在过去一年，大模型能力的飞跃与推理成本的降低，使得 AI 不再是远期的概念，而成为企业当下必须拥抱的变革。几乎每一家企业都在积极探讨 AI、规划 AI 项目，寻找技术赋能业务的真实路径。在此背景下，Apache Doris 4.0 围绕 AI，系统性地引入并完善了一系列核心能力：
- [半结构化数据分析能力（Variant）](https://www.selectdb.com/blog/1537)：轻松处理 JSON、XML 等灵活的数据类型
- 智能索引能力升级：
	- 全文检索：内置 `BM25` 算法，支持高性能关键词搜索与相关性排序，应对精确匹配场景。
	- [向量检索](https://www.selectdb.com/blog/1605)： 集成 `ANN` 算法索引，支持高维向量相似性搜索，实现基于语义的匹配。
	- [混合检索与分析（Hybrid Search）](https://www.selectdb.com/blog/1585)：可同时结合关键词、向量及结构化过滤进行查询，大幅提升召回率与准确度。
- [AI 原生化](https://www.selectdb.com/blog/1491)：内置 `AI Functions`，可直接调用 Embedding 模型、大语言模型（LLM）等。
- [面向 Agent 的 MCP 交互能力](https://www.selectdb.com/blog/1404)：支持与 AI Agent 便捷且高效协同，使其成为智能体可信赖的数据与工具中枢。

这些能力相互协作，共同推动  Apache Doris 从被动存储分析，转向主动智能数据分析服务与洞察生成。
![1-主动智能数据分析服务与洞察生成.PNG](https://developer.qcloudimg.com/http-save/yehe-10695849/550d0ac61b5cc9e87b22fce8f1e2adc1.png) 正因如此，Doris 吸引了众多探寻“Data + AI”可能性的新用户涌入尝试，也促使大量存量用户基于 Doris 4.0 率先探索，将 AI 能力应用于具体业务。其典型场景包括：
- **用户画像与行为分析**：融合用户的结构化行为数据（点击、购买）与非结构化反馈（评论、客服对话），通过 AI 理解情绪与意图，自动关联行为异动与根本原因，实现从“看到现象”到“解释原因”的闭环。
- **智能风控与审计**：在传统规则和指标风控基础上，引入交易备注、申诉文本等非结构化数据，通过语义分析识别潜在欺诈模式，将隐形的风险信号转化为可预警的规则。
- **制造与 IoT 预测性维护**：关联设备时序传感器数据与维修日志文本，通过混合检索快速匹配历史故障案例，实现故障根因的智能定位与预测性维护建议。
- **产品反馈与洞察分析**：汇聚来自论坛、工单、客服的分散用户反馈，通过 Doris + AI 将海量非结构化内容转化为可量化、可分析的产品洞察，驱动功能优化与决策。

SelectDB Cloud和阿里云数据库 SelectDB 版均基于 Apache Doris 内核构建，全面继承了上述 Doris AI 能力**。此外，两者均采用存算分离架构，支持弹性扩缩容，能够精准匹配业务流量波动，有效降低成本。同时，通过创建多个独立计算集群，可实现不同业务负载的隔离（如读写分离、离在线分析隔离），避免相互干扰，保障业务稳定性。
- SelectDB Cloud 不绑定特定云厂商，可在阿里云、华为云、AWS 等多个云平台上以 SaaS 模式部署，并支持 BYOC（自带云）模式，充分满足数据合规与成本控制需求。
- 阿里云瑶池数据库 SelectDB 版 作为阿里云原生服务，与 VPC、RAM 权限、监控等云服务无缝集成，提供类似在用户 VPC 内部署的网络体验，让用户享受更便捷的云端管理能力。

无论是寻求多云部署的灵活性，还是希望深度集成阿里云生态，两者都能为企业构建“Data + AI”应用提供坚实、高效的数据底座。
## 场景实战：基于 SelectDB + AI 的产品反馈洞察系统

那么，具体如何实现呢？在接下来的实战指南中，我们将以 SelectDB 产品经理的身份讲解。以“物化视图”这一功能为例，我们是如何借助 SelectDB + AI，搭建一个用于收集、整合与分析全域用户反馈的智能洞察系统。
用户对“物化视图”功能的反馈，常分散在论坛、工单等多个渠道，且大部分为非结构化数据，价值难以提炼。如果依赖人工阅读，效率低下。**而利用 SelectDB + AI，我们可以构建一个自动化的智能洞察系统**。
![2-场景实战：基于 SelectDB + AI 的产品反馈洞察系统.PNG](https://developer.qcloudimg.com/http-save/yehe-10695849/910051a4705b5e74bca5e0df6598108c.png)
### 第一步：初始化

