SonnetDB:5.0 公开交付与近期能力更新
SonnetDB 是一个以 C/.NET 10 实现的单节点多模型数据引擎,提供时序、关系表、KV、JSON 文档、全文、向量、对象、SonnetMQ 与原生属性图等模型。最近一轮更新围绕三个实际问题展开:数据如何更可靠地保存,检索如何给出完整且有边界的结果,以及应用如何在资源受
原创、版本新闻与工程实践,共 239 篇。
SonnetDB 是一个以 C/.NET 10 实现的单节点多模型数据引擎,提供时序、关系表、KV、JSON 文档、全文、向量、对象、SonnetMQ 与原生属性图等模型。最近一轮更新围绕三个实际问题展开:数据如何更可靠地保存,检索如何给出完整且有边界的结果,以及应用如何在资源受
Cordonix 是 IoTSharp 旗下的本地执行与工作区契约项目,简称 cdx。它把程序、参数、工作目录、文件路径、文本编码和预期哈希拆成明确字段,让 AI 智能体可以直接调用本地程序、读取和编辑文件,同时保留可验证的结果边界。
SonnetDB 的视图、物化视图和 SQL 例程解决的是三类不同问题:视图保存查询定义,物化视图保存最近一次成功刷新的结果,例程把受限的 SQL 语句组织成一次有边界的调用。本文按当前 SQL 参考说明这些入口的操作方式、依赖保护、权限和失败边界;它是本地重建稿,不能替代已发布
SonnetDB 同时在关系表和 measurement 查询中提供窗口能力,但两条执行路径的分区、排序和可接受语法并不相同;本文用可核查的 SQL 分别演示关系 OVER 与时序 series 窗口,解释结果,并列出不能跨模型套用的边界。 AI 主题示意图,并非实测截图。 先确
SonnetDB 支持用普通 CTE 组织查询、用一个受限的递归 CTE 遍历关系表,并组合 UNION、INTERSECT 与 EXCEPT;本文给出可检查的 SQL 形状和结果解释,同时明确这些上限是查询准入与语义边界,不是进程 CLR 堆峰值或生产容量承诺。 AI 主题示意
SonnetDB 的 Graph Workbench 为原生属性图提供有界的巡检、导入导出、受限编辑和两阶段维护入口;本文用当前源码中的 Graph Beta 合同说明怎样把一次运维操作做成可回读的步骤,而不是把画布、快速检查或知识图谱示例误称为生产图数据库验收。 AI 主题示意
SonnetDB 的 Graph Beta 提供有界加权最短路径与可恢复离线图算法;本文说明如何选择 Dijkstra、A 或双向 Dijkstra,怎样设置预算并只在完整结果版本发布后消费 degree、PageRank 和 community 输出。 AI 主题示意图,并非实
SonnetDB 的原生属性图目前是 Graph Beta;本文介绍如何用 SQL/PGQ GRAPH_TABLE 与嵌入式受限 GQL 风格查询一跳或有界路径,并用 EXPLAIN 检查实际访问路径、预算和拒绝边界。 AI 主题示意图,并非实测截图。 本文按本地源码提交 dbc
SonnetDB 的 SonnetMQ 同时有数据库资源树中的 database + topic 逻辑身份,以及实例级 .system/mq 持久化边界;本文用这两个作用域组织权限、快照和恢复检查清单,避免把单库备份误写成整个消息实例的恢复方案。 AI 主题示意图,并非实测截图。
SonnetDB 的中文全文检索提供默认词库和可自定义的 Core 分词 API。本文演示如何合并文本词库、编译 .dat、核对分词结果,并区分“程序创建了自定义 tokenizer”与“数据库全文索引已经使用该词库”这两个步骤。
SonnetDB 提供文档导入 CLI、可校验的迁移 checkpoint 和集合 Change Feed。本文用两条设备档案演示如何先检查输入,再分批导入和续跑,并说明为什么这些能力不能直接等同于 MongoDB 协议兼容、在线复制或业务自动切流。
SonnetDB 的 Document Store 可以为 JSON 路径建立复合、Multikey、Wildcard 和 TTL 索引,并用 Validator 约束写入。本文从一个设备档案集合出发,说明怎样声明规则、查看实际查询路径、检查索引一致性,以及安排有明确边界的重建维
SonnetDB 的 Document Store 支持局部更新、原子 findOneAndUpdate 和单集合 Mixed Bulk。本文用设备档案说明怎样修改指定字段、读取更新后的文档,并通过版本和 requestId 区分并发冲突、幂等重放与尚未确认的提交结果。
SonnetDB 的 Document Store 可以通过 .NET Builder 组合 JSON Path 条件、投影和排序,再用 continuation token 分页读取 JSON 文档。本文从设备档案查询出发,说明如何得到可核对的结果,以及 token 无效、过期
SonnetDB 提供基于持久 KV 的 .NET 缓存适配器,应用可以通过 IDistributedCache 或 EasyCaching 保存可重建的数据。本文按“连接、命名空间、读写、过期、失效”的顺序说明接入方法,并指出当前实现中显式滑动续期、启动探针和并发操作的边界。
SonnetDB 的 KV 原子操作让设备状态更新在存储端判断存在性或版本,并把读取旧值与替换、删除合为一次操作。本文用 NX/XX、CAS 和交换值处理“两个客户端同时修改同一设备状态”的问题,并说明条件失败与未知提交结果为何必须分开。
SonnetDB 的持久 KV 可以在数据库目录内保存设备状态,并用逻辑 Namespace、UTC 到期时间和前缀扫描组织读取。本文从“保存某站点的设备在线状态”这一任务出发,说明字节值的编码、空值与缺失、TTL 的解释以及重开验证方法。
SonnetDB 的关系表轻事务可以把同一数据库内多张关系表的写入一起提交,ROWVERSION 则帮助应用识别“读取以后数据已经被别人修改”的情况。本文从两个操作者编辑同一任务出发,给出版本条件写入、事务回滚和未知提交结果的处理步骤。
SonnetDB 的关系表支持条件 UPSERT 和 RETURNING,可以把“找到冲突行、判断是否更新、取得写入后的值”放进一条语句。本文用设备状态表说明如何处理更新、跳过和返回结果,并区分语句返回值与事务最终提交。
通过独立小库理解关系外连接、NULL、同名列和 measurement-to-relation INNER JOIN 的真实边界。
用独立小库核对关系表的默认值、精确十进制、TIME、约束和受支持的 ALTER 操作。
区分 SQL 结果预算、扫描成本与预检采样,解释排序、LIMIT、取消和首行物化的支持边界。
用可核查小数据解释 TAG 与时间桶分组、稀疏 COUNT 和 Int64 SUM,明确 M45 首批切片与阻塞聚合边界。
用列额度、类型冲突和内部块预检设计接入流程,区分已确认的校验失败与未知远程写入结果。
用同一份设备 schema 检查稀疏值、原始名称和 Point 摄取的一致性,避免把缺值与关系表约束混为一谈。
