ClickHouse Cloud vs. Snowflake: What drives the real-time performance-per-dollar gap

Budgets, Quotas, and Monitors: The Cost Controls I Map Before Agents Go Wider

Budgets, Quotas, and Monitors: The Cost Controls I Map Before Agents Go Wider Running Snowflake in the Agent Era, Part 3 of 4. The cost_center tag from Part 1 finally earns its keep, and I learn …

Dive Apps: Superpowers for AI Builders

MotherDuck is launching Dive Apps: fully custom data apps that can write-back anywhere. Build them with your agent and they run on the MotherDuck data warehouse. Use Dive Apps to replace SaaS apps, automate your operations, or bring humans into the loop to steer your agents.

Introducing the (blazing fast!) native TCP client for .NET

ClickHouse vừa giới thiệu native TCP client cho .NET giúp tăng tốc độ đọc và insert dữ liệu với số lần phân bổ bộ nhớ ít hơn. API cột (columnar APIs) và hỗ trợ POCO giúp xử lý dữ liệu hiệu quả hơn so với HTTP truyền thống. Client mới này giảm đáng kể chi phí CPU và bộ nhớ nhờ loại bỏ các lớp trung gian không cần thiết. Nếu bạn đang làm việc với ClickHouse trên .NET, việc chuyển sang native TCP client sẽ mang lại hiệu suất vượt trội, đặc biệt với các operation đọc/ghi hàng loạt.

Client TCP native của ClickHouse cho .NET mang lại hiệu suất vượt trội với API cột và hỗ trợ POCO giúp tối ưu hóa hiệu năng ứng dụng của bạn.

The Agentic Analytics Benchmark: ranking tables and labeling failures with Jev

Jev đánh giá xếp hạng các bảng warehouse và gắn nhãn lỗi agentic trong dưới một giây, thể hiện hiệu suất vượt trội. Tuy nhiên, khi thêm retrieval hints, độ chính xác không cải thiện đáng kể trên 20 mô hình được thử nghiệm trong Agentic Analytics Benchmark. Hiệu suất xử lý nhanh chóng này cho thấy tiềm năng lớn cho việc giám sát hệ thống data warehouse quy mô lớn. Bài viết cung cấp benchmark toàn diện để đánh giá hiệu suất agentic analytics, với con số cụ thể về thời gian xử lý và số lượng mô hình. Kết quả nghiên cứu hữu ích cho các developer đang xây dựng hệ thống agentic cần cân bằng giữa tốc độ xử lý và độ chính xác.

Bài viết cung cấp phương pháp đánh giá hiệu suất hệ thống phân tích dữ liệu tự động với độ chính xác cao.

Memory safety for Postgres extensions in C/C++

ClickHouse phải giải quyết vấn đề memory safety khi viết extension cho Postgres bằng C/C++, do hai ngôn ngữ này không có bảo vệ tự động. Họ xử lý bằng cách thiết lập ranh giới rõ ràng giữa C và C++ code, cùng với việc sử dụng isolated helper processes. Giải pháp này giúp ngăn chặn buffer overflow và memory leak, đặc biệt quan trọng khi xử lý dữ liệu lớn. Lập trình viên nên đọc bài để hiểu cách ClickHouse quản lý memory giữa các ngôn ngữ khác nhau và áp dụng pattern này vào các dự án của mình.

Bài viết này giải quyết các thách thức về an toàn bộ nhớ khi kết hợp C và C++ cho Postgres extensions, từ ranh giới ngôn ngữ sạch sẽ đến các tiến trình trợ lý được cách ly.

How Finance Cut Forecasting to Hours With AI

Snowflake's sales finance team đã giảm thời lượng forecasting hàng tháng từ hơn một tuần xuống chỉ còn vài giờ nhờ áp dụng công nghệ AI. Họ triển khai AI forecasting model trên nền tảng Snowflake để xử lý lượng dữ liệu lớn với tốc độ cao hơn đáng kể. Dự báo trước đây cần đến 7 ngày làm việc của 3 nhân viên giờ đây chỉ mất khoảng 3 giờ với cùng một đội. Công nghệ này cho phép phân tích dữ liệu bán hàng và thị trường theo thời gian thực, giúp đưa ra quyết định kinh doanh nhanh hơn đáng kể. Nhóm đã đạt được độ chính xác dự báo tăng 20% nhờ kết hợp giữa AI và kinh nghiệm chuyên môn của đội ngũ.

Bài viết này sẽ cho bạn thấy cách AI rút ngắn đáng kể thời gian dự báo tài chính, giúp các lập trình viên áp dụng công nghệ tương tự vào dự án của mình.

Operational Ontology on Snowflake: From Meaning to Action

Snowflake đang triển khai một kiến trúc Operational Ontology giúp các AI agent có thể lý luận về trạng thái vận hành, mô phỏng quyết định và thực thi các hành động được quản lý. Giải pháp này tận dụng sức mạnh của Snowflake Data Cloud để kết nối dữ liệu có ý nghĩa với hành động thực tế trong môi trường doanh nghiệp. Kiến trúc này sử dụng ontology để mã hóa kiến thức nghiệp vụ cho phép hệ thống hiểu được mối quan hệ giữa các khái niệm và thực thể. Quan trọng nhất, nó cho phép AI agent verify kết quả trong thế giới thực bằng cách so sánh giữa dự đoán và thực tế hoạt động, giúp giảm thiểu rủi ro khi triển khai AI vào quy trình nghiệp vụ.

Bài viết này giúp lập trình viên hiểu cách triển khai kiến trúc operational ontology trên Snowflake để phát triển AI agent có khả năng ra quyết định và hành động được quản lý.

How Shipsidekick replaced Neon with ClickHouse Managed Postgres for 10x faster queries and better reliability

Shipsidekick đối mặt với vấn đề hiệu suất khi Neon khiến CPU luôn ở mức 100%. Sau khi đánh giá, họ quyết định chuyển sang ClickHouse Managed Postgres trong vòng một cuối tuần. Sự thay đổi này giúp giảm CPU usage chỉ còn 5-10% và tăng tốc độ query khoảng 10 lần. Bài viết cho thấy việc lựa chọn đúng database có thể tạo ra sự khác biệt lớn về hiệu suất và độ ổn định.

Bài viết cho thấy cách chuyển đổi database đơn giản có thể tăng hiệu suất gấp 10 lần và giảm đáng kể sử dụng CPU.