#### 1. 新建 SelectDB Cloud 集群

前往 SelectDB 官网，选择专有仓库（SaaS）产品，该产品提供为期 14 天的免费试用：https://www.selectdb.com/download/cloud 
根据页面引导新建 SelectDB Cloud 计算集群。
![3-1. 新建 SelectDB Cloud 集群.png](https://developer.qcloudimg.com/http-save/yehe-10695849/f86904899970f4be353bf925e8f91bed.png)
#### 2. 创建表与原始数据同步

首先，在 SelectDB 中创建三张核心表，分别存储原始数据、向量化内容及 AI 解析结果。
**A. 创建明细数据表**
 创建存储论坛数据的明细数据表，并对 `content` 字段添加了倒排索引，以支持全文检索和打分。
```
CREATE&nbsp;TABLE&nbsp;forum_questions&nbsp;(
&nbsp; question_id&nbsp;BIGINT,&nbsp;&nbsp; &nbsp;&nbsp;--问题ID
&nbsp; user_id&nbsp;BIGINT,&nbsp;&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;--提问用户ID
&nbsp; title STRING,&nbsp;&nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;--标题
&nbsp; content STRING,&nbsp;&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;--用户提问和回复的内容
&nbsp; &nbsp;INDEX&nbsp;idx_content&nbsp;(`content`)&nbsp;USING&nbsp;INVERTED PROPERTIES("lower_case"&nbsp;=&nbsp;"true",&nbsp;"parser"&nbsp;=&nbsp;"chinese","support_phrase"&nbsp;=&nbsp;"true")
)
UNIQUE&nbsp;KEY(question_id)
DISTRIBUTED&nbsp;BY&nbsp;HASH(question_id)&nbsp;BUCKETS&nbsp;2
PROPERTIES&nbsp;(
&nbsp; &nbsp;"replication_num"&nbsp;=&nbsp;"1"
);
```**B. 创建向量表**
创建存储论坛问答的向量表，并对 `embedding` 字段创建了 ANN 索引，以支持向量检索。 
```
CREATE&nbsp;TABLE&nbsp;forum_question_embeddings&nbsp;(
&nbsp; user_id &nbsp; &nbsp; &nbsp; &nbsp;BIGINT&nbsp;NOT&nbsp;NULL,&nbsp;&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;-- 原问题所属用户
&nbsp; question_id &nbsp; &nbsp;BIGINT&nbsp;NOT&nbsp;NULL,&nbsp;&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;-- 原问题ID
&nbsp; chunk_id &nbsp; &nbsp; &nbsp;&nbsp;BIGINT&nbsp;NOT&nbsp;NULL&nbsp;AUTO_INCREMENT,&nbsp;&nbsp; &nbsp;&nbsp;-- 文本切片 ID（每片对应一条向量）
&nbsp; content_chunk STRING&nbsp;NOT&nbsp;NULL,&nbsp;&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;-- 文本切片内容
&nbsp; embedding &nbsp; &nbsp; array<float>&nbsp;NOT&nbsp;NULL,&nbsp;&nbsp; &nbsp;&nbsp;-- 1024维向量
&nbsp; &nbsp; &nbsp;INDEX&nbsp;ann_index&nbsp;(embedding)&nbsp;USING&nbsp;ANN PROPERTIES(
&nbsp; &nbsp; &nbsp;"index_type"="hnsw",
&nbsp; &nbsp; &nbsp;"metric_type"="inner_product",
&nbsp; &nbsp; &nbsp;"dim"="1024",
&nbsp; &nbsp; &nbsp;"quantizer"="flat"
&nbsp;)
)
DUPLICATE&nbsp;KEY(user_id,&nbsp;question_id,&nbsp;chunk_id)
DISTRIBUTED&nbsp;BY&nbsp;HASH(user_id)&nbsp;BUCKETS&nbsp;2
PROPERTIES&nbsp;(
&nbsp; &nbsp;"replication_num"&nbsp;=&nbsp;"1"
);
```**C. 创建结果表**
该表主要用于：对 AI 函数对论坛问答的原始数据进行解析提取之后，存储结果的表。由于不同分析需求以及 AI 函数对文本解析的灵活性，其中的 `parsed_data` 使用了 **Schema Free** 的 **VARIANT** 数据类型。
```
CREATE&nbsp;TABLE&nbsp;parsed_results&nbsp;(
&nbsp; id&nbsp;BIGINT&nbsp;NOT&nbsp;NULL&nbsp;AUTO_INCREMENT,&nbsp;&nbsp; &nbsp; &nbsp; &nbsp;-- 主键ID
&nbsp; feedback_id&nbsp;BIGINT&nbsp;NOT&nbsp;NULL,&nbsp;&nbsp; &nbsp;&nbsp;-- 用户反馈ID（外键关联 forum_questions）
&nbsp; parsed_data VARIANT&nbsp;NOT&nbsp;NULL&nbsp;&nbsp; &nbsp;&nbsp;-- 解析结果（任意 JSON 数据）
)
UNIQUE&nbsp;KEY(id)
DISTRIBUTED&nbsp;BY&nbsp;HASH(id)&nbsp;BUCKETS&nbsp;2
PROPERTIES&nbsp;(
&nbsp; &nbsp;"replication_num"&nbsp;=&nbsp;"1"
);
```#### 3. AI 资源初始化

