- 综合排序
- 最热优先
- 最新优先
- 来自专栏后端技术
可串行化 数据库恢复 观测可序列化
可串行化 冲突可串行化是可串行化的充分条件 CLR Compensation Log Record 数据库恢复 分析阶段 graph TD A(把事务加入事务表)-->C(把已结束的事务剔除出事务表) 观测可序列化 很好的参考文章
1K40发布于 2019-05-25 PUBG 进局超时的三个观测面：可排队、可建立、可持续
本文把问题分为三个观测面：能否排队、能否建立会话、进入后能否持续。PUBG在2024年4月16日的普通比赛（NormalMatch）开发信中，将玩家数量、地区、队伍类型/视角、Ping等列为匹配因素。
9210编辑于 2026-10-13构建可观测、可管控、可溯源的AI Agent企业级安全治理体系
量化实现Agent资产全生命周期安全管理 通过AI Agent安全中心，企业可实现对内部AI资产的自动清点与实时排查，确保所有Agent"看得见、管得住、审得清"。
76410编辑于 2026-05-282026 Agent运维革命：构建可观测、可度量、可自愈的生产级韧性架构
行业共识已转向：Agent运维不能靠猜，必须实现全链路可观测——推理可追踪、调用可度量、异常可自愈。这套韧性架构，已成为智能体稳定运行的生命保障。 ────────────────────────────────────────────────────────────────────┘三、实战1：推理链结构化追踪引擎让Agent的每一次思考都成为可检索 四、实战2：自适应熔断与语义自愈引擎让Agent具备“带伤运行”和“自我修复”的生物级韧性。 五、生产铁律：Agent可观测性五大底线推理记录必须发生时持久化：LLM非决定性决定事后无法还原，中间态不入存储等于不存在。 推理追踪赋予透明性，语义度量赋予掌控力，自适应自愈赋予韧性——三者构成的“可观测性三角”，正是Agent从原型走向生产的工程基石。
43610编辑于 2026-08-14AI 运维云平台深度实践：构建可观测、可预测、可自愈的云原生系统
AI 运维云平台深度实践：构建可观测、可预测、可自愈的云原生系统引言：云原生复杂度的“最后一公里”2026 年，Kubernetes 已成为操作系统级的设施，但随之而来的微服务爆炸、Serverless 执行可回滚：自动化操作必须打上 Annotation 标签，支持一键全局回滚。二、技术深潜一：多维异常检测 —— 告别静态阈值传统 CPU > 80% 规则在业务波动的场景下毫无意义。 2. `check_deployment` 查看最近 10 分钟是否有配置变更。3. 若以上均无异常，建议抓取线程栈。 我们利用大模型做 语义化标签补全：对于未打 team 标签的 EC2/ACK Pod，通过其挂载的 Volume、镜像名（如 docker-registry/backend/payment:v2）调用 2. 大模型幻觉导致错误变更AI 曾建议在生产环境“关闭 THP（透明大页）”提升性能，但未考虑特定内核版本的 Bug。
46411编辑于 2026-08-08- 来自专栏EMQ 物联网
易操作、可观测、可扩展，EMQX如何简化物联网应用开发
配置热更新根据是否可在运行时修改，EMQX 5.0 的配置可以分成可热更新/不可热更新两种配置。 可热更新配置都可以通过 HTTP API 修改成功后立即生效，同时保证配置修改在集群间同步更新。 可观测性强大的日志功能日志为系统排错、优化性能提供可靠信息来源。EMQX 在日志数据过载或日志写入过慢时，默认启动过载保护机制，最大限度保证正常业务不被日志影响。 QoS 2 EMQX 收到客户端的 PUBCOMP 包。影响慢订阅的因素发布者到 EMQX 网络较慢（暂不能探测，功能规划中）。 如前文提到，可操作性与可观测性的提升将使 EMQX 集群的运维工作变得更加轻松与高效，扩展性的增强则为用户定制更加符合自身需求的 EMQX 提供了便利。
1.4K00编辑于 2022-10-10 - 来自专栏Rainbond开源「容器云平台」
eBPF Cilium实战(2) - 底层网络可观测性
