск актуального мастера. 🔹 Максим Рауба, Ozon, разберет гонки при обновлении данных: от отдельных переменных до взаимодействия микросервисов, включая саги. Это возможность разобраться, какие гарантии нужны вашему приложению и где их нужно обеспечивать. 📍 30 ноября и 1 декабря 2026. Москва, кампус СКОЛКОВО. Можно приехать очно или подключиться онлайн. 👉 Посмотреть программу #реклама О рекламодателе

2
Пакетная обработка (Batching) — один из самых недооценённых приёмов оптимизации SQL Разберёмся, как она работает и почему её
Пакетная обработка (Batching) — один из самых недооценённых приёмов оптимизации SQL Разберёмся, как она работает и почему её стоит использовать. Многим системам приходится выполнять массовые операции: вставку, обновление и удаление данных. Вместо выполнения множества отдельных операций, каждая из которых требует отдельного обращения к базе данных, их можно объединить в один пакетный запрос. Пример: Представьте, что вы импортируете файл, обрабатываете данные и должны добавить 100 строк в таблицу. Без пакетной обработки придётся выполнить 100 отдельных SQL-команд INSERT. С Batching все 100 записей объединяются в один запрос (или несколько, если есть ограничения). Что важно учитывать: Пакетная обработка требует внимательной работы с ошибками. Если одна из операций завершится неудачно, может потребоваться откат всего пакета. Для этого могут пригодиться точки сохранения (Savepoints) или блоки try-catch. Некоторые СУБД ограничивают размер пакета, поэтому большие пакеты может потребоваться разбивать на части. Обычно хорошо работают размеры от 100 до 1000 операций. Пакетная обработка по-разному влияет на INSERT, UPDATE и DELETE. Тестируйте каждый сценарий отдельно. Основные преимущества Batching: Меньше сетевых обращений: отправка нескольких операций одновременно сокращает накладные расходы на взаимодействие между приложением и базой данных. Эффективнее транзакции: все операции выполняются в рамках одной транзакции, что снижает затраты на управление множеством отдельных транзакций. Выше производительность: в зависимости от сценария пакетная обработка может ускорить выполнение операций в 10–100 раз по сравнению с одиночными запросами. В следующий раз, когда будете работать с массовыми операциями, попробуйте Batching. Это как отправить одно групповое сообщение вместо 100 отдельных. Ваша база данных скажет спасибо! P. S. Использовали пакетную обработку? Как справлялись с ошибками? 👉 @SQLPortal
524
3
Я не мог разобраться в Document Store, пока не придумал эту аналогию. Document Store — это разновидность NoSQL-базы данных, в
Я не мог разобраться в Document Store, пока не придумал эту аналогию. Document Store — это разновидность NoSQL-базы данных, в которой основная структура хранения данных — документы. Документ может быть представлен в формате XML, но чаще всего используется JSON. Document Store можно рассматривать как разновидность Key-Value хранилища. В реляционных базах данных (RDBMS): • Tables (таблицы): основная структура для хранения данных. Напоминают электронную таблицу со строками и столбцами. • Rows (строки): каждая строка представляет отдельную запись в таблице. • Columns (столбцы): каждый столбец хранит определённый атрибут записи. • Indexes (индексы): ускоряют поиск, сокращая количество просматриваемых записей. • Joins (объединения): позволяют получать данные из двух или нескольких таблиц, связывая их по общим атрибутам. В Document Store: • Collection (коллекция): аналог таблицы в RDBMS. Объединяет документы. • Documents (документы): основная единица хранения данных. Обычно представлены в JSON или похожем формате и описывают отдельную запись или объект. • Fields (поля): аналог столбцов. Содержат атрибуты документа. • Indexes (индексы): как и в RDBMS, используются для ускорения поиска. • Embedding (встраивание): хранение связанных данных внутри одного документа, что позволяет сократить необходимость в JOIN. Это может приводить к дублированию данных и увеличению размера документов. • Linking (связывание): документы хранятся отдельно, но содержат ссылки на другие документы — аналог внешних ключей в RDBMS. RDBMS хорошо подходят для сложных запросов и транзакций, требующих строгой согласованности данных. Document Store обеспечивают гибкость, масштабируемость и высокую производительность. Они также удобны для работы с полуструктурированными данными и быстрого изменения модели данных. 👉 @SQLPortal