数据库性能文章需要让读者找到数字的来源,并判断它是否适用于自己的部署。SonnetDB 的嵌入式引擎、Server/HTTP、客户端和固定目标硬件是不同路径;吞吐、延迟、内存和恢复结果都应带上版本、提交、配置、语料及原始样本。
SonnetDB 的管理体验正在收敛为“一套核心、三个宿主、三个发布物”。Web Admin 承载多模型管理和治理,Studio 包装同一 Web 核心并提供本地文件、连接库与托管 Server,VS Code 面向开发者的远程查询、schema 和结果查看。这篇文章关注如何判断
仓库已有语义图片检索数据流文章,但其旧稿尚未取得博客园账号侧确认,不在这里假定它已发布。本篇讨论发布前容易被忽略的证据边界:对象版本、模型 profile、过滤条件、恢复行为和真实质量必须分别核验,不能把“样例能跑”写成生产承诺。SonnetDB 的路径是:图片保存在 Objec
SonnetDB 的 AI 接入由三部分组成:Provider-neutral 的 Copilot、持久 RAG/向量检索,以及 typed MCP HTTP 工具。它们可以组合使用,但不应混写成“AI 自动拥有数据库写权限”。当前 MCP 入口是 /mcp/{database}
SonnetMQ 是 SonnetDB 中的持久消息模型。它与 measurement 一样属于数据库的逻辑资源树,但物理日志位于实例级 .system/mq。理解这两个作用域,是设计备份和恢复流程的前提。
除了 measurement,SonnetDB 还提供持久化 KV 和 JSON 文档模型。两者都适合保存应用状态,但使用方式和一致性合同不同:KV 关注单 key 原子操作、TTL 和前缀访问;文档模型关注 JSON path、索引、局部更新和 Change Feed。
数据库项目经常在表名、measurement 名称和列名上遇到大小写不一致。SonnetDB 现在把这件事写成统一的 SQL 名称绑定合同:创建时保存原始拼写;未加引号的名称按 OrdinalIgnoreCase 解析;双引号名称按 Ordinal 精确解析。
SonnetDB 早期文章主要围绕时序数据展开。现在的产品边界已经扩大:同一个数据库目录可以承载九种原生模型,并通过 SQL、HTTP、CLI、SDK 和管理工具访问。本文先给出当前能力地图,再说明哪些能力已经有入口、哪些仍然属于局部合同或 Beta,避免把规划内容误写成已发布保
从开发者视角梳理 SonnetDB 最近补齐的多模型能力,并用 C# 串起向量检索、全文搜索、对象桶和队列事件分析的典型入口。
通过嵌入式 API 演示 VECTOR 字段、向量字面量、knn(...) 表值函数和 cosine/L2/inner product 距离度量。
介绍 SonnetDB VECTOR 字段上的索引声明方式,并给出 HNSW、IVF、IVF-PQ、Vamana 四类索引的建表示例。
用 C# 演示 JSON 文档集合上的全文索引、unicode/cjk/jieba 分词器、match(...) 查询和 bm25_score() 排序。
演示 hybrid_search(...) 在文档集合上的 C# 用法,把 match 相关性、JSON embedding 向量距离和业务过滤合并成一个查询。
演示以 measurement VECTOR 做 KNN 召回,再通过设备 tag 关联知识文档、全文索引和关系维表过滤。
介绍 SonnetDB S3-compatible bucket API 和 SndbObjectStorageClient,在 C# 中管理固件、附件、工件和备份对象。
用 C# 演示 SonnetDB 对象桶的 multipart upload、presigned URL、对象版本、生命周期执行和审计记录。
说明 SonnetDB 当前不是 Kafka/RabbitMQ 替代品,但可以用时序、文档和 SSE 能力分析消息队列运行状态。
从 IoTSharp 数据底座视角说明 SonnetDB 如何承接遥测、维表、对象桶、全文和向量增强,并给出 C# 配置与访问示例。
介绍 DotVector 的嵌入式模式、服务端模式、索引能力、持久化边界和 AI 场景价值。
介绍 Git repository configuration provider 的平台支持、动态刷新、版本控制和微服务配置场景。
拆解 IoTEdge 的本地管理、配置同步、离线缓存、南向协议和上传链路。
介绍 IoTEmBASIC 的定位、分层结构,以及它适合承担哪些设备侧业务逻辑。
介绍 IoTSharp 在工业物联网平台中的角色,以及它与时序数据库之间的边界。
拆解设备接入、规则链、时序存储、查询分析和 AI Copilot 如何组成工业数据平台。
介绍 LVGLSharp 的 WinForms 兼容层、运行时包、NativeAOT 和嵌入式 UI 价值。
介绍 MQTTnet.AspNetCore.Routing 如何把 ASP.NET Core 的控制器和依赖注入范式带到 MQTT 服务端。
介绍 OmniHost 的适配器、JS Bridge、Hosting 集成和多窗口桌面应用模型。
介绍 SilkierQuartz 的来源、能力、适用场景和在后台任务系统中的位置。
这次 SonnetDB Workbench 的升级,表面上是“多了几个下拉框”,实际上是把时序数据的“看懂”这件事往前推进了一大步。
介绍 SonnetDB 在工业时序数据、嵌入式部署、SQL 查询和 AI Copilot 场景中的定位。
PureBasic 的特点是语法直接、编译产物小、跨平台能力强,常用于桌面工具、自动化程序和一些轻量系统工具。SonnetDB PureBasic 连接器选择了最朴素的实现方式:一个 .pbi include 文件,运行时动态加载 SonnetDB.Native,然后通过函数指针调用 C ABI。
Visual Basic 6 已经是很古老的技术栈,但在工业现场、设备配置工具、产线看板和长期维护的 Windows 桌面系统里,它仍然真实存在。SonnetDB VB6 连接器的目标不是把 VB6 变成现代平台,而是给这些存量系统一条可控的嵌入式时序数据接入路径。
Rust 用户通常关心两件事:边界是否清楚,资源释放是否可靠。SonnetDB Rust 连接器围绕这两点设计:底层手写 FFI 对齐 connectors/c/include/sonnetdb.h,上层提供 Connection 和 ResultSet 两个安全封装类型。
Go 生态天然适合写边缘采集器、网关服务和轻量数据管道。SonnetDB Go 连接器的目标很直接:让 Go 程序可以在进程内打开 SonnetDB 数据目录,用 SQL 写入和查询时序数据,同时保留 Go 开发者熟悉的 database/sql 使用方式。
最近的 codec 优化从一个问题开始:ValuePayloadCodecV2、TimestampCodec 和 BlockDecoder 是否应该通过 source generator、静态泛型或手写 fast path 做专用化?
