MySQL 如何辨別索引未被使用的三種原因
Kazu 說明如何辨別 MySQL 未使用索引的三種原因,並利用 EXPLAIN、SHOW WARNINGS 與慢查詢紀錄判斷問題所在。 - 三種原因:在欄位上套用函式、比較欄位與未加引號的數字,以及 JOIN 欄位的字元集不同。
推薦理由:文章以 EXPLAIN 的 possible_keys 與警告 1739 區分三種索引失效原因,並對照各自的修正方式,提供可直接用於慢查詢診斷的步驟。
把模型跑起來的工程實踐:推理最佳化、視訊記憶體與成本、Serving 架構與基礎設施選型。
Kazu 說明如何辨別 MySQL 未使用索引的三種原因,並利用 EXPLAIN、SHOW WARNINGS 與慢查詢紀錄判斷問題所在。 - 三種原因:在欄位上套用函式、比較欄位與未加引號的數字,以及 JOIN 欄位的字元集不同。
推薦理由:文章以 EXPLAIN 的 possible_keys 與警告 1739 區分三種索引失效原因,並對照各自的修正方式,提供可直接用於慢查詢診斷的步驟。
Astro 結合 Typst,可在網站建置時依文章標題產生 Open Graph 分享圖片,並透過動態路由提供 PNG 檔案。 - 產生流程:Astro 從 Content Collection 取得文章 ID 與標題,呼叫 Typst 編譯範本,再以 image/png 回傳圖片。
推薦理由:文章示範如何串接 Astro 的建置流程與 Typst 範本,依文章標題產生 Open Graph 圖片,並用內容雜湊處理快取更新。
ClickHouse 磁碟空間耗盡後,寫入資料庫日誌失敗的訊息改送至 stderr,再由 Docker 無上限的 json-file 日誌寫入同一磁碟,形成持續增長的故障迴圈。
推薦理由:文章以 ClickHouse 故障案例說明,追蹤磁碟佔用檔案的成長速率,能辨別清除錯誤後仍持續的根因。
定價服務擴至 12 個 Pod 後,結帳延遲仍持續攀升,因為長連線讓請求留在最初連線的 4 個 Pod 上。 - 原因:kube-proxy 在 TCP 連線建立時選擇後端;gRPC 使用長時間維持的 HTTP/2 連線,而 Go 使用者端預設的 pick_first 會持續使用同一連線。
推薦理由:這次擴容案例拆解了 gRPC 長連線、`pick_first` 與 Kubernetes 連線分流的互動,並整理出讓新增 Pod 加入流量輪替的配置做法。
GitHub 發布 Project Rubicon 儲存架構,將 Git 物件存入 Azure Blob Storage,並以複寫式 Ref-CAS 管理參照更新;內部測試達到單一儲存庫 5,000 個並行 Agent、每秒 7,200 次 push。
推薦理由:文章拆解 GitHub 如何將不可變物件與參照狀態分開儲存,並說明寫入協調、讀取檢查及背景壓縮各自承擔的成本。
升級搜尋服務時,團隊可能擔心新版本出問題,影響正在使用的工作。Amazon OpenSearch Service 現在會把資料複製到執行新版本的另一個叢集,原本的叢集則繼續處理工作。團隊可以對新舊叢集執行相同的搜尋,並用 Amazon CloudWatch 指標比較表現;確認合適後再切換,若發現問題,也能在切換前取消,或在保留期限內回復舊版。這項功能適用於 OpenSearch 1.1 以上版本或 Elasticsearch 7.10 的網域,但部分 AWS 區域除外。
推薦理由:基於克隆的升級讓團隊能在正式切換前,用相同搜尋查詢和 CloudWatch 指標比較新舊版本,降低升級時判斷新版本是否合用的難度。
Tabernetes 將 Kubernetes v1.37 控制平面編譯為 WebAssembly,讓整個控制平面在瀏覽器分頁中執行,並可連線真實節點組成叢集。
推薦理由:Tabernetes 將上游 Kubernetes 控制平面編譯為 WebAssembly,並以瀏覽器分頁作為節點,展示了叢集管理與 GPU 推論在瀏覽器中的整合方式。
推薦理由:LibTorch Stable ABI 改變 PyTorch 與 vLLM 的升級和建置關係,文中列出使用者、發行者與開發者各自可減少的重建或重編譯負擔。
追蹤與評測數字只描述特定方式抽出的樣本;若忽略抽樣時點與未涵蓋的物件,結果可能無法回答團隊真正關心的問題。 - 追蹤取樣:Head-based sampling 在請求開始時決定是否保留,無法辨識之後才變慢的請求;tail-based sampling 在完整追蹤結束後決定,可保留錯誤與超過門檻的請求,但需要緩衝記憶體與 Collector。
推薦理由:文章把取樣偏差連結到追蹤、評測與調查,並整理出標示分母、抽樣方式、缺漏物件與樣本數的做法,協助團隊判讀資料適用範圍。
作者以 B6 在 OpenBenches.org 設定蜜罐,封鎖造訪陷阱頁面的 IP;他表示,網站流量因此減少超過 80%。 - 實作方式:在 robots.txt 將蜜罐路徑列為 Disallow,並在每頁加入隱藏連結;訪客觸發蜜罐後,程式將 IP 寫入 .htaccess 封鎖規則。