在之前的平台中，对于组件之间的网络流向不具备直接的可观测性，用户组件间通信出现问题，只能通过传统命令行工具进行手动排查，而 cilium 的 Hubble 服务可以提供 UI 界面向用户展示实时的流量状态 ，同时可以将这些指标暴露给 Prometheus 进行聚合整理，让用户可以更直观的对底层网络状态进行观测监控。 开启 Hubble UI 服务 cilium 的网络可观测性由 Hubble 服务提供，在安装 cilium 时，默认不会安装 Hubble ，可以通过以下命令开启 Hubble 服务 helm upgrade
1.4K30编辑于 2022-04-11 - 来自专栏大数据文摘
用航拍和地面观测数据，DeepMind AI可完成在陌生区域导航
接下来，他们着手进行一个转移学习任务，该任务通过观测航空视图目标区域获得数据并进行适应性训练，最后使用地面视图观察转移到目标区域。 ? 覆盖两侧2-5公里区域的全景图间隔约10米，AI导航每次可进行以下五种动作中的一种：向前移动，向左转22.5度，向右转22.5度，向左转67.5度，向右转67.5度。
77720发布于 2019-07-02 2026年，MySQL到SelectDB同步为何更关注实时、可观测与可校验？
、可校验”。 2. 三个核心要求实时实时并不是把同步频率调高一点，而是要求链路具备持续追增量的能力。NineData 数据复制基于数据库日志采集与监听能力，支持跨同构、异构数据源的变更数据实时复制。 可观测很多同步链路更需要关注的，不是任务失败本身，而是失败之前是否能被发现。 可校验同步过去，不等于结果就一定可信。 可观测，决定问题能不能及时被发现。可校验，决定结果能不能被业务信任。
21110编辑于 2026-03-31- 来自专栏重归混沌
谈谈观测
随着这几年我对 eBPF、Prometheus 等工具的深入了解，我才逐渐意识到“可观测性”这个词背后蕴含的意义。 这也正是“可观测性”弥足珍贵的原因之一：当系统出问题时，我们可以通过系统本身提供的可观测能力，去追踪和理解到底发生了什么。 不得不佩服 Linux 的设计者们，/proc 文件系统的设计在多年以前就已体现出极强的可观测性理念。 我并不想讲怎么样实现可观测性，毕竟我不是专家。 但我想谈谈观测给了我们一个什么样的视角。 按默认 GC 策略，GC 会等到内存分配到 297.5 * 2 = 595MB 时才会启动下一轮 GC，这个计算远远高于我的观查到的数据。 但我并不这么认为——不管业务逻辑怎么写，在 GC 系统的视角下，它的行为是稳定的，它始终以内存分配量的 2 倍作为标记对象的阈值。
14310编辑于 2026-03-25 - 来自专栏初代庄主
观测 CPU
背景 通常在分析性能问题时，我们会用 `top , sar , perf` 来观测 CPU 的使用情况；多数据情况下是观测别人的程序。 如果从熟悉工具的角度来看，观测自己的程序，根据观测到的结果再结合程序源代码，对于我们掌握性能分析工具会更有帮助。 for(;;) { // 不断的查询父进程的 pid ，这个会占用 sys 空间 getppid(); } } ---- sar 看 cpu 的使用率 要观测所有 0.00 99.40 平均时间: 1 0.20 0.00 0.00 0.00 0.00 99.80 平均时间: 2 /testing-cpps/build/hello001 root 22861 22837 0 17:06 pts/1 00:00:00 grep --color=auto hell 2、
68040编辑于 2022-05-17 - 来自专栏深度学习与python
作业帮服务观测之基础观测能力
同样重要的是，你可以创建可重用的提示，将它们跨模型、任务和领域泛化。 让我们看下以下四种具体的提示模式。 Explain Photosynthesis to your students in 1-2 sentences. (dream control, social media origin, AI-driven future). 2. 图 2：检索增强生成 在构建 AI 系统时，在以下情况下，你应该考虑使用 RAG： 模型需要超出模型训练截止日期的最新信息。 系统依赖于特定领域中专有的或经常更新的数据。 同样，你必须做出明智的系统优化选择，无论是将流量从不必要的强大模型重定向，缓存可预测的响应，实时批处理查询，还是开发更小的专用模型。
