| #教程本课程将教你如何使用Rust语言构建一个简单的LSM树存储引擎。

| #教程 本课程将教你如何使用Rust语言构建一个简单的LSM树存储引擎。 “日志结构合并树（Log-structured merge trees，简称LSM树）是一种用于维护键值对的数据结构。这种数据结构在分布式数据库系统，如TiDB和CockroachDB中被广泛使用，作为它们底层的存储引擎。基于LevelDB的RocksDB，是LSM树存储引擎的一个实现。它提供了许多键值访问功能，并在许多生产系统中使用。 本教程是一个包含多个部分（周）的广泛课程。每周有七个章节；你可以在2到3小时内完成每个章节。每个部分的前六章将指导你构建一个工作系统，而每周的最后一章将是小吃时间章节，它将实现一些在你之前六天构建的基础上的简单事物。每个章节都将有必需的任务、检查你的理解问题和奖励任务。

美光发布 HSE 3.0 开源存储引擎

美光发布 HSE 3.0 开源存储引擎 2020 年初，美光的软件工程师宣布了一款专为 SSD 和持久内存设计的开源存储引擎 HSE，这是一款快速键值存储数据库。去年 HSE 2.0 首次亮相，不再依赖于对 Linux 内核的修改，改为完全基于用户空间的解决方案。 本周，美光发布了 ，带来了更多功能改进。 HSE 3.0 改进了数据管理，提高了各种重要工作负载的性能。此外，HSE 3.0 引擎围绕具有单调递增键（例如时间序列数据）的工作负载、多客户端工作负载、将压缩和未压缩值存储在一起的能力以及其他性能方面的改进等进行了性能优化。 Java 语言绑定现已可用于 HSE 3.0 API，Python 绑定也已更新以适应上述 API 更改。 美光表示，HSE 是一种专为 SSD 和持久内存设计的快速嵌入式键值存储。HSE 通过跨 DRAM 和多类固态存储协调数据放置来优化性能和耐久性。HSE 是为数据库、软件定义存储 (SDS)、高性能计算 (HPC)、物联网 (IoT) 和机器学习 (ML) 提供动力的理想选择。 来自：雷锋 频道：@kejiqu 群组：@kejiquchat 投稿：@kejiqubot

一款开源的SQL替代品、结构化编程语言： | #替代品

一款开源的SQL替代品、结构化编程语言： | #替代品 该语言针对 SQL 的各类短板进行优化，开发了以下这些功能： - 独立于数据库的轻量级计算能力； - 支持有序计算和分步计算； - 直接读取多个数据库，实现混合数据计算； - 提供了大量的基础高性能算法（其中很多是业界首创）、高效的存储格式； - 与 Excel 结合，支持在 Excel 中使用 SPL 函数。 语言提供了精心设计、异常丰富的库函数，以及简单实用的语法，让大家在执行数据批量处理工作时，能够更加得心应手。 此外，项目中配套了颇为详细的中文教程，开发者可跟着动手学习一些关于数据库、数据处理等大数据相关知识。

一个基于Go编写的后端管理系统：PocketBase，集成简单，开箱即用，拥有清新简洁的后台管理面板。

一个基于Go编写的后端管理系统：PocketBase，集成简单，开箱即用，拥有清新简洁的后台管理面板。 该系统内置实时数据库与REST API，Google、GitHub 等多平台OAuth验证功能，文件可存储在本地或第三方平台，灵活性、扩展性强

一个稳定、快速、内嵌的 NoSQL 数据库，支持多种数据结构，包含 String、List、Hash、Set、Sorted Se

一个稳定、快速、内嵌的 NoSQL 数据库，支持多种数据结构，包含 String、List、Hash、Set、Sorted Set。类似于 Redis，但是可以选择将 value 存储到磁盘中。 这也是个教学项目，在b站有教学《使用 Go 写一个数据库》 系列视频，共6期 ​​​ 主要特性： 兼容 Redis 协议 支持丰富的数据结构，包含 String、List、Hash、Set、Sorted Set 内嵌使用，维护成本低 高性能，对读写负载的应用都适合 数据不局限于内存容量 | #数据库

：一个对话式搜索和分析平台，适用于复杂的非结构化数据，例如文档、演示文稿、成绩单、嵌入式表格和内部知识存储库。

：一个对话式搜索和分析平台，适用于复杂的非结构化数据，例如文档、演示文稿、成绩单、嵌入式表格和内部知识存储库。 它通过将人工智能引入数据准备、索引和检索来检索和综合高质量的答案。 Sycamore 可以轻松准备用于搜索和分析的非结构化数据，提供用于数据清理、信息提取、丰富、汇总和生成封装数据语义的向量嵌入的工具包。 Sycamore 使用你选择的生成式 AI 模型来使这些操作变得简单而有效，并且可以实现快速实验和迭代。此外，Sycamore 使用 OpenSearch 进行索引，支持混合（向量 + 关键字）搜索、检索增强生成 (RAG) 管道、过滤、分析功能、会话记忆和其他功能来改进信息检索。 特征 自然语言、对话界面，可针对非结构化数据提出复杂问题。包括对来源段落和对话记忆的引用。 包括对非结构化数据的各种查询操作，包括混合搜索、检索增强生成 (RAG) 和分析函数。 通过高级数据分段、用于数据丰富的 LLM 支持的 UDF、使用 Python 进行的高性能数据操作以及使用各种 AI 模型的向量嵌入，准备和丰富用于搜索和分析的复杂非结构化数据。 自动数据爬虫（Amazon S3 和 HTTP）和 Jupyter 笔记本支持等有用的功能可用于创建和迭代数据准备脚本。 可扩展、安全且可定制的 OpenSearch 后端，用于索引和数据检索。