SQL.
Быстрые «руки», медленный «мозг»: Particle-1 и GPT-6 Luna Pro собирают поиск для Tilda на n8n+PostgreSQL в Docker
Всем привет!) Про топовые модели пишут много. Мне стало интересно другое: что будет, если отдать реальную задачу быстрой модели без громкого имени, а рассуждающую модель подключать только тогда, когда первая упирается не в синтаксис, а в поведение системы? Стек такой: VS Code (Cline), Particle-1 как кодер ( "руки"), GPT-6 Luna Pro как "мозг", Tilda (отдельная страница с формой), n8n , PostgreSQL 16, Docker.Сам замысел что не в чате "напиши мне функцию...", а в роли кодера в VS Code через Cline: модель пишет SQL и JavaScript для нод n8n, получает текст ошибки, предлагает следующий патч и т.д. до рабочего результата.
N+1 в Eloquent: воспроизводим на стенде, считаем запросы и закрываем регрессии тестами
Про N+1 в Laravel обычно пишут три строки про with() и расходятся. Я собрал небольшой стенд на Laravel 13 и SQLite, воспроизвёл проблему, посчитал запросы для каждого способа лечения и проверил, что «не ловится» режимом запрета ленивой загрузки. Отдельно разобрал места, где eager loading не помогает или сам создаёт нагрузку. Все числа в статье получены на этом стенде на искусственных данных.Стенд и условия
Один на один с заказом: или что делать, если нет готовой либы?
IT драма с элементами комедииПролог. Разрешите представиться.Прожив уже почти полвека,Тьму перепробовав работ,Я убежден, что человекаДостоин лишь любовный пот.Вам, наверное, интересно, кто я такой и какого такого черта я тут взялся вам рассказывать свои бесценные мысли.В данный момент я считаю себя инженером по автоматизации и интеграции API.Однако было время, когда я был финансовым аналитиком, а до этого был кредитным инспектором в банке… Однако, кем бы я ни был, меня постоянно заводила идея автоматизации.
Остатки нельзя обороты
IT драма с элементами комедииПролог. Разрешите представиться.Прожив уже почти полвека,Тьму перепробовав работ,Я убежден, что человекаДостоин лишь любовный пот.Вам, наверное, интересно, кто я такой и какого такого черта я тут взялся вам рассказывать свои бесценные мысли.В данный момент я считаю себя инженером по автоматизации и интеграции API.Однако было время, когда я был финансовым аналитиком, а до этого был кредитным инспектором в банке… Однако, кем бы я ни был, меня постоянно заводила идея автоматизации.
«День СУБД 2026»: второй сезон — ждём Вас 27 октября в Кибердоме! Ваши вопросы — лично нам, ужин и живая музыка — гостям
Сменить СУБД — решение, за которым неизбежно следует вопрос: что делать с хранимой бизнес-логикой ваших приложений?За годы работы она обрастает зависимостями от конкретной платформы: DBMS- и UTL-пакетов Oracle Database, системных хранимых процедур sp_* Microsoft SQL Server.В стандартном PostgreSQL этих механизмов в исходном виде нет. Поэтому перенос может превратиться в масштабную переработку кода — с повторным тестированием и поиском расхождений в поведении системы.В своей статье я рассказывал о другом пути: сохранить привычные диалекты на стороне целевой СУБД.
Поиск узких мест в Oracle с помощью ASH-AWR и LLM
Добрый день, всем любителям Oracle и пирогов из картофельных очистков*!I. Введение.Одна из самых часто встречающихся проблем при использовании баз данных - это поиск узких мест: нахождение долго выполняющихся запросов и их исправление.Как часто вы сталкивались с ситуацией, когда запрос мгновенно отрабатывает в тестовом окружении, но начинает «тормозить» на боевом сервере? Или замедление запросов проявляется не сразу, а по мере роста данных?
Как мы развиваем агентный сервис для работы с аналитическими данными
Привет! Меня зовут Артём, я старший аналитик данных в ЮMoney. Расскажу о проекте, который вырос из внутреннего хакатона, — Text2SQL-сервисе. В нём пользователь задаёт вопрос на обычном русском языке, а система сама находит нужные данные, пишет SQL-запрос, проверяет и выполняет его, после чего возвращает ответ: текст, таблицу, Excel-файл или график. Идея для бизнеса простая: зачем ждать, пока аналитик освободится, если ответ на типовой вопрос можно получить прямо сейчас?
Выручка за сентябрь: как AI‑агент получает три разных ответа
Всем привет, меня зовут Сергей Прощаев, я Tech Lead и руководитель направления Java | Kotlin разработки в FinTech & E‑commerce и преподаю на курсах разработки и архитектуры в ОТУС. В этой статье расскажу, почему AI‑агент, который блестяще отвечает на вопросы по демо‑базе, начинает путаться на настоящем хранилище данных, и что с этим может сделать аналитик ещё до выбора модели.Знакомая картина.
Qwen3.8 27B обошла GPT-5.6 в SQL‑бенчмарке. И всё это — локально на ноутбуке
Производительность агентного SQL на уровне передовых моделей теперь помещается прямо на ноутбуке — даже если ему почти пять лет и у него всего 16 ГБ оперативной памяти. В связке Qwen 3.8 27B и DuckDB всё работает локально. А если понадобится масштабирование, достаточно изменить одну настройку, чтобы перенести обработку запросов в MotherDuck.Как это меняет наш подход к работе? Что это говорит о будущем искусственного интеллекта в работе с данными? И раз уж мы здесь, заодно всё настроим на вашей машине. Это не займёт много времени.Граница Парето сдвинулась