665
4
Мастерство SQL — не в знании синтаксиса. Оно в умении задавать вопросы, которые многие боятся даже сформулировать. Написать S
Мастерство SQL — не в знании синтаксиса. Оно в умении задавать вопросы, которые многие боятся даже сформулировать. Написать SELECT * может каждый. Это базовый уровень. Почему добавление индекса сделало запросы медленнее? Почему один и тот же запрос завтра может получить другой план выполнения? Почему UPDATE иногда обходится дороже, чем DELETE + INSERT? Это не ошибки. Именно такие вопросы отличают тех, кто просто использует SQL, от тех, кто действительно понимает, как работают базы данных. Знание синтаксиса помогает получить работу. Глубокое понимание делает вас незаменимым. 👉 @SQLPortal
710
5
SQL существовал ещё до моего рождения, но до сих пор остаётся одним из важнейших языков, которые стоит освоить. Вот 5 уроков,
SQL существовал ещё до моего рождения, но до сих пор остаётся одним из важнейших языков, которые стоит освоить. Вот 5 уроков, которые я усвоил на собственном опыте. 1. Не создавайте слишком много индексов. Индексы — мощный инструмент для ускорения поиска данных. Они работают за счёт создания дополнительной структуры, которую база данных использует для быстрого поиска строк. Но за это приходится платить: каждый индекс занимает дополнительное место и замедляет операции записи. Создавайте индексы для столбцов, которые используются в условиях поиска (WHERE, JOIN) и сортировке (ORDER BY). 2. Структура запроса влияет на производительность. Сложные запросы с подзапросами и вложенной логикой заставляют базу данных выполнять больше работы. Иногда имеет смысл разделить такой запрос на два или несколько отдельных запросов и объединить результаты на стороне сервера. Выбирайте только необходимые столбцы — так базе данных придётся обрабатывать и передавать меньше данных. 3. Обращайте внимание на JOIN и WHERE. JOIN объединяет строки из двух или нескольких таблиц по связанным столбцам. WHERE фильтрует записи. Правильно составленные JOIN и WHERE позволяют сократить количество строк, которые придётся обрабатывать на следующих этапах выполнения запроса. Используйте их с учётом существующих индексов. 4. Осторожнее с подзапросами. Коррелированные подзапросы выполняются для каждой строки внешнего запроса, что может привести к снижению производительности. Переписывание таких подзапросов с использованием JOIN или временных таблиц может ускорить выполнение. 5. Проектирование базы данных влияет на производительность запросов. Нормализация данных предполагает организацию схемы таким образом, чтобы уменьшить избыточность и повысить целостность данных. Но она может приводить к появлению сложных запросов с большим количеством JOIN. Денормализация упрощает запросы, но увеличивает избыточность данных. 👉 @SQLPortal
769
6
SQL предлагает решение практически для любой задачи с данными. Главное — освоить его! Вот самый простой способ сформировать о
SQL предлагает решение практически для любой задачи с данными. Главное — освоить его! Вот самый простой способ сформировать отчёт о продажах. Если вы строите отчёты, вам нужны не только общие суммы, но и промежуточные итоги. И именно здесь многие допускают ошибку: используют GROUP BY, но забывают про WITH ROLLUP. Рассмотрим пример. Предположим, у нас есть таблица Sales со следующими столбцами: • product — название товара; • region — регион продаж; • sales_amount — сумма продаж. Нужно сформировать отчёт, который включает промежуточные итоги по каждому товару и общий итог по всем продажам. Одного GROUP BY для этого недостаточно. Здесь пригодится