性能优化不只发生在存储和查询执行器里。Catalog、schema、tag index、lexer 和 analyzer 配置同样会影响长期维护成本。
SonnetDB 的窗口函数越来越多:movingaverage、ewma、holtwinters、runningsum、runningmin、runningmax,以及 PID、异常检测等高级函数。功能丰富之后,执行器的分配模型就变得重要。
MemTable 是写入进入落盘 segment 之前的第一站。它既要承接高并发 append,也要服务查询和 flush 判断。最近的优化主要解决三个问题:统计热路径、字符串字段估算、读写并发。
时序数据库的查询性能并不只取决于压缩算法。很多时候,真正影响延迟的是那些每次查询都会做的小动作:构建字典、扫描 block、过滤 tombstone、解码相同 payload。最近的 QueryEngine 和 SegmentReader 优化,就是把这些动作尽量变成“一次构建,多次复用”。
最近一次存储层升级的核心目标很朴素:当系统崩溃、断电或文件尾部损坏时,SonnetDB 应该能更快诊断问题,并尽量在不误读坏数据的前提下恢复可用状态。Segment v6 正是围绕这个目标设计的。
Java 生态是 SonnetDB 多语言支持战略中的重要一环。我们推出的 Java 连接器在提供简洁公共 API 的同时,设计了一套独特的双后端架构——底层自动适配 Java 8 的 JNI 和 Java 21 的 Foreign Function & Memory API(FFM,即 Panam。
SonnetDB 从设计之初就定位为嵌入式优先的时序数据库。为了让 C/C++ 生态能够直接嵌入 SonnetDB 引擎,我们推出了全新的 C 连接器——一套最小化的 C ABI,仅包含 17 个函数和一个头文件,让任何支持 C FFI 的语言都能无缝接入。
在 SQL 的日常使用中,表别名(Table Alias)和列修饰符(NULL / NOT NULL / DEFAULT)是两项看似基础却极为实用的语法特性。表别名让你可以用简短的代称引用数据表,列修饰符则为数据模型提供了更丰富的约束表达能力。本次更新为 SonnetDB 带来了单表别名与限定列名的。
排序是 SQL 查询中最基础也最常用的子句之一。对于时序数据库而言,时间排序更是一个高频需求——查看最新的数据点、按时间降序排列事件日志、获取最早或最晚的 N 条记录。本次更新为 SonnetDB 带来了 ORDER BY 支持,填补了 SQL 语法体系中一块重要的拼图。
SonnetDB 的 SQL 引擎在设计之初就遵循 SQL 标准,但随着实际应用的深入,我们发现一些在主流数据库中被广泛使用的"非标准写法"同样需要支持。这些写法虽然不属于严格的 SQL 标准,但却是 ORM 框架、数据库探活工具和 AI Copilot 生成代码中的常见模式。本次更新对两类典型场景。
时序数据库经常面对一个现实问题:数据源比数据库 schema 变化得更快。
向量计算让 SonnetDB 可以把语义检索、相似工况检索和 Copilot 知识库召回放在同一个时序数据库里。向量基准单独评估精确扫描、HNSW ANN 查询和 Recall@10。
PID 是 SonnetDB 面向工业控制场景的特色函数族。与传统数据库只存储过程变量不同,SonnetDB 可以直接在 SQL 中执行控制律回测、时间桶控制输出和阶跃响应自动整定。
地理空间数据是工业 IoT、车联网、物流冷链和户外设备监控中的高频需求。SonnetDB 已内置 GEOPOINT、空间谓词、轨迹聚合和段内 geohash 剪枝,因此地理空间基准单独成篇。
聚合查询决定了时序数据库能否支撑仪表盘、报表和规则引擎。SonnetDB 的聚合基准以 100 万点全量数据为输入,按 60,000 ms 窗口生成约 16,667 个时间桶,并对每个桶计算常见统计指标。
范围查询是时序数据库最常见的读取路径。SonnetDB 的查询基准关注“按 tag + 时间窗口”取回最近 10% 数据时,各数据库从索引定位、数据扫描、结果物化到客户端消费的整体耗时。
SonnetDB 的写入基准分为两组:进程内嵌入式基准与服务端 HTTP 基准。嵌入式路径关注引擎本体的 WAL、MemTable、Flush 与 Segment 写入效率;服务端路径关注协议解析、认证、HTTP/Kestrel 与批量端点带来的额外开销。
某工业 SaaS 创业公司为中小制造企业提供"设备数据分析"服务。目标客户是没有专业数据工程师的中小工厂,他们有传感器数据,但不会写 SQL,更不懂机器学习。公司希望构建一个"让普通工厂员工也能用自然语言分析数据"的 SaaS 平台,核心能力是将用户的自然语言问题自动转换为正确的 SonnetDB。
某大型化工集团旗下工厂运行着数百台泵机、压缩机、风机等旋转设备。这些设备一旦故障停机,轻则造成数十万元的生产损失,重则引发安全事故。传统做法是定期停机检修(预防性维护),但往往"修好"的设备还能用很久,而"等待检修"的设备已经在跑故障。集团希望建立预测性维护体系:在设备真正故障前 1-2 周发出预警。
某现代农业企业在华南地区运营 120 座智能温室大棚,种植高附加值的草莓、番茄、辣椒等经济作物。每座大棚面积约 2000 平方米,部署了温度、湿度、CO₂、光照、土壤水分等传感器,以及自动灌溉、遮阳、通风等执行机构。企业希望通过数据驱动的精准农业,将水肥利用率提升 30%,同时减少人工巡检成本。
某云服务商运营着 3 个数据中心,共 8000 台物理服务器,每台服务器运行 10-50 个虚拟机或容器。运维团队面临的核心挑战是:如何在不过度采购硬件的前提下,保证服务 SLA,同时提前预警容量瓶颈,避免"突然爆满"导致的服务降级。
某省会城市交通管理局在主城区 1200 个路口部署了视频检测设备,每个路口每分钟统计一次各方向的车流量、平均车速、排队长度。交管局希望基于这些数据实现:实时拥堵感知、信号灯配时优化、节假日出行预测,以及事故快速响应。
某医药冷链物流公司承运疫苗、血液制品、生物药品等对温度极度敏感的货物。国家药监局规定,疫苗运输全程须保持 2-8°C,超出范围的货物必须追溯记录并可能需要销毁处置。公司每天运营约 3000 辆冷藏车,每辆车有 3-5 个温度传感器,还需要监控冷库、中转站的温湿度数据。
某科技园区拥有 28 栋办公楼、总建筑面积 42 万平方米,每年电费支出超过 3000 万元。暖通空调(HVAC)是最大的耗能系统,占总用电量的 55%。园区管理方希望通过精细化的数据分析,识别能耗浪费点,将整体能耗强度(单位面积年耗电量)降低 15% 以上,同时维持人员的舒适度。
某新能源集团运营着分布在华北、西北的 12 座光伏电站,总装机容量 800MW。每座电站包含数千块光伏板,每块组串配有逆变器,实时采集电压、电流、功率、温度等指标。集团的核心诉求是:在不派人巡检的情况下,能够及时发现"躺平组串"(发电量异常低的组串),减少因遮挡、热斑、老化导致的电量损失。
某汽车零部件厂商在新建焊接总装线时,需要对产线上 200+ 台焊机、机械臂、传送带的运行数据进行实时采集、分析和控制反馈。传统方案是 PLC + 上位机组态软件,但数据孤岛严重,无法做跨机器的关联分析,且参数调整依赖现场工程师经验。
某工业 IoT 平台服务商需要为其 SaaS 产品提供设备数据存储与分析能力。平台接入设备涵盖工厂传感器、楼宇控制器、园区摄像头等多种类型,峰值接入设备数超过 100 万台,每台设备每分钟上报 5-10 个指标。
