DoltgreSQL:版本控制的PostgreSQL数据库
项目介绍
DoltgreSQL(又名Doltgres)是Dolt的一个PostgreSQL风格版本,目前处于预阿尔法发布阶段。它旨在将类似于Git的日志、差异、分支和合并功能带到你的PostgreSQL数据库模式和数据中。不同于使用MySQL客户端和MySQL SQL,用户可以利用PostgreSQL客户端与Doltgres交互,并使用PostgreSQL SQL。此项目从Dolt——世界上首个版本控制的SQL数据库发展而来,特别针对想要在数据库层面实现版本控制的需求。
快速启动
安装与设置
首先,下载DoltgreSQL的最新版本。确保你的系统已安装PostgreSQL 15或更高版本。如果你使用的是macOS并且通过Homebrew安装PostgreSQL,可能需要手动添加路径:
export PATH="/opt/homebrew/opt/postgresql@15/bin:$PATH"
然后,运行Doltgres初始化数据库环境:
doltgres
这会在默认目录~/doltgres/databases创建一个名为doltgres的数据库及用户。你可以通过指定--data-dir或调整DOLTGRES_DATA_DIR环境变量来改变存储位置。
连接与基本操作
打开一个新的终端并连接到刚创建的数据库:
psql -h localhost -U doltgres
接下来,在Doltgres中创建示例数据库和表:
create database getting_started;
\c getting_started;
create table employees (id int8, last_name text, first_name text, primary key(id));
create table teams (id int8, team_name text, primary key(id));
create table employees_teams(team_id int8, employee_id int8, primary key(team_id, employee_id), foreign key(team_id) references teams(id), foreign key(employee_id) references employees(id));
进行初次提交以体验版本控制特性:
select * from dolt_status;
call dolt_add('teams', 'employees', 'employees_teams');
call dolt_commit('-m', 'Initial schema created');
select * from dolt_log;
应用案例与最佳实践
虽然Doltgres尚处于实验性阶段,但它适用于那些希望对PostgreSQL数据库进行版本控制的场景。一个典型的使用案例是在团队间协作开发数据库结构和初始数据时,保证数据变更的可追溯性和一致性。最佳实践包括频繁地提交数据库变化,使用清晰的提交信息记录每一次更改的目的,以及定期备份数据。
典型生态项目
由于Doltgres本身就是一个特殊的数据库解决方案,其生态系统围绕版本控制的数据库管理展开。尽管目前没有详细列出具体的“典型生态项目”,但它的存在扩展了数据库管理工具的边界,鼓励开发者探索如何结合其他DevOps工具链,比如CI/CD流程中的数据库版本自动化管理。随着项目成熟,可能会出现更多集成案例,如与GitLab CI/CD或Jenkins的自动化部署结合,或者与数据仓库迁移工具的协同使用,提升数据治理的质量和效率。
请注意,上述信息基于提供的链接资料编撰,实际使用时应参考最新的项目文档和社区更新。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00