WITH ROLLUP. Модификатор WITH ROLLUP используется вместе с GROUP BY и добавляет в результат сводные строки с промежуточными и общими итогами. Что происходит при его использовании: Обычные строки: для каждой комбинации товара и региона отображается общая сумма продаж. Промежуточные итоги: строки, в которых region равен NULL, показывают сумму продаж по каждому товару. Общий итог: строка, в которой и product, и region равны NULL, показывает сумму всех продаж. Вот в чём разница между «писать SQL» и действительно знать SQL. Многие разработчики решают задачи с данными вручную, просто потому что не знают о встроенных возможностях языка. 👉 @SQLPortal
748
7
Избегать SQL — значит избегать настоящей backend-разработки. API меняются. Фреймворки уходят в прошлое. Базы данных переживаю
Избегать SQL — значит избегать настоящей backend-разработки. API меняются. Фреймворки уходят в прошлое. Базы данных переживают миграции. Большинство проблем с производительностью backend-систем возникает не из-за медленного кода приложения, а из-за: Плохо написанных запросов. Отсутствующих индексов. Неудачной структуры таблиц. Слабой модели данных. Неправильных паттернов чтения и записи. Отсутствующий индекс не исправить микросервисами. Дублирование данных не исправить кэшированием. Медленные отчёты не ускорить простым переписыванием API. Если вы не понимаете ACID, уровни изоляции транзакций, блокировки, взаимные блокировки (deadlocks), индексы, партиционирование и планы выполнения запросов, рано или поздно ваша система начнёт ломаться под нагрузкой. SQL — не опция, а необходимость. Хорошее знание SQL помогает лучше разбираться в System Design, распределённых системах, производительности и надёжности. Учите SQL. Всё остальное строится на этом фундаменте. 👉 @SQLPortal
779
8
Вот хороший пример задачи на SQL. Задача: Представьте, что вы помогаете отделу инвентаризации определить, в каких магазинах з
Вот хороший пример задачи на SQL. Задача: Представьте, что вы помогаете отделу инвентаризации определить, в каких магазинах запасов товаров слишком много или слишком мало. Для решения задачи нужно: • Установить пороговые значения для определения высокого и низкого уровня запасов (в нашем примере — 10 единиц). • Рассчитать количество каждого товара на складе. • Вычислить средний уровень запасов по всем магазинам. Звучит просто, но есть нюанс: использовать GROUP BY нельзя, поскольку нам нужны подробные данные по каждому товару в каждом магазине. Самый простой способ решить эту задачу — использовать PARTITION BY. Клауза PARTITION BY в SQL разделяет результирующий набор на группы (окна) на основе одного или нескольких столбцов. Каждая такая группа обрабатывается отдельно при выполнении вычислений оконной функцией. В отличие от GROUP BY, данные не сворачиваются в одну строку на группу. Все исходные строки остаются в результирующем наборе. Что происходит в этом запросе: • С помощью PARTITION BY запрос вычисляет средний запас каждого товара по всем магазинам. Данные разделяются по ProductId, чтобы среднее значение рассчитывалось отдельно для каждого товара. • Рассчитанные средние значения временно сохраняются в общем табличном выражении (CTE). • Затем запрос сравнивает запасы каждого магазина со средним значением для соответствующего товара. • В итоговой таблице отображаются остатки каждого магазина, средний запас товара (рассчитанный с помощью PARTITION BY) и статус: High, Low или Normal. PARTITION BY похож на GROUP BY, но сохраняет детализацию данных. Продолжайте учиться! 👉 @SQLPortal
852
9
Одна шпаргалка по SQL — всё необходимое для повторения в одном месте Изучение SQL — это не просто запоминание команд. Важно п