创建 Embedding 模型和大语言模型的资源，以便后续在 SQL 中使用。
```
CREATE&nbsp;RESOURCE&nbsp;"qwen-text-embedding-v4"
PROPERTIES&nbsp;(
&nbsp; &nbsp;'type'&nbsp;=&nbsp;'ai',
&nbsp; &nbsp;'ai.provider_type'&nbsp;=&nbsp;'QWen',
&nbsp; &nbsp;'ai.endpoint'&nbsp;=&nbsp;'https://dashscope.aliyuncs.com/compatible-mode/v1',
&nbsp; &nbsp;'ai.model_name'&nbsp;=&nbsp;'text-embedding-v4',
&nbsp; &nbsp;'ai.api_key'&nbsp;=&nbsp;'xxx',
&nbsp; &nbsp;'ai.temperature'&nbsp;=&nbsp;'0.7',
&nbsp; &nbsp;'ai.max_token'&nbsp;=&nbsp;'1024',
&nbsp; &nbsp;'ai.max_retries'&nbsp;=&nbsp;'3',
&nbsp; &nbsp;'ai.retry_delay_second'&nbsp;=&nbsp;'1',
&nbsp; &nbsp;'ai.dimensions'&nbsp;=&nbsp;'1024'
);
​
CREATE&nbsp;RESOURCE&nbsp;"glm-4-flash-250414"
PROPERTIES&nbsp;(
&nbsp; &nbsp;'type'&nbsp;=&nbsp;'ai',
&nbsp; &nbsp;'ai.provider_type'&nbsp;=&nbsp;'QWen',
&nbsp; &nbsp;'ai.endpoint'&nbsp;=&nbsp;'https://dashscope.aliyuncs.com/compatible-mode/v1',
&nbsp; &nbsp;'ai.model_name'&nbsp;=&nbsp;'qwen-flash',
&nbsp; &nbsp;'ai.api_key'&nbsp;=&nbsp;'xxx',
&nbsp; &nbsp;'ai.temperature'&nbsp;=&nbsp;'0.7',
&nbsp; &nbsp;'ai.max_token'&nbsp;=&nbsp;'-1',
&nbsp; &nbsp;'ai.max_retries'&nbsp;=&nbsp;'3',
&nbsp; &nbsp;'ai.retry_delay_second'&nbsp;=&nbsp;'1'
);
```### 第二步：数据处理