SonnetDB 自诞生以来,已经从一个概念验证项目成长为一个功能完善的时序数据库,拥有 MIT 许可证、活跃的社区和不断扩展的用户基础。站在 v0.6.0 的里程碑上,我们迫切需要分享未来的技术路线图,以及社区参与贡献的途径。
为提升开发者体验,SonnetDB 团队正在开发 Visual Studio Code 扩展,将数据库管理能力直接嵌入到开发者的日常编辑环境中。本文将预览扩展的核心功能:连接树、SQL 编辑器和查询结果视图,带您一窥即将发布的开发者工具。
随着大语言模型(LLM)在开发工具中的广泛应用,数据库与 AI 助手的深度集成成为新的技术趋势。SonnetDB 率先实现了对 Model Context Protocol(MCP) 的原生支持,使 AI 助手能够直接与数据库交互,执行查询、分析数据和生成报告,将自然语言驱动的数据库管理从概念变为现。
时序数据具有明显的时间衰减特性——新数据价值高,历史数据价值逐渐降低。长期积累的历史数据不仅占用大量存储空间,还会拖慢查询性能。SonnetDB 内置了完善的数据保留(Retention)机制,通过 RetentionWorker、自动 Tombstone 和 过期段清理 三个层次实现自动化数据生命。
随着数据的持续写入,SonnetDB 会不断产生新的数据段文件。如果不加管理,过多的段文件会导致查询性能下降和存储空间的碎片化。SonnetDB 采用基于大小分层(Size-Tiered)的 Compaction 策略,通过精心设计的规划器(Planner)和合并器(Merger)来自动优化段文件布。
严谨的基准测试是性能声明的基石。SonnetDB 团队基于 BenchmarkDotNet 构建了一套可复现的测试体系,覆盖写入、查询、聚合、Compaction 等全链路,并统一接入 SQLite、InfluxDB、TDengine 进行横向对比。
聚合查询是时序数据分析的核心操作。SonnetDB 通过跨桶融合(Cross-Bucket Fusion)和 MemTable 增量聚合两项创新技术,将基础聚合查询从全量扫描优化到近乎零成本的预计算读取。
范围查询是时序数据库最基础的访问模式。SonnetDB 在 100,000 行级别的范围查询中实现了仅 6.71 ms 的延迟。本文深入解析支撑这一性能的段跳跃(Segment Skipping)和 block metadata 快速路径技术。
时序数据库选型需综合评估多维度指标。本文基于统一的 BenchmarkDotNet 框架,在同机环境下对比 SonnetDB、SQLite、InfluxDB 2.7 和 TDengine 3.3.4.3 的写入、查询、聚合和资源消耗表现。
时序数据库的写入性能是衡量系统能力的核心指标。在 PR #49 的全量基准测试中,SonnetDB 在标准硬件上实现了 545 ms 写入 100 万时序数据点、等效吞吐量 1.83 M pts/s 的成果。本文拆解这一数字背后的技术栈。
SonnetDB 提供多种生产部署方式,覆盖 Docker 容器化、操作系统原生安装包(MSI/DEB/RPM)以及环境变量配置,满足从单机到生产集群的不同运维需求。
SonnetDB 原生支持 InfluxDB Line Protocol(行协议)格式,这是时序数据生态中最广泛使用的文本序列化格式。通过兼容该协议,SonnetDB 可以无缝对接 Telegraf、Prometheus remote write 以及各类 IoT 设备的数据上报,实现零改造的数据接。
在时序数据库中,数据写入的持久性(Durability)和写入延迟(Latency)之间存在着经典的权衡关系。SonnetDB 通过 ?flush 参数提供了三种刷新模式——同步刷盘(true)、非刷盘(false)和异步刷盘(async)——让开发者可以根据业务需求在数据安全和写入性能之间灵活选择。
SonnetDB 支持多种数据摄入格式,每种格式在可读性、传输效率和解析性能上各有优劣。选择合适的写入格式对于系统性能和开发效率至关重要。本文将从多个维度对比 Line Protocol、JSON 和 SQL VALUES 三种主流格式。
SonnetDB 提供了完整的 RESTful HTTP API,分为数据面(Data-Plane)、控制面(Control-Plane)、MCP 接口和可观测性四大类。本文将逐一介绍各端点及其用法,帮助您通过 HTTP 协议与 SonnetDB 交互。
SonnetDB 的 sndb 命令行工具是日常管理和数据操作的核心入口。除了基本的数据库操作外,CLI 还提供了强大的配置文件管理、交互式 REPL 环境和跨平台支持。本文将深入介绍这些高级用法,帮助您充分发挥 CLI 的威力。
SonnetDB 内置了 50 多种标量和聚合函数,但在实际业务场景中,您通常需要特定领域的计算逻辑。为此,SonnetDB 提供了完整的用户自定义函数(UDF)框架,支持注册标量函数、聚合函数、窗口函数和表值函数四类扩展,全部通过 C# 代码实现。
在时序数据的应用场景中,批量写入是最常见也最关键的操作之一。无论是 IoT 设备每秒上报的海量传感器数据,还是金融交易系统产生的高频行情记录,批量数据的高效摄入能力直接决定了系统的整体吞吐量。SonnetDB 通过 ADO.NET 驱动的 CommandType.TableDirect 模式,为开发。
当 SonnetDB 以独立服务模式部署时,ADO.NET 驱动同样支持远程连接。通过 sonnetdb+http:// 协议格式的连接字符串,配合 Token 认证机制,开发者可以像操作本地数据库一样远程访问 SonnetDB 服务端实例,实现分布式场景下的时序数据管理。
SonnetDB 为 .NET 生态提供了原生的 ADO.NET 驱动支持,这意味着您可以使用标准的 System.Data 抽象层来操作时序数据库。通过 SndbConnection、SndbCommand 和 SndbDataReader 三个核心类,开发者可以像操作传统关系数据库一样,在嵌入式。
SonnetDB 首先是一个 .NET 10 时序数据库引擎,其次才是一个网络服务。这意味着您可以在自己的 C# 应用程序中直接引用 SonnetDB,以嵌入式模式运行——无需独立部署服务进程,无需 HTTP 调用,所有操作在进程内完成。
CopilotDock 是 SonnetDB Web 管理界面中的 AI 助手面板,以浮动气泡形式存在于页面右下角。它不是一个简单的聊天窗口,而是一个深度感知页面上下文、具备权限管理能力、支持 50 条会话历史的智能工作台。
SonnetDB Copilot 支持真正意义上的多轮对话——Agent 维护完整的对话历史,并能在 SQL 执行失败时自动修复,最多重试 3 次。
SonnetDB Copilot 的核心竞争力之一是其可插拔的技能库系统。每个技能是一个带 YAML frontmatter 的 Markdown 文件,存放在 copilot/skills/ 目录中。系统内置 24 个技能,以下重点介绍 6 个核心技能。
SonnetDB Copilot 的知识库系统是一条完整的 ETL 管道:从扫描源文件到向量检索,全程自动化,零人工干预。
SonnetDB Copilot 采用 OpenAI 兼容协议,这意味着所有兼容 OpenAI API 格式的服务商都可以无缝接入。系统通过 AiOptions 配置类统一管理,Web 管理界面支持可视化配置。