Одна шпаргалка по SQL — всё необходимое для повторения в одном месте Изучение SQL — это не просто запоминание команд. Важно понимать, как применять их для решения реальных задач. Именно с этим у многих возникают сложности на технических собеседованиях. Вы можете знать, как писать JOIN, но понимаете ли вы, когда использовать INNER JOIN, а когда LEFT JOIN? Можете разобраться с GROUP BY, но знаете ли, в каких случаях оконные функции будут лучшим решением? Поэтому удобная шпаргалка по SQL может значительно упростить обучение. В ней собраны все основные темы: • SELECT, WHERE и фильтрация данных • ORDER BY, LIMIT и OFFSET • GROUP BY, HAVING и агрегатные функции • INNER, LEFT, RIGHT и FULL JOIN • Подзапросы и CTE • UNION, INTERSECT и EXCEPT • Функции для работы со строками, датами и NULL • CASE и условная логика • Оконные функции и ранжирование • Индексы и изменение данных Главный урок: Не нужно запоминать каждую команду SQL. Важно понимать логику их работы и знать, какую конструкцию применить для решения конкретной бизнес-задачи. Хорошее знание основ помогает разбираться даже в сложных SQL-запросах. 👉 @SQLPortal
928
10
Одна из любимых тем на SQL-собеседованиях — управление запасами товаров. Вот хороший пример задачи. Условие: Представьте, что
Одна из любимых тем на SQL-собеседованиях — управление запасами товаров. Вот хороший пример задачи. Условие: Представьте, что вы помогаете отделу управления запасами определять, где в конкретных магазинах слишком много или слишком мало товаров. Для решения задачи нужно: • Установить пороговые значения для определения высокого и низкого уровня запасов (в нашем примере — 10 единиц). • Рассчитать количество каждого товара на складе. • Вычислить средний уровень запасов по всем магазинам. Звучит просто, но есть нюанс: использовать GROUP BY нельзя, поскольку нам нужны подробные данные по каждому товару в каждом магазине. Самый простой способ решить эту задачу — использовать PARTITION BY. Клауза PARTITION BY в SQL разделяет результирующий набор на секции (окна) на основе одного или нескольких столбцов. Каждая секция обрабатывается отдельно при выполнении вычислений оконной функцией. В отличие от GROUP BY, она не сворачивает данные в одну строку на группу. Поэтому все исходные строки остаются в результирующем наборе. Что происходит в этом запросе: С помощью PARTITION BY запрос вычисляет средний запас каждого товара по всем магазинам. Данные разделяются по ProductId, поэтому среднее значение рассчитывается отдельно для каждого товара. Полученные средние значения временно сохраняются в общем табличном выражении (CTE). Затем уровень запасов каждого магазина сравнивается со средним значением для соответствующего товара. В итоговой выборке отображаются количество товара в каждом магазине, средний запас этого товара и его статус: High, Low или Normal. PARTITION BY — это как GROUP BY, только с сохранением всех исходных строк. Продолжайте учиться! 👉 @SQLPortal
984
11
Варианты:
956
12
Вопрос по SQL: что вернёт этот запрос? 👉 @SQLPortal
Вопрос по SQL: что вернёт этот запрос? 👉 @SQLPortal
949
13
Postgres снова удивляет. В PostgreSQL 19 появятся запросы с графовыми шаблонами, которые позволят работать со связями прямо в
Postgres снова удивляет. В PostgreSQL 19 появятся запросы с графовыми шаблонами, которые позволят работать со связями прямо в реляционных таблицах. Годами даже одна задача с графовой структурой становилась поводом добавить Neo4j в архитектуру. Но когда PostgreSQL 19 выйдет из беты, многим командам больше не придётся заводить отдельную базу данных только ради таких запросов. Конечно, полноценные графовые базы по-прежнему выигрывают на задачах с интенсивной работой с графами. Postgres не добавляет собственный движок для хранения графов — граф остаётся доступным только для чтения представлением поверх реляционных данных. Но будем честны: большинству приложений до настоящих графовых нагрузок далеко. Обычно речь идёт всего о нескольких неудобных запросах со связями между сущностями. Мой вывод: если PostgreSQL справляется с нагрузкой, лучше оставить всё в нём. Так у вас будет единый источник данных, и не придётся поддерживать отдельный конвейер синхронизации. Граница между реляционными и графовыми базами данных становится всё менее заметной. А где бы вы провели эту границу? 👉 @SQLPortal
1 080
14