#### 1. Chunking & Embedding

在本示例中，我们采用了简单的定长切分策略，以每 400 字为一个文本片段进行 Embedding 与向量存储。当前方案仅为演示，未来 SelectDB 将通过支持 Python UDF 实现更灵活、更贴合业务场景的 Chunking。
```
WITH&nbsp;raw&nbsp;AS&nbsp;(
&nbsp; &nbsp;SELECT
&nbsp; &nbsp; &nbsp; question_id,
&nbsp; &nbsp; &nbsp; user_id,
&nbsp; &nbsp; &nbsp; content,
&nbsp; &nbsp; &nbsp; LENGTH(content)&nbsp;AS&nbsp;content_len
&nbsp; &nbsp;FROM&nbsp;forum_questions
),
t&nbsp;AS&nbsp;(
&nbsp; &nbsp;SELECT&nbsp;0&nbsp;AS&nbsp;d&nbsp;UNION&nbsp;ALL&nbsp;SELECT&nbsp;1&nbsp;UNION&nbsp;ALL&nbsp;SELECT&nbsp;2&nbsp;UNION&nbsp;ALL&nbsp;SELECT&nbsp;3&nbsp;UNION&nbsp;ALL&nbsp;SELECT&nbsp;4
&nbsp; &nbsp;UNION&nbsp;ALL&nbsp;SELECT&nbsp;5&nbsp;UNION&nbsp;ALL&nbsp;SELECT&nbsp;6&nbsp;UNION&nbsp;ALL&nbsp;SELECT&nbsp;7&nbsp;UNION&nbsp;ALL&nbsp;SELECT&nbsp;8&nbsp;UNION&nbsp;ALL&nbsp;SELECT&nbsp;9
),
num&nbsp;AS&nbsp;(
&nbsp; &nbsp;SELECT
&nbsp; &nbsp; &nbsp; &nbsp;(a.d&nbsp;*&nbsp;100&nbsp;+&nbsp;b.d&nbsp;*&nbsp;10&nbsp;+&nbsp;c.d&nbsp;+&nbsp;1)&nbsp;AS&nbsp;n
&nbsp; &nbsp;FROM&nbsp;t a
&nbsp; &nbsp;CROSS&nbsp;JOIN&nbsp;t b
&nbsp; &nbsp;CROSS&nbsp;JOIN&nbsp;t c
),
chunks&nbsp;AS&nbsp;(
&nbsp; &nbsp;SELECT
&nbsp; &nbsp; &nbsp; r.user_id,
&nbsp; &nbsp; &nbsp; r.question_id,
&nbsp; &nbsp; &nbsp; SUBSTRING(r.content,&nbsp;(n&nbsp;-&nbsp;1)&nbsp;*&nbsp;400&nbsp;+&nbsp;1,&nbsp;400)&nbsp;AS&nbsp;content_chunk
&nbsp; &nbsp;FROM&nbsp;raw r
&nbsp; &nbsp;JOIN&nbsp;num&nbsp;ON&nbsp;(n&nbsp;-&nbsp;1)&nbsp;*&nbsp;400&nbsp;+&nbsp;1&nbsp;<=&nbsp;r.content_len
)
INSERT&nbsp;INTO&nbsp;forum_question_embeddings&nbsp;(user_id,&nbsp;question_id,&nbsp;content_chunk,&nbsp;embedding)
SELECT
&nbsp; user_id,
&nbsp; question_id,
&nbsp; content_chunk,
&nbsp; EMBED("qwen-text-embedding-v4",&nbsp;content_chunk)&nbsp;AS&nbsp;embedding
FROM&nbsp;chunks;
```#### 2. 关键信息 AI 提取

利用 AI Function 提取用户反馈中的关键信息，并以 Variant 类型存储。
```
SET&nbsp;@extract_prompt&nbsp;=&nbsp;"你是一名专业的产品反馈分析助手。现提供一段来自用户的反馈文本（feedback_text），请从中提取与“物化视图（Materialized View, MV）”相关的关键信息，并以严格的 JSON 格式输出。 &nbsp;
如果反馈文本与 MV 无关，或无法识别任何相关信息，则直接返回字符串 NULL。
​
请从 feedback_text 中提取以下信息并生成 JSON：
​
{
\"used_external_source\": \"用户是否提到使用了哪些外部数据源，例如 MySQL、Oracle、Hive、Iceberg 等。如果未提及则为 null。\",
\"transparent_rewrite\": \"是否使用或提到透明改写（true / false / null）。\",
\"usage_scenario\": \"用户描述的使用场景。若无则为 null。\",
\"problems_or_gaps\": \"用户认为 MV 不足或存在的问题。若无则为 null。\",
\"other_insights\": \"任何与 MV 相关、对产品改进有价值的额外信息。若无则为 null。\"
}
​
要求： &nbsp;
1. 输出内容必须是纯 JSON，对象必须以 { 开头、以 } 结尾。
2. 禁止输出任何 Markdown 代码块标记，如 json、、json、``` 等。
3. 禁止输出任何额外文字、描述、解释、前缀或后缀。
4. 不得在 JSON 外输出换行、空格或注释。";
​
INSERT&nbsp;INTO&nbsp;parsed_results&nbsp;(feedback_id,&nbsp;parsed_data)
SELECT
&nbsp; question_id,
&nbsp; AI_GENERATE(
&nbsp; &nbsp; &nbsp; &nbsp;'glm-4-flash-250414',
&nbsp; &nbsp; &nbsp; &nbsp; concat(@extract_prompt&nbsp;,'\nfeedback_text: ```'&nbsp;,content,&nbsp;'```')
&nbsp; &nbsp;)&nbsp;AS&nbsp;extracted_info
FROM&nbsp;forum_questions&nbsp;where&nbsp;search('content:物化视图');
```### 第三步：混合检索与分析