SonnetDB Copilot 是一个深度集成在时序数据库中的 AI 智能体系统。它并非简单的"套壳 ChatGPT",而是一套完整的 RAG(检索增强生成)+ ReAct(推理行动)架构,包含四大核心组件:
单一的时序分析方法往往难以全面刻画数据的特征。预测告诉你未来的趋势,异常检测告诉你当前是否有异常值,变化点分析告诉你系统的状态是否发生了根本性的转变。将三者组合起来,可以构建出强大的数据分析工作流。本文将展示如何在 SonnetDB 中通过 SQL 将 forecast()、异常检测和 change。
时间序列数据往往会在某个时间点发生结构性变化——设备从正常运行状态退化到故障状态,用户行为因产品改版而转变,经济指标因政策调整而改道。检测这些变化发生的时刻,对于故障诊断、归因分析和决策制定具有重要意义。SonnetDB 提供了 changepoint() 函数,用于检测时间序列中的结构断点,帮助用。
在工业运维和业务监控场景中,异常检测不仅仅是离线分析的任务,更重要的是能够实时地发现和处理异常。SonnetDB 结合窗口函数和流式数据处理能力,为构建实时的异常检测告警流水线提供了完整的 SQL 级解决方案。本文将介绍如何利用 SonnetDB 的窗口函数实现滚动窗口上的异常检测,并搭建端到端的监。
异常值是数据分析中不可忽视的问题——一个异常的温度读数可能预示着设备故障,一个异常的交易金额可能意味着欺诈行为。SonnetDB 提供了多种统计方法用于异常检测,其中最常用的三种是 Z-Score、MAD(中位数绝对偏差)和 IQR(四分位距法)。本文将从原理、优缺点和适用场景三个维度对比这三种方法。
时序预测是数据分析和决策支持中的核心需求。无论是预测服务器负载、商品销量,还是工业设备的能耗趋势,准确的预测都能为资源配置和业务规划提供有力的依据。SonnetDB 内置的 forecast() 函数支持线性和 Holt-Winters 两种预测方法,并提供了灵活的 horizon 参数和季节性配置。
PID 控制器的三个参数 Kp、Ki、Kd 各自扮演着不同的角色,理解它们对系统响应的影响是进行有效调参的基础。本文将以通俗易懂的方式,解释每个参数的物理意义,提供实用的整定规则,并介绍如何利用 SonnetDB 进行高效的调参实践。
在工业自动化领域,PLC(可编程逻辑控制器)长期以来一直扮演着 PID 控制的主力角色。然而,随着工业 IoT 和工业 4.0 的推进,传统 PLC 的局限性日益显现。SonnetDB 将 PID 控制功能以 SQL 函数的形式集成到时序数据库中,为工业控制带来了全新的思路。本文将从多个维度对比传统。
在前一篇文章中,我们介绍了 pidestimate() 三种整定方法的理论基础。本文将继续深入实战层面,讲解如何通过阶跃响应分析获取系统特征参数,以及如何解读调参结果 JSON 中的各项指标,帮助工程师在实际项目中更好地应用 SonnetDB 的 PID 功能。
PID 控制器的性能很大程度上取决于 Kp、Ki、Kd 三个参数的设置。手工调参往往耗时耗力,尤其是对于缺乏控制理论背景的开发者而言。SonnetDB 的 pidestimate() 函数提供了三种经典的参数整定方法——IMC(内部模型控制)、Ziegler-Nichols 和 Cohen-Coon。
在工业控制场景中,并非所有 PID 计算都需要逐点输出。很多时候,工程师更关心的是在一个时间窗口内的整体控制效果——例如,过去 5 分钟的平均控制输出是多少?最大超调量是多少?SonnetDB 的 pid() 聚合函数正是为这种场景而设计,它允许用户通过 GROUP BY time 对时间窗口内的数。
PID(比例-积分-微分)控制器是工业自动化领域最经典、应用最广泛的控制算法。从温度控制到电机调速,从压力调节到流量管理,PID 控制器无处不在。SonnetDB 突破了传统数据库的功能边界,将 PID 控制算法以 SQL 函数的形式引入时序数据库,使得开发者可以直接在数据存储层完成控制逻辑的计算。
轨迹数据分析不仅仅停留在查看单个坐标点的层面,更重要的是从整体上理解移动模式。SonnetDB 提供了一套丰富的轨迹聚合函数,包括 trajectorylength()、trajectorycentroid()、trajectorybbox()、trajectoryspeedmax()、trajec。
在地理空间数据分析中,移动物体的瞬时速度计算是一个常见且重要的需求。无论是车辆轨迹分析、物流配送监控,还是运动健身追踪,从离散的经纬度坐标点序列中准确估算速度,都是许多应用的核心功能。SonnetDB 提供的 geospeed(position, time) 函数正是为此而生,它能够根据相邻地理坐标。
对于从 PostGIS 迁移到 SonnetDB 的用户,兼容性是最关心的问题之一。SonnetDB 提供了 ST 系列兼容函数映射,让熟悉 PostGIS 的开发者可以沿用已有的 SQL 经验。
在 GIS 应用中,最常见的两种空间过滤方式是圆形半径过滤和矩形范围过滤。SonnetDB 分别通过 geowithin() 和 geobbox() 两个函数实现,两者均可利用 GeoHash 索引加速。
在地理空间分析中,距离和方向是两个最基本的度量。SonnetDB 提供了 geodistance() 和 geobearing() 两个标量函数,分别基于 Haversine 公式和大圆方位角算法实现。
GEOPOINT 类型将纬度和经度打包为一个复合值。当需要在查询中单独使用纬度或经度时,SonnetDB 提供了 lat() 和 lon() 两个提取函数,从 GEOPOINT 值中解析出坐标分量。
SonnetDB 从早期版本即原生支持地理空间数据类型。GEOPOINT 是一种专为经纬度坐标设计的紧凑类型,让开发者可以在时序数据库中直接存储和查询地理位置信息。
pgvector 是 PostgreSQL 生态中最流行的向量扩展。SonnetDB 在设计上充分考虑 pgvector 用户的迁移体验,在运算符层面做了完整兼容。本文将详细介绍两者差异以及迁移要点。
Recall@10 是衡量 ANN 搜索质量的核心指标。本文介绍在 SonnetDB 中如何进行 Recall@10 基准测试,并分析 HNSW 参数对召回率的具体影响。
选择正确的距离度量是向量搜索成功的关键。SonnetDB 内置三种距离度量,通过 KnnMetric 枚举统一管理。本文将深入分析它们的数学定义、适用场景和选择策略。
向量相似性搜索中,精度和延迟往往是一对矛盾。SonnetDB 同时支持暴力精确搜索和 HNSW 近似搜索,让开发者可以根据场景灵活选择。本文将通过真实数据对比分析两者的权衡关系。
SonnetDB 为 VECTOR 类型字段内置了 HNSW(Hierarchical Navigable Small World)图索引,将大规模向量搜索的延迟从秒级降至毫秒级。本文将深入其架构设计,解析 m 与 ef 参数对性能的影响,以及 .SDBVIDX 侧边文件的存储格式。
在生产级向量搜索应用中,单纯的向量相似性往往不够——用户通常还需要结合业务标签过滤和时间范围约束来精确控制搜索结果。SonnetDB 的 knn() 表值函数天然支持 WHERE 子句中的标签过滤和时间范围过滤,实现了"语义相似度 + 业务条件 + 时间窗口"的三维联合查询。
随着 AI 应用的普及,向量检索已成为现代数据库的核心能力之一。SonnetDB 从 v0.6.0 版本开始内置了 KNN(K-Nearest Neighbors)向量搜索功能,通过 knn() 表值函数提供了简洁而强大的向量相似性搜索接口。
