fa
Feedback

فریب کلاهبرداران را نخورید! تل‌متریو این کانال‌ها را شناسایی و برچسب‌گذاری می‌کند 👉 برای مشاهده برچسب، اشتراک تهیه کنید

SQL Portal | Базы Данных

SQL Portal | Базы Данных

رفتن به کانال در Telegram

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

نمایش بیشتر

📈 تحلیل کانال تلگرام SQL Portal | Базы Данных

کانال SQL Portal | Базы Данных (@sqlportal) بازیگری فعال است. در حال حاضر جامعه شامل 14 132 مشترک است و جایگاه 9 054 را در دسته فناوری و برنامه‌ها و رتبه 45 799 را در منطقه روسيا دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 14 132 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 15 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 125 و در ۲۴ ساعت گذشته برابر -2 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

  • وضعیت تأیید: تأیید نشده
  • نرخ تعامل (ER): میانگین تعامل مخاطب 9.04% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 4.95% واکنش نسبت به کل مشترکان کسب می‌کند.
  • دسترسی پست‌ها: هر پست به طور میانگین 1 278 بازدید دریافت می‌کند. در اولین روز معمولاً 700 بازدید جمع‌آوری می‌شود.
  • واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 3 است.
  • علایق موضوعی: محتوا بر موضوعات کلیدی مانند строка, sql, индекс, postgres, колонка تمرکز دارد.

📝 توضیح و سیاست محتوایی

نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“Присоединяйтесь к нашему каналу и погрузитесь в мир баз данных Связь: @devmangx РКН: https://clck.ru/3H4Wo3”

به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 16 نوامبر, 2026)، کانال همواره به‌روز و دارای دسترسی بالاست. تحلیل‌ها نشان می‌دهد مخاطبان به‌طور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامه‌ها تبدیل کرده‌اند.

14 132
مشترکین
-224 ساعت
-127 روز
+12530 روز
آرشیو پست ها
🔎 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

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

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

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

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

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

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

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

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

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

Варианты:
Anonymous voting

Вопрос по SQL: что вернёт этот запрос? 👉 @SQLPortal
Вопрос по SQL: что вернёт этот запрос? 👉 @SQLPortal

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

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

⚠️ 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.

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

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

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

SQL-команды для анализа данных. 👉 @SQLPortal
SQL-команды для анализа данных. 👉 @SQLPortal

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