Один из самых интересных приёмов защиты данных, которые я встречал в production, — Temporal RLS. Row-Level Security (RLS) — ф
Один из самых интересных приёмов защиты данных, которые я встречал в production, — Temporal RLS. Row-Level Security (RLS) — функция PostgreSQL, которая позволяет контролировать доступ пользователей к отдельным строкам таблицы непосредственно на уровне базы данных. Вместо того чтобы полагаться на фильтрацию данных в коде приложения, RLS переносит контроль доступа внутрь самой БД. Представьте, что это WHERE, который всегда применяется автоматически и настраивается отдельно для каждого пользователя или роли. Пример использования: Финтех-компании понадобилось предоставить аналитикам доступ к данным о транзакциях, но с задержкой в 24 часа. Это нужно было для снижения рисков мошенничества и инсайдерской торговли. Вместо реализации логики в приложении или ограничений в BI-инструменте компания настроила всё непосредственно на уровне базы данных. Как это работает? Включаем RLS для таблицы. Создаём политику, которая фильтрует строки. Включаем FORCE ROW LEVEL SECURITY, чтобы даже владелец таблицы не мог обойти эти ограничения. Даже если кто-то подключится к БД напрямую через psql, BI-инструмент или SQL-клиент, он увидит только записи старше 24 часов. Никаких исключений. Преимущества: Безопасность обеспечивается непосредственно на уровне источника данных. Политики версионируются вместе с изменениями схемы. Не требуется дополнительный код в приложении. Вывод: RLS нужен не только для изоляции данных разных клиентов. С его помощью можно реализовать временные ограничения доступа, разграничение прав пользователей и даже контроль над мягким удалением записей. И всё это — средствами самой базы данных. Какие необычные правила вы реализовывали с помощью RLS? 👉 @SQLPortal
1 056
15
⚠️ База тормозит. Вы открываете мониторинг — уже все в норме. Короткий инцидент не попал на графики. Причина неясна, и непоня
⚠️ База тормозит. Вы открываете мониторинг — уже все в норме. Короткий инцидент не попал на графики. Причина неясна, и непонятно, что исправлять, чтобы задержки не вернулись. 🖥 Postgres Pro Enterprise Manager (PPEM) объединяет мониторинг, диагностику и администрирование БД в одном интерфейсе: 📊 Active Session Engine помогает найти причину по истории активных сессий и ожиданий. 🔎 HealthCheck Advisor анализирует нагрузку и дает рекомендации по устранению проблем. 🤖 ИИ-ассистент Ask Postgres дает советы по диагностике и администрированию. 🎙 Приходите 12 ноября на бесплатный вебинар Postgres Professional за подробностями. Эксперты покажут PPEM в работе и проведут демо управления отказоустойчивыми кластерами. 🗓 12 ноября, четверг, 11:00 👉 Регистрируйтесь, участие бесплатное.
809
16
Один из самых быстрых способов оценить инженера — послушать, какой первый вопрос он задаёт при выборе нового сервиса. Младшие
Один из самых быстрых способов оценить инженера — послушать, какой первый вопрос он задаёт при выборе нового сервиса. Младшие разработчики спрашивают: «Какую базу данных выбрать?» Старшие разработчики спрашивают: «Как будут перемещаться данные?» Архитекторы спрашивают: «Что произойдёт, когда всё сломается?» Несколько месяцев назад инженер из команды, которой я помогал, написал в чате обсуждения архитектуры: «Что выбрать для нового сервиса — Postgres или Mongo?» Он один из самых сильных разработчиков, которых я знаю. И именно поэтому этот вопрос меня особенно расстроил. Я терпеливый человек. Мне приходилось отвечать на него бесчисленное количество раз. Но это был уже третий сервис подряд, для которого команда выбирала базу данных ещё до того, как кто-нибудь описал хотя бы одну операцию чтения или записи. И это был уже третий случай, когда спустя полгода приходилось дополнительно внедрять кеш, реплику для чтения и план миграции. Сейчас не 2006 год. На дворе 2026-й. Есть Managed Postgres, DynamoDB, Spanner, Cassandra, ClickHouse, Redis — всё доступно буквально в пару вызовов API. Выбрать движок — самая простая часть. Тот, кто