在高吞吐的时序数据写入场景中,单条 INSERT 的性能往往无法满足需求。SonnetDB 提供了丰富的批处理写入能力,帮助用户充分利用硬件性能。本文将深入介绍多行批量写入、批量优化技巧和刷新策略配置。
SonnetDB 的窗口函数不仅各自独立强大,更能组合成完整的监控分析管道。本文通过一个生产级示例,展示如何串联多个窗口函数构建"数据采集 → 速率计算 → 平滑去噪 → 异常检测 → 告警触发"的全链路。
在 IoT 和运维监控场景中,设备状态的变化和持续时间是最核心的分析维度之一。SonnetDB 提供了 statechanges() 和 stateduration() 两个窗口函数,专门用于分析离散状态或枚举型字段的变化模式。
现实世界中的时序数据往往不完整——网络抖动导致采集点丢失、传感器故障产生空值、数据源暂未就绪造成缺口。SonnetDB 提供了三种缺失值处理函数,帮助用户在不同场景下合理填充数据缺口。
在时序数据分析中,识别和分离趋势成分是预测和异常检测的基础。SonnetDB 提供了 holtwinters(field, alpha, beta) 窗口函数,实现了 Holt 加法双指数平滑,能够从数据中同时提取水平(level)和趋势(trend)两个分量。
原始时序数据往往包含随机噪声,直接使用会干扰趋势判断和异常检测。SonnetDB 提供了 movingaverage() 和 ewma() 两种平滑函数,帮助用户从杂乱的数据中提取稳定的信号。
在许多时序分析场景中,我们不仅关心瞬时值,更关心值的累计效果。SonnetDB 提供了 cumulativesum() 和 integral() 两个窗口函数,分别用于计算运行总和与梯形法积分面积。
在时序数据监控场景中,原始计数器值往往本身并不直观——我们真正关心的是变化速率。SonnetDB 提供了四组差分类窗口函数,帮助用户从原始数据中提取有意义的趋势信息。
在时间序列监控领域,计数器(counter)是最常见的指标类型之一——总请求数、累计字节数、CPU 时间片等。但计数器有一个典型问题:当系统重启或计数器溢出时,数值会重置归零,导致简单的差值计算出现大幅负值。SonnetDB 的 increase() 函数专门解决这个问题,它只取正的变化量,忽略重置。
在时间序列分析中,数据点之间的变化往往比绝对值本身更有意义。传感器读数的跳变、股票价格的涨跌、计数器数值的增减——SonnetDB 提供了 difference() 和 delta() 两个窗口函数来捕捉这种行与行之间的变化。
在实际生产环境中,一个时间窗口内往往需要同时计算多种聚合指标——平均值、最大值、百分位数、计数等。SonnetDB 的 GROUP BY time() 支持在同一查询中组合任意多个聚合函数,并且可以配合 FILTER 子句对每个桶内的数据进行条件过滤,实现高度灵活的高级分析。
在时间序列查询中,最常见的需求之一就是将连续的时间点按固定宽度的时间窗口进行分组聚合。SonnetDB 的 GROUP BY time(duration) 语法提供了简洁高效的时间分桶能力,支持多种时间单位,让你可以轻松实现从毫秒到年的时间维度聚合。
随着 AI 嵌入(embedding)向量的广泛应用,时间序列数据库中存储向量数据已经成为常态。SonnetDB 提供了 centroid(embedding) 聚合函数,用于计算一组向量的逐维度平均值——即这些向量的几何中心(centroid)。这个函数对聚类分析、原型向量提取和向量质量监控等场景。
数据分布分析是时间序列工作负载中的关键环节。当你想了解响应时间的分布是否呈长尾、CPU 使用率集中在哪个区间、或者延迟的 99 分位落在哪里时,histogram(field, n) 函数可以直接在数据库内完成等宽分桶,避免将原始数据全量拉到客户端。
在大规模时间序列数据分析中,精确计算唯一值的数量(基数)是一个非常常见的需求——比如统计某段时间内有多少独立用户访问了系统、有多少不同的设备上报了数据、或者有多少个唯一的 IP 地址产生了日志。传统方案使用 COUNT(DISTINCT expr) 在数据量巨大时,内存和计算开销都非常高。Sonne。
在时序数据分析中,仅仅知道平均值远远不够。分位数(Percentile)能够揭示数据的分布特征,帮助我们理解"绝大多数数据落在什么范围内"。SonnetDB 使用 T-Digest 算法实现高效的分位数计算,支持 p50、p90、p95、p99 等常用分位数。
在基础聚合函数之外,SonnetDB 还提供了一组统计聚合函数,用于衡量数据的离散程度和分布特征。这些函数基于 Welford 在线算法实现,能够在单次数据扫描中高效计算出多个统计指标。
聚合函数是时序数据分析的核心工具。SonnetDB 提供了七种基础聚合函数,覆盖了最常用的统计分析需求。无论你是计算平均值、汇总总量,还是追踪极值,这些函数都能帮助你快速从海量时序数据中提取有价值的信息。
在时序数据库的日常使用中,有一些查询模式会反复出现。本文将汇总 10 个最常用的时序查询场景,每个场景提供一个可直接运行的 SQL 模板,方便你在需要时快速参考。
SonnetDB 在提供完整的标量向量函数的同时,还兼容了 pgvector 的运算符语法。这意味着如果你之前使用过 PostgreSQL 的 pgvector 扩展,可以几乎无缝地将查询迁移到 SonnetDB,只需修改表名和列名即可。
向量检索是 SonnetDB 的核心功能之一,而向量距离度量是向量检索的基础。SonnetDB 提供了四种标量向量函数,让你可以在普通的 SELECT 查询中直接计算向量之间的距离和范数,无需借助外部计算工具。
在数据库设计中,列名和表名通常使用字母和下划线的组合。然而在实际业务中,我们有时需要使用包含特殊字符、空格或保留字的标识符。SonnetDB 支持使用双引号(")引用标识符,让你可以突破常规命名限制。
良好的注释习惯能够显著提升 SQL 脚本的可读性和可维护性。SonnetDB 兼容了四种不同的注释风格,覆盖了从 SQL 标准到编程语言的常见习惯,让你可以在 SQL 脚本中使用自己最熟悉的方式添加注释。
时序数据的特点之一是"写多删少",但数据清理仍然是必不可少的操作。SonnetDB 的 DELETE 语句采用 Tombstone(墓碑)机制而非直接物理删除,这一设计在保证写入性能的同时,也提供了数据恢复的可能性。
在使用任何数据库时,了解当前有哪些表、表结构是怎样的,是最基本的操作。SonnetDB 提供了一系列 SHOW 和 DESCRIBE 命令来查询元数据,帮助你快速了解数据库的 Schema 信息。
时序数据通常带有多个维度的标签(Tag)和时间戳,查询时往往需要组合多个条件才能精确定位目标数据。SonnetDB 的 WHERE 子句支持通过 AND 连接多个约束条件,实现 Tag 过滤、时间范围过滤和 Field 条件过滤的任意组合。
在处理大量时序数据时,分页查询是必不可少的工具。SonnetDB 同时支持两种分页语法风格:传统的 LIMIT ... OFFSET 和 SQL 标准 OFFSET ... FETCH,让你可以根据习惯自由选择。
在时序数据分析中,单一标量函数往往不足以表达复杂的业务逻辑。SonnetDB 支持函数嵌套调用,允许你将多个标量函数组合成复合表达式,从而在查询中直接完成多步计算,无需在应用层做二次处理。
标量函数是 SQL 查询中处理单个数据值的基本工具。SonnetDB 内置了丰富的数学和数据处理标量函数,让你在查询时就能完成数据清洗、转换和格式化。本文介绍五个最常用的标量函数。