推薦理由:B6 將 robots.txt 蜜罐與 .htaccess 封鎖串成簡單流程,也揭示誤封、IP 輪替與規則累積等維運代價。
要把 SaaS 應用程式的資料匯進 AWS,以前常得自己寫程式。AWS Glue 現在新增 100 款原生連接器,使用者可在 AWS Glue Data Catalog 建立連線,並在不同 ETL 工作中重複使用,沿用 AWS Glue 原本的許可權設定。連接器涵蓋財務、人資、工程等工具,資料可載入 Amazon S3 或 Amazon Redshift,用來分析和製作報表。這些連接器已在所有 AWS 商業區域提供,適用於 Glue 5.0 及更新版本。
推薦理由:新增連接器涵蓋多種 SaaS 服務,並可在 ETL 工作中重複使用,有助於瞭解整合企業資料的做法。
Google 宣佈開源 JAX 訓練框架 MaxText 加入 Cloud TPU 長上下文訓練支援,提供四種 Context Parallelism 策略,並結合 Tokamax Splash Attention kernel。
推薦理由:文章比較四種 Context Parallelism 的記憶體、通訊與模型形狀取捨,並提供依 KV 是否能放入 HBM 選擇策略的實務指引。
NVIDIA Nemotron 3.5 Super VL 現已可透過 Amazon SageMaker JumpStart 部署,支援影像、影片與文字輸入,並提供 NVFP4 和 BF16 兩種版本。
推薦理由:文章比較 NVFP4 與 BF16 在 JumpStart 的部署選項與推論資料,並說明量化版本在多項多模態基準上的表現差異。
AWS提出 Pluggable Agentic AI Framework,以七層可組合參考架構協助多AI 助理應用從原型走向正式環境,涵蓋資料與知識、模型與推論、編排、安全防護、應用、可觀測性及AI 助理營運。
推薦理由:文章以七層參考架構拆解多AI 助理從原型走向正式環境的設計,並用零售客服實作呈現各層如何協作與替換。
作者以 Postgres 實測說明,即使 ALTER TABLE 只需 3 ms,若被長交易卡住,後續查詢仍可能排隊等待;文章整理了遷移大型資料表以降低停機風險的分步做法。
推薦理由:文章以鎖等待實測說明短暫的 ALTER 如何排隊阻塞查詢,並整理大型資料表遷移中控制鎖、分批迴填與驗證的做法。
Google 推出開源推論系統 TPU Sync,用於改善記憶體間的資料傳輸;部分測試中,KV cache 傳輸延遲與首 token 時間降低逾 90%。
推薦理由:TPU Sync 的測試顯示 KV cache 傳輸與首 token 延遲可大幅下降,但改善幅度會隨模型、快取重用和網路頻寬而異。
Meta 建立 lldb-server 加速器外掛架構,讓 LLDB 在同一個偵錯工作階段中協調分別表示 CPU 與 GPU 的兩個 target。架構保留兩者各自的架構、執行緒、暫存器與記憶體空間,並由硬體專屬後端連線裝置偵錯 API。
推薦理由:文章說明如何以兩個獨立 LLDB target 表示 CPU 與 GPU,並透過 lldb-server 外掛協調偵錯,呈現跨硬體共用偵錯流程的設計取捨。
處理長提示詞時,DeepSeek-V4.1-Flash 的 Prefill 會排隊,等待時間也拉長。Ant International AI Infra Team 在 8 張 H200 上用 SGLang 分開處理提示詞和逐字生成,並調整索引器計分、Prefill 分塊與 MoE 資料傳送,也讓有限重播能搭配 CP 和 DSpark。合併設定的 8 個測試案例中,E2E 延遲降低約 15%–64%,但每個輸出 token 的時間增加 3%–52%;GSM8K 準確率則從 96.74% 降到 95.38%。文章提醒,整體結果包含多項改動,不能把改善歸功於單一調整;有限重播也會省略部分區域性運算,可能影響答案品質。
推薦理由:文中把各項加速分開測量,也列出合併設定的延遲與 GSM8K 變化,呈現輸入處理變快和逐字生成變慢之間的取捨。
本文示範如何先把「快速、可靠」轉成可量測的需求,再據此選擇叫車系統的儲存、一致性模型與節點數。 - SLO 與錯誤預算:以 SLI、測量位置、目標和時間視窗定義服務水準;例如 99.9% 的 30 天預訂可用性,容許 43.2 分鐘或 30,000 次失敗預訂。
推薦理由:文章以叫車系統示範如何把需求轉成 SLO、容量與儲存決策,並標示假設,讓估算過程可逐項調整。
Samir Sarwar 推出一系列 LLM 推論教學,以 C++ 與 CUDA 從第一原理打造小型引擎,逐步說明提示詞如何轉換為生成 token。
推薦理由:內容以 C++ 與 CUDA 實作推論引擎,並逐步拆解 KV cache、分批處理與分頁注意力,適合循序理解生成流程與相關工程取捨。