33110编辑于 2025-06-08 给大模型调用补上可观测性：用 OpenTelemetry 建立可审计的模型网关
Span可以携带属性和事件：属性适合模型名、状态码、重试次数等可筛选字段；事件适合记录“开始重试”之类的离散动作；异常则应通过标准异常记录机制写入。 span.set_attribute(target,value)span.set_attribute("app.upstream_duration_ms",round((time.monotonic()-started)*1000,2) 第三步：部署Collector应用直接连接每一种观测后端会增加配置和迁移成本。 总结大模型可观测性的核心不是展示更多图表，而是建立可回答工程问题的数据结构：用Trace串联入口和上游调用，用Span区分业务阶段，用Metric观察总体趋势，用统一错误分类支撑告警。 这样即使后续更换模型提供方或观测后端，业务代码仍能保留一致、可审计的调用链。
19400编辑于 2026-09-15- 来自专栏新技术
可观测性之Log4j2优雅日志打印
架构说明定位Log4j 2 旨在用作审计日志记录，被设计为可靠、快速和可扩展，易于理解和使用的框架。简单的来说Log4j2就是一个日志框架，用来管理日志的。 无侵入性： 通过扩展机制自动加载，无需与代码完全耦合，代码中可以使用SLF4J门面插件架构： 插件化配置， 自动识别插件并在配置引用它们，极高的可扩展性属性配置支持： 可以在配置中引用属性，Log4j 可以看到Log4j2 核心的机制中考虑到了高性能，可扩展，可配置等需求，有效的解决着我们使用日志的痛点，那接下来就来从整体来了解下Log4j2。 --可滚动归档文件的日志追加器，这里配置的是Error级别的日志可以打印到error.log文件中 同时根据日期（天）和大小（最大250MB)进行文件归档--> <RollingFile 在日志打印格式中设置获取链路追踪id的获取方式%X{TraceId} ，然后在Java代码中将链路追踪Id放入日志诊断上下文MDC中即可如代码： MDC.put("TraceId", "123456");总结日志也是我们最常用的观测系统健康状况的方式
2.6K30编辑于 2023-01-06 Agent 上下文预算工程：从 Token 失控到可观测、可降级的调用链
下面是一个与供应商无关的配置示例：展开代码语言：YAMLAI代码解释agent:max_context_tokens:12000max_output_tokens:1200max_tool_calls:8max_retries:2max_cost_cents 2.是否应该把所有工具结果都缓存？不应一概而论。静态文档和短期内不变的配置适合缓存；订单状态、库存和权限信息可能快速变化，缓存必须带有明确的过期策略或版本标识。缓存命中也要计入可观测指标。
25910编辑于 2026-08-072025企业可观测产品选型实战指南：可观测是什么？可观测平台怎么选？
2）腾讯云可观测平台（TCOP）核心定位腾讯云原生一体化可观测平台，深度绑定腾讯云生态，聚焦云原生全链路观测场景，主打“云资源联动+轻量化部署”。 2）按核心需求优先级选型业务可观测+智能闭环：嘉为蓝鲸（业务关联深、AI能力全）；云原生全链路观测：腾讯云TCOP（开源生态兼容、轻量化部署）；网络性能精准监控：SolarWindsNPM（多厂商设备适配 中小企业可优先解决核心痛点：若为腾讯云用户，可选腾讯云TCOP（SaaS模式，按用量付费）；若需基础全栈观测，可先用开源工具搭建基础能力，再逐步升级至嘉为蓝鲸等企业级平台。 Q2：嘉为蓝鲸相比腾讯云TCOP，核心优势在哪些场景体现？ A：嘉为蓝鲸的核心优势集中在“复杂架构适配+业务深度关联+国产化合规”：混合架构场景：可同时兼容国产软硬件与多云环境，腾讯云TCOP聚焦腾讯云生态；业务可观测场景：嘉为蓝鲸可直接关联业务交易与IT故障，
69610编辑于 2025-11-19蓝鲸观测平台：统一观测数据关联模型探索