在时序数据分析中,原始数据往往需要经过计算才能产生有意义的指标。SonnetDB 支持在 SELECT 投影列中使用完整的算术表达式,包括四则运算、一元运算和括号组合,让你在查询时就完成数据变换。
查询数据是时序数据库最核心的操作。SonnetDB 的 SELECT 语句兼容标准 SQL,同时针对时序场景提供了专门的优化。本文将介绍最基本的 SELECT 查询操作。
向量嵌入是机器学习和 AI 应用的核心数据形式。SonnetDB 原生支持 VECTOR(n) 数据类型,并通过方括号字面量语法 [v0, v1, ...] 让向量的写入和查询变得直观易用。
随着物联网和移动设备的普及,地理空间数据已成为时序数据库中的重要组成部分。SonnetDB 内置 GEOPOINT 数据类型,配合 POINT(lat, lon) 字面量语法,让空间数据的写入和查询变得简单直观。
数据写入是时序数据库中最基础也最频繁的操作。SonnetDB 支持标准 SQL INSERT INTO 语法,并提供针对时序场景的语义增强。本文将介绍 INSERT 的各种用法和注意事项。
在时序数据库中,向量数据的使用越来越广泛——从嵌入向量相似度搜索到异常检测,向量检索已经是现代分析场景的核心需求。SonnetDB 提供了 HNSW(Hierarchical Navigable Small World)图索引来加速向量搜索,让海量向量中的近似最近邻查找变得飞快。
在 SonnetDB 中,创建数据表的语句是 CREATE MEASUREMENT。这与传统关系数据库的 CREATE TABLE 类似,但专门针对时序数据的特点进行了优化。本文将详细介绍 CREATE MEASUREMENT 的语法和使用方法,并通过多个实例帮助您快速上手。
在微服务和 API 驱动的应用架构中,传统的用户名+密码认证方式已不再是最佳选择。SonnetDB 提供了基于 Token 的无状态认证机制,通过 ISSUE TOKEN 和 REVOKE TOKEN 两条核心 SQL 语句,实现了安全、灵活且易于管理的 API 访问控制。本文将详细介绍这套机制的使。
数据库安全是企业级应用的核心关切。SonnetDB 提供了一套基于角色的访问控制(RBAC)体系,支持多用户管理、细粒度的权限分配和灵活的角色定义。本文将详细介绍 SonnetDB 的安全模型和操作方法。
理解数据库在磁盘上的文件组织方式,对于性能调优、数据备份和故障恢复都至关重要。SonnetDB 采用了一套精心设计的文件格式体系,在保证读写性能的同时,兼顾了数据管理的便捷性。本文将详细介绍 SonnetDB 的文件目录结构和各文件的作用。
正确理解数据模型是高效使用任何数据库的基础。SonnetDB 的数据模型专为时序数据优化,引入了 Measurement、Tag、Field、Time 和 Series 等核心概念。本文将逐一介绍这些概念,并通过实际例子帮助您更好地理解它们的含义和使用方式。
当您首次通过浏览器访问 SonnetDB 管理界面时,系统会自动引导您进入首次设置向导(First Setup Wizard)。这个向导会帮助您完成管理员账户创建和安全令牌配置等关键步骤。本文将详细介绍整个设置过程。
SonnetDB 提供了功能完备的命令行工具 sndb,它可以帮助您在不打开浏览器的情况下完成数据库管理任务。sndb 以 .NET 全局工具的形式发布,安装和使用都非常便捷。本文将详细介绍其安装过程和常用操作。
在选型时序数据库时,性能是最关键的考量因素之一。但"性能"是一个多维度的概念,包括写入吞吐量、查询响应时间、资源消耗等。本文将通过基准测试数据,对比 SonnetDB 与 InfluxDB、TDengine、SQLite 在典型场景下的表现,并补充一组 SonnetDB Server 与 Apach。
理解一个数据库的内部架构,是高效使用和深度定制的前提。SonnetDB 虽然上手简单,但其内部实现了一套精妙的存储与查询引擎。本文将深入剖析 SonnetDB 的核心架构,包括写入路径、查询路径和数据压缩(Compaction)机制。
对于希望在 SonnetDB 基础上进行二次开发、贡献代码或深入了解内部机制的开发者,从源码编译是最佳选择。本文将详细介绍如何在本地环境中搭建 SonnetDB 的编译和开发环境。
如果您想快速体验 SonnetDB 的功能而不想处理编译和配置的细节,Docker 无疑是最便捷的途径。本文将引导您在 5 分钟内完成 SonnetDB 的 Docker 部署,并访问其管理界面。
在时序数据库领域,开发者面临着众多选择:InfluxDB、TDengine、TimescaleDB、SQLite 等各有所长。SonnetDB 作为后来者,凭借其独特的技术设计和清晰的工程哲学,开辟了属于自己的赛道。本文将从五个核心维度,深入分析为什么 SonnetDB 值得您认真考虑。
在物联网与工业互联网快速发展的今天,时序数据的存储与分析已成为各行业数字化转型的核心需求。从工厂车间的设备传感器到智慧城市的交通流量监控,从能源行业的电网调度到金融领域的交易日志分析,海量且持续产生的时间序列数据需要一种专门优化的数据库来承接。SonnetDB 正是在这一背景下诞生的开源时序数据库。
SonnetDB 的全文维护可以沿着“看分词、解释命中、审批重建、核对终态”逐步排查。本文把 FullText 工作台已有的 Analyze 和审批重建,与 HTTP 接口提供的评分解释、重建状态串成一条可复核的流程。
SonnetDB 提供 Measurement 和 Document 两类向量主数据入口,并通过 VectorData adapter 接入 .NET 的向量存储抽象。本文从数据身份、查询方式和模型兼容检查出发,说明三种入口如何选择,并给出可以逐步核对的 SQL 和生命周期预检示
SonnetDB 的文档 SQL 向量检索和图片语义检索都能带过滤条件,但它们使用不同的执行路径。本文用一个三文档样例和一份图片查询请求,说明怎样核对过滤顺序、精确回退、查询解释与预算失败,避免把图片服务的 filtered ANN 能力套到通用 SQL 上。
SonnetDB 同时提供 SQL hybrid_search 和 Core 的 RAG 融合接口。本文从两路候选的最小 C 示例开始,说明加权分数与倒数排名融合的差别,再连接持久 generation、权限过滤和重排边界,让读者能解释一次排名来自哪里。
SonnetDB 的 Object Bucket API 把对象内容、版本、Metadata、标签、区间读取和短期签名 URL 放在同一套客户端合同里。本文用一个小型 media bucket 旅程说明这些入口怎样组合,以及嵌入式与远程模式有哪些不同。
SonnetDB 的对象列表接口使用 Prefix、可选 Delimiter 和不透明 Continuation Token 做有界遍历。本文从第一页到下一页写出一条可复核的 C 读取流程,再说明对象在翻页期间新增或删除时,调用方怎样检查重复与缺失。
SonnetDB 的对象传输管理器把普通 PUT、Multipart 分片、恢复清单和下载校验组合成一条可观察的文件传输流程。本文用一个 media/photo.bin 示例说明何时切换 Multipart、哪些分片可以安全重试,以及为什么 CompleteMultipartUp
SonnetDB 的 Object Bucket 治理把容量配额、对象保留窗口、版本级 Legal Hold、生命周期执行和审计记录放在同一条对象存储合同中。本文以 media bucket 为例,说明如何先读状态、再配置规则、最后用结果和审计记录确认删除边界。