当数据准备就绪后，便可针对具体产品问题展开检索分析。
#### 示例 A：

我们将对该问题进行检索分析：物化视图功能中，用户最常使用哪些外部数据源，分别有多少用户反馈？
如下代码所示，直接对上一步中反馈结果的解析表进行聚合分析。
```
SELECT
&nbsp; lower(CAST(c.used_external_source&nbsp;AS&nbsp;string))&nbsp;AS&nbsp;used_external_source,
&nbsp; &nbsp;COUNT(*)
FROM&nbsp;(
&nbsp; &nbsp;SELECT
&nbsp; &nbsp; &nbsp; a.parsed_data.usage_scenario,
&nbsp; &nbsp; &nbsp; a.parsed_data.transparent_rewrite,
&nbsp; &nbsp; &nbsp; a.parsed_data.used_external_source&nbsp;AS&nbsp;used_external_source,
&nbsp; &nbsp; &nbsp; a.parsed_data.problems_or_gaps,
&nbsp; &nbsp; &nbsp; a.parsed_data.other_insights,
&nbsp; &nbsp; &nbsp; b.content
&nbsp; &nbsp;FROM&nbsp;parsed_results a
&nbsp; &nbsp; &nbsp; &nbsp;JOIN&nbsp;forum_questions b&nbsp;ON&nbsp;a.feedback_id&nbsp;=&nbsp;b.question_id
&nbsp; &nbsp;WHERE&nbsp;a.parsed_data.used_external_source&nbsp;!=&nbsp;""
&nbsp; &nbsp; &nbsp; &nbsp;AND&nbsp;a.parsed_data.used_external_source&nbsp;!=&nbsp;"null"
)&nbsp;c
GROUP&nbsp;BY&nbsp;lower(CAST(c.used_external_source&nbsp;AS&nbsp;string));
```#### 示例 B：

我们将对该问题进行检索分析：有多少用户提到了数据时效性的痛点或需求，他们都使用了什么数据源？
为了回答这个问题，我们需要结合关键词匹配和语义搜索，检索出有“数据时效性的痛点或需求”的用户，然后对这些用户进行聚合分析，代码如下所示。
```
--向量检索文本
SET&nbsp;@search_text="数据时效性差、 ETL 延迟、物化视图刷新不及时、数据不实时、实时查询不满足业务、报表延迟、同步滞后、时延高、更新慢、不能满足实时监控需求、数据落地慢、数据延时影响决策";
​
--存储有"数据时效性的痛点或需求"的用户的临时表
CREATE&nbsp;TEMPORARY&nbsp;TABLE&nbsp;retrieved_question_ids&nbsp;(
&nbsp; question_id&nbsp;BIGINT
)
UNIQUE&nbsp;KEY(question_id)
DISTRIBUTED&nbsp;BY&nbsp;HASH(question_id)&nbsp;BUCKETS&nbsp;2
PROPERTIES&nbsp;(
&nbsp; &nbsp;"replication_num"&nbsp;=&nbsp;"1"
);
​
insert&nbsp;into&nbsp;retrieved_question_ids(question_id)
SELECT&nbsp;question_id &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;--向量检索
FROM&nbsp;forum_question_embeddings&nbsp;
where&nbsp;inner_product_approximate(&nbsp;&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;
&nbsp; &nbsp; &nbsp; embedding,
&nbsp; &nbsp; &nbsp; EMBED("qwen-text-embedding-v4",&nbsp;@search_text)
&nbsp; &nbsp; &nbsp;&nbsp;)&nbsp;>&nbsp;0.5
union&nbsp;ALL
select&nbsp;a.question_id&nbsp;from
(
&nbsp; &nbsp;SELECT&nbsp;question_id,score()&nbsp;as&nbsp;relevance &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;--全文检索
&nbsp; &nbsp;FROM&nbsp;forum_questions
&nbsp; &nbsp;where&nbsp;content MATCH_ANY&nbsp;'时效性 实时 延迟 延时 更新不及时 刷新慢 滞后'
&nbsp; &nbsp;ORDER&nbsp;BY&nbsp;relevance&nbsp;DESC
&nbsp; &nbsp;LIMIT&nbsp;100
)a;
​
​
SELECT
&nbsp; lower(CAST(c.used_external_source&nbsp;AS&nbsp;STRING))&nbsp;AS&nbsp;used_external_source,
&nbsp; &nbsp;COUNT(DISTINCT&nbsp;c.question_id)&nbsp;AS&nbsp;feedback_cnt
FROM&nbsp;(
&nbsp; &nbsp;SELECT
&nbsp; &nbsp; &nbsp; a.feedback_id&nbsp;AS&nbsp;question_id,
&nbsp; &nbsp; &nbsp; a.parsed_data.used_external_source&nbsp;AS&nbsp;used_external_source
&nbsp; &nbsp;FROM&nbsp;parsed_results a
&nbsp; &nbsp;JOIN&nbsp;retrieved_question_ids r
&nbsp; &nbsp; &nbsp; &nbsp;ON&nbsp;a.feedback_id&nbsp;=&nbsp;r.question_id
&nbsp; &nbsp;WHERE&nbsp;a.parsed_data.used_external_source&nbsp;IS&nbsp;NOT&nbsp;NULL
&nbsp; &nbsp; &nbsp;AND&nbsp;a.parsed_data.used_external_source&nbsp;!=&nbsp;""
&nbsp; &nbsp; &nbsp;AND&nbsp;lower(a.parsed_data.used_external_source)&nbsp;!=&nbsp;"null"
)&nbsp;c
GROUP&nbsp;BY&nbsp;lower(CAST(c.used_external_source&nbsp;AS&nbsp;STRING))
ORDER&nbsp;BY&nbsp;feedback_cnt&nbsp;DESC;
```**通过以上步骤，一个能够自动处理非结构化反馈、并支持智能问答式分析的洞察系统便搭建完成。这套方法不仅适用于产品反馈，也可平移到客服质检、舆情分析、风控线索挖掘等众多需要理解文本的领域**。
## 结束语