前 言本文为蓝鲸观测平台数据模块负责人 在 蓝鲸智云 和 DeepFlow 社区 合办的第六场 eBPF 零侵扰可观测性 Meetup 上的演讲，原来题为根因定位关键：统一观测数据关联模型探索概 述根因分析高度依赖可关联的观测数据 第三个是可扩展性，也是我刚刚一直在提到的一个点，拿 IPv6 来举例，就是一个主机之前是 IPv4，要扩展它 IPv6，这是一个很大的工作量。 现在这个场景就是一次简单的变更，一个 Pod 的变更，可以注意到这里是一个 Query API Service 的重启，它的 Pod 就已经不再是原先那个 Pod，它原来叫 Pod1，现在因为重启之后变成了 Pod2， 整个体系的各个组件均具备可插拔性，整体以蓝鲸企业版的形式开源对外。 可扩展性：资源模型能够适应未来的变化和扩展需求。时间序列关联资源和其关联关系是随时间变化的。为了准确地进行历史回溯和故障分析，需要将时间序列引入关联模型，构建一个具备时序性的图模型。
1.3K10编辑于 2024-09-27- 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——全球JRCGSW1_2GlobalSurfaceWater数据集的观测数据
:00:00 - 2020-01-01T00:00:00 Dataset Provider EC JRC / Google Collection Snippet ee.Image("JRC/GSW1_2/ (epoch1-epoch2)/(epoch1+epoch2) * 100 -100 100 % seasonality Number of months water is present. 0 12 Class Table: transition Value Color Color Value Description 0 #ffffff No change 1 #0000ff Permanent 2 (doi:10.1038/nature20584) 代码： var dataset = ee.Image('JRC/GSW1_2/GlobalSurfaceWater'); var visualization
44610编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——全球JRCGSW1_2MonthlyHistory数据集的观测数据
2020-01-01T00:00:00 Dataset Provider EC JRC / Google Collection Snippet ee.ImageCollection("JRC/GSW1_2/ Water detection for the month. water Bitmask Bits 0-1: Water detection 0: No data1: Not water2: Water Bits 0-1: Water detection 0: No data 1: Not water 2: Water Name Type Description month (doi:10.1038/nature20584) 代码： var dataset = ee.ImageCollection('JRC/GSW1_2/MonthlyHistory'); var visualization
46100编辑于 2024-05-24 GEO 可观测性：外贸 B2B 如何评估 AI 搜索表现
更合理的方式，是把AI搜索表现拆成一组可持续监测的信号。例如：品牌是否被提及。企业能力是否被准确描述。产品类别是否被正确关联。重点客户问题下是否出现企业。AI是否引用或复述了企业官网中的内容。 二、外贸B2B的GEO评估，不能只看流量外贸B2B和消费品不同。客户决策周期长，询盘链路长，成交影响因素多。 AI系统在生成答案时，也需要可检索的信息源。如果官网和内容长期无法被发现，GEO的可见性很难持续提升。因此，SEO不是GEO的对立面，而是GEO的底层支撑之一。 对外贸B2B企业来说，AI搜索时代的增长，不只是内容生产问题，也是可观测性问题。 GEO可观测性，正是连接这两种能力的起点。
35221编辑于 2026-06-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号