SonnetDB 的 SonnetMQ 提供了可追踪的 NACK、死信 Topic、消费者组 offset 重置和有限 message-id 去重合同,帮助运维人员处理毒消息、回放起点和重复发布风险,同时明确 retention 会改变可回放边界。
认识 Sezika 的产品定位、非自回归计算方式,以及它在业务系统中的职责。
如何把业务问题组织成 Choice、Score 和 Boolean,并正确解释它们的输出。
理解 tokenizer、编码器、候选标记与决策头如何共同完成有限候选判断。
介绍 Sezika 如何区分构建期与运行时,以及纯 C# GPU 计算与 Native AOT 的关系。
从算子、数据搬运和验证方法理解 Sezika 的 CUDA 路径,正确看待 GPU 利用率与吞吐。
介绍预训练编码器、决策训练、流式语料、断点恢复和独立评测之间的关系。
区分模型分布与真实正确率,为模糊判断、未知输入和运行失败设计清楚的处理方式。
从客服、告警和材料检查场景出发,介绍模型资产、请求预算、人工复核与部署评测。
2022年2月14日情人节, 我们发布了第一版文档, 在这里特别感谢王海东先生(535915157@qq.com), 推荐了博客平台, 也实现了第一个教程。
经组委会讨论决定,2022 年度 OSC 中国开源项目评选「最具极客精神奖」获奖者是开源项目 IoTSharp 创始人 麦壳饼。
通过注入 dwm.exe 解锁 Aero 玻璃与深层模糊效果,需要管理员权限。
Lumina.App 的安装、托盘操作、效果预设、节能模式与崩溃报告说明。
BlendColor、BlurRadius、Opacity 的取值范围、格式说明与使用示例。
WinForms、Win32 与无边框窗口的 Lumina SDK 集成示例。
Lumina 首个公开版本,覆盖 Phase 1–5 的完整功能。
Describes how Forms, Core, Drawing, Interop, Native, Runtime, and tooling layers are organized in the project.
Reviews the Linux host options and how the runtime evolves from desktop to device-side environments.
Explains why NativeAOT is a strategic fit for the LVGLSharp runtime and packaging model.
Explains why the project combines a WinForms-style API with the LVGL rendering stack.
If you are bringing demos up on Linux X11, this write-up walks you through how we handled display selection, font styling, glyph callbacks, and the fallback path that made capture stable.
A formal summary of how LVGLSharp evolved from v9.3.0.5 on March 17, 2026 to the current documented 9.5 baseline, across runtimes, demos, validation, docs, and release engineering.
Records what v9.5.0.2 actually delivered across Headless, MacOs, Remote, the docs site, and the dependency changes made on top of the LVGL 9.5 baseline.
A first-person update on the VncView path, remote runtime cleanup, Windows publishing fix, and the documentation case built around it.
结合 T113-S3 上的 Buildroot 配方,说明它的 lv_conf.h 生成方式,以及和当前 LVGLSharp 仓库编译参数体系的主要差异。
理解 LVGLSharp 如何通过 Forms、Core、Drawing、Interop、Native、Runtime 和工具层组织跨平台 GUI 能力。
说明 LVGLSharp 在 Linux 上为何必须面向多宿主环境演进,而不是把 Linux 视为单一图形平台。
结合当前仓库的 lv_conf.h 与构建脚本,说明 LVGL 编译参数的组织方式、优先级和常见取舍。
理解为什么 GUI 框架也必须认真对待 AOT,以及这如何影响 LVGLSharp 的整体架构。
说明 LVGLSharp 试图保留 WinForms 开发体验,同时把渲染能力迁移到 LVGL 的核心动机。
如果你也在 Linux X11 下带 Demo,这篇记录会直接带你看我们怎么处理显示选择、字体样式、字形位图和稳定回退路径问题。
记录 LVGLSharp 在全志 T113-S3、128MB 内存与 Tina Linux 5.0 环境下完成 .NET 10 非 AOT 部署的真实运行结果。
述自 2026 年 3 月 17 日之 v9.3.0.5 至当前 9.5 文档基线 9.5.0.5,LVGLSharp 在运行时、示例、验证、文档与发布体系上的主要演进。
兹记 v9.5.0.2 发布要旨,述 Headless、MacOs、Remote 路径之设,及 LVGL 9.5 基线下依赖边界与打包关系之整饬。
用第一人称记录这轮 VncView、远程运行时重组、Windows 发布修复与文档补位的结果。
记录 WPF 侧对 LVGL 布局适配的最新进展,包括 Grid `*` 权重分配、StackPanel 流式布局、图片资源加载与启动崩溃修复。
Cordonix 0.6.0 将单文档批量编辑、工具发现裁剪和两阶段更新放进同一条可核验的运行链。本文只覆盖 v0.6.0 正式发行提交和 Release 说明已经确认的行为。
IoTSharp.EntityFrameworkCore.LiteDB 1.1.0 在 EF Core 10 与 LiteDB 5 上加入批量更新、ComplexProperty 嵌套 BSON 和生成值回写,同时明确 provider 与 LiteDB 的边界。
FreeSql 的 SonnetDB Provider 已通过上游 PR #2234 合并。本文核对合并提交、接入范围和仍需独立验收的发布边界。
从 SonnetDB Provider 的连接、实体标记、CodeFirst、CRUD、事务和锁定读开始,说明 FreeSql 关系表与时序 measurement 的使用边界。
介绍 Gitee 上的 MiteDB/libmite:一个以 C99 编写、零服务进程的嵌入式时序数据库,并核对它的存储路径、恢复语义、构建测试与适用边界。
SonnetDB 5.1.1 延续 5.0 的 API、wire 与迁移合同,收口全文进程 probe、CI 分片、原子 Point WAL v2 恢复夹具和 CrashTests ready 握手,并完成公开发行物读回。