начинает с этого, пропускает самое сложное. Ладно, хватит ворчать. Перейдём к вопросу, который он на самом деле хотел задать: «Как выбрать базу данных, о которой я не пожалею через год?» В целом любой выбор базы данных сводится к двум факторам. Первый — нагрузка. Как сервис читает и записывает данные? Каково соотношение чтения и записи в пиковые моменты? Преобладают точечные запросы по ключу, сканирование диапазонов или JOIN? Насколько устаревшие данные допустимы? Один регион или несколько? Второй — команда. Сможет ли дежурный инженер разобраться с этой базой в три часа ночи? Если никто в команде не умеет обслуживать «более продвинутую» базу, она автоматически становится более рискованным выбором. Всё остальное — подбор движка под конкретные требования. Вот как особенности нагрузки влияют на выбор: Много операций записи → лог-структурированное хранение может быть эффективнее B-tree-индексов. Сканирование диапазонов → хранилище с упорядоченными ключами лучше, чем система с хеш-разбиением. Строгая согласованность → один ведущий узел с синхронной репликацией или алгоритм консенсуса. Запись в нескольких регионах → разрешение конфликтов становится частью архитектуры. Допустима высокая задержка актуализации данных → кеш может взять нагрузку на себя, и выбор основной базы становится менее критичным. В следующий раз, когда кто-нибудь спросит: «Postgres или Mongo?»… Не отвечайте. Спросите, как перемещаются данные. Простое правило, которого я всегда придерживаюсь: сначала нагрузка, потом база данных. 👉 @SQLPortal
1 078
17
Проектирование баз данных (SQL и NoSQL) Что такое проектирование баз данных? Проектирование баз данных — это процесс организа
Проектирование баз данных (SQL и NoSQL) Что такое проектирование баз данных? Проектирование баз данных — это процесс организации данных для эффективного хранения, поиска и управления ими. Он включает выбор подходящего типа базы данных (SQL или NoSQL), определение связей между данными и обеспечение их целостности. SQL-базы данных (реляционные) → Хранят данные в структурированных таблицах со строками и столбцами. → Используют заранее определённую схему с фиксированной структурой. → Для запросов применяют SQL (Structured Query Language). → Обеспечивают соблюдение ACID-свойств: атомарность, согласованность, изоляцию и долговечность. Примеры SQL-баз данных: MySQL PostgreSQL Oracle Database Microsoft SQL Server Преимущества SQL: → Высокая согласованность данных. → Хорошо подходят для структурированных данных и сложных запросов. → Надёжная работа транзакций благодаря поддержке ACID. Недостатки SQL: → Менее гибкие при работе с неструктурированными или часто меняющимися данными. → Горизонтальное масштабирование сложнее реализовать. NoSQL-базы данных (нереляционные) → Хранят данные в гибких форматах: документах, парах «ключ — значение», широких столбцах или графах. → Используют схемы без жёсткой структуры или с динамической схемой. → Ориентированы на масштабируемость и высокую производительность. → Часто опираются на принципы BASE: преимущественная доступность, изменяемое состояние и eventual consistency (согласованность с течением времени). Примеры NoSQL-баз данных: MongoDB — документоориентированная. Redis — хранилище «ключ — значение». Cassandra — ширококолоночная. Neo4j — графовая. Преимущества NoSQL: → Высокая масштабируемость и скорость. → Гибкая схема для неструктурированных данных. → Хорошо подходят для Big Data и приложений реального времени. Недостатки NoSQL: → Гарантии согласованности могут быть слабее, чем в SQL-базах. → Поддержка сложных запросов может быть ограничена. SQL vs NoSQL → SQL: лучше подходит для структурированных данных и приложений, которым нужна высокая согласованность, например банковских систем. → NoSQL: подходит для неструктурированных и полуструктурированных данных, приложений реального времени и масштабных систем, например социальных сетей и IoT. Примеры из реальной разработки → SQL: банковские системы, управление складскими запасами, ERP-системы. → NoSQL: платформы электронной коммерции, ленты социальных сетей, аналитика больших данных. 👉 @SQLPortal