当我们把目光从用户反馈扩展到更广泛的企业数据，我们发现，**几乎所有成熟的业务分析系统，都天然伴随着大量非结构化数据**。只是长期以来，这些数据并未被系统性纳入分析体系，更多停留在“可存储、不可分析”的状态。
![4-结束语.png](https://developer.qcloudimg.com/http-save/yehe-10695849/29684a9c8fb0e8116e0b3f824a0fbcb7.png)
我们所做的，**正是通过 HSAP 能力在一个统一平台中融合实时分析、智能检索与 AI 推理能力，唤醒这些数据资产的价值**。这并非简单地引入 AI，而是让企业已有的数据基础能够自然、平滑地智能化升级，让数据真正成为驱动业务决策的核心力量。
我们欢迎您基于文中的案例开始探索，让 SelectDB  / Apache Doris 成为您业务智能化进程中统一、高效的数据基座。

在过去一年，大模型能力的飞跃与推理成本的降低，使得 AI 不再是远期的概念，而成为企业当下必须拥抱的变革。几乎每一家企业都在积极探讨 AI、规划 AI 项目，寻找技术赋能业务的真实路径。在此背景下，Apache Doris 4.0 围绕 AI，系统性地引入并完善了一系列核心能力：

Doris & SelectDB for AI 实操：从零搭建非结构化数据智能分析洞察系统

Data + AI 能用在哪些场景？具体落地又该如何操作？本文借助 SelectDB + AI，搭建一个用于收集、整合与分析全域用户反馈的智能洞察系统。以此实战，给有需求的用户提供可参考的基础方法论。

云计算

Apache Doris 4.0 强化AI能力，支持JSON/XML分析、向量检索与混合查询，助力企业实现智能数据分析。典型应用包括用户画像、风控审计、IoT预测维护等场景，SelectDB Cloud与阿里云SelectDB版提供弹性扩展与多云部署，推动Data+AI融合创新。

结构化数据

云数据库

数据合规

语义分析

数据同步

数据库

智能体

云原生

多云

Agent

MySQL

JSON

Hive

SaaS

2026新春采购季

tchoused

tencentdb-catalog

datainlong

腾讯云数据库特惠，新用户首单0.5折起


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Doris & SelectDB for AI 实操：从零搭建非结构化数据智能分析洞察系统-腾讯云开发者社区-腾讯云

Doris & SelectDB for AI 实操：从零搭建非结构化数据智能分析洞察系统

Doris & SelectDB for AI 实操：从零搭建非结构化数据智能分析洞察系统

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