1 095
18
Если вы работали с SQL или базами данных, то наверняка знаете: правильный запрос и правильные данные — это две совершенно раз
Если вы работали с SQL или базами данных, то наверняка знаете: правильный запрос и правильные данные — это две совершенно разные вещи. ИИ-агент может написать корректный SQL-запрос, успешно выполнить его и всё равно выдать неправильный ответ. Проблема может быть не в самой LLM, а в том, что она не понимает ваши данные. Представим простой вопрос: «Какую выручку мы получили за прошлый квартал?» В базе есть таблицы orders, invoices, payments и refunds. Какие таблицы должен использовать агент? Какие столбцы определяют выручку? Нужно ли учитывать отменённые заказы? Как правильно объединить таблицы? SQL-запрос может быть синтаксически корректным, но результат всё равно окажется неверным. Именно эту проблему пытается решить NVIDIA AutoOntology. Это опенсорсный Python-фреймворк, который создаёт семантический слой поверх корпоративных баз данных. Он помогает ИИ-агентам понимать бизнес-понятия, столбцы таблиц, связи между ними и определения SQL-запросов. Как это работает? 1. Определяет смысл структуры базы данных: AutoOntology анализирует метаданные базы, изучает столбцы, выявляет бизнес-понятия и определяет связи между таблицами. В результате формируется онтология, которая связывает понятия вроде «Клиент», «Заказ» и «Выручка» с соответствующими данными в базе. 2. Предоставляет агентам готовые определения вместо догадок: Для бизнес-метрик можно задать проверенные SQL-выражения, а связи между таблицами описать явно. Агенту больше не нужно каждый раз самостоятельно разбираться, как рассчитать выручку или объединить таблицы. Он может использовать уже подготовленные определения. 3. Добавляет проверку и сертификацию: Сгенерированная онтология — это отправная точка, а не абсолютная истина. Специалисты могут проверять и утверждать термины, описания и SQL-определения. Получив вопрос, агент извлекает нужный контекст, генерирует SQL, проверяет его и возвращает ответ вместе с запросом и результатами выполнения. 4. Передаёт контекст другим агентам: AutoOntology предоставляет возможности через API и MCP-сервер. Совместимые ИИ-агенты могут получать определения, проверять, можно ли ответить на вопрос, и выполнять запросы к данным. В проекте используются PostgreSQL и pgvector для хранения каталога, онтологии и векторных представлений, FastAPI в качестве backend и настраиваемые языковые модели. Зачем это разработчикам? Мы уже много внимания уделили тому, как улучшить рассуждения агентов, использование инструментов и поиск по документам. Но корпоративным ИИ-агентам также необходимо понимать смысл данных, с которыми они работают. RAG может найти документ с определением метрики. Семантический слой позволяет предоставить агенту готовое структурированное определение этой метрики вместе со связями, необходимыми для построения SQL-запроса. AutoOntology объединяет эти подходы, помогая делать работу ИИ-агентов с базами данных более обоснованной, последовательной и прозрачной. Он не устраняет галлюцинации и не гарантирует правильность ответов. Его главная ценность — в том, что агенту больше не приходится каждый раз самостоятельно угадывать бизнес-логику и структуру базы данных. https://github.com/NVIDIA/auto-ontology 👉 @SQLPortal
1 090
19
SQL-команды для анализа данных. 👉 @SQLPortal
SQL-команды для анализа данных. 👉 @SQLPortal
1 109
20
Эти 8 SQL-команд охватывают 90% повседневных запросов • SELECT — что нужно получить • FROM — из какой таблицы • WHERE — фильт
Эти 8 SQL-команд охватывают 90% повседневных запросов • SELECT — что нужно получить • FROM — из какой таблицы • WHERE — фильтрация строк • ORDER BY — сортировка результатов • LIMIT — ограничение количества строк • GROUP BY — группировка и агрегация данных • HAVING — фильтрация сгруппированных данных • JOIN — объединение таблиц 👉 @SQLPortal
1 209