几周前我还在 B 站上刷到这个人锐评 TiDB ，看了 5 分钟就发现是个外行胡说八道，在评论区喷了他他都不敢回我。

本地不了一点，考虑过模型常驻内存的成本或者不常驻内存冷启动的延迟吗。更不用说还有个功耗限制。
至于保证隐私的实现路径也很多，最简单的就是云端大模型做任务规划，出一个 NL SDK 之类的让各个 APP 去把自己的 function call 的能力提供给系统，然后端侧小模型去执行就行。

推理吃不满就是 GPU 并行度太低，延迟允许的话，把 batch 加上去看看

试试在每台机器上单独执行而不是远程表。当然原子性和一致性需要你手动保障。

拿 starknet 发的$交了手续费，白嫖到底

大概给 2w+star 项目累计有 30+pr 了

保证了主库 binlog 和 redo 一致不代表可以保证集群的状态一致性，
同步 binlog 最多只能保证最终一致性，强一致性需要分布式事务去支持。

@mayooot 试试 nvidia-smi --query-gpu=index,uuid --format=csv,noheader,nounits
本地开发用 go 的编译 tags 控制下，mock 一个假的返回就行，我比较早一个项目就是这么搞的。

业界普遍用环境变量去做容器化调度 GPU 的，用 device id 就好。

go-nvml 底层使用的 dl_open+cgo 方式去访问 nv 驱动中动态库的 c 接口，你这个报错多半是编译环境里 libc 版本太低了。

如果想要不引入 cgo 来支持 GPU 检测最简单就是在启动脚本执行 nvidia-smi 然后作为命令行或者环境变量参数丢给程序入口就好。

存本地数据库，duckdb 比 sqlite 更适合分析型任务。

“.c 和.h 放在一起，有.h 没有.c”
不是，这有啥问题吗，你叫的出来的 c 语言开源项目 linux nginx redis etc.有几个可以不中枪的

huggingface 上模型好多都能在线 inference 的，而且这个单独拿出来基本没啥用

中小量级（<100k) sq pq 甚至暴搜估计都比 hnsw 快还省一个数量级内存

和上面大部分意见相反，我倒是觉得小的项目可以用大而全框架来快速启动，大型项目应该精心选择贴合架构，性能和可定制性足够好的轮子来组合。

我没用过 GoFrame ，不过多年前和作者在某个写 PHP 的电商网站当过同事加过好友所以对这个项目有所耳闻 ；）

粗略看了下 paper ，请教几个问题
文章中只测试了 4 bits/key 的对比，是否意味着声称的性能提升基本来自于 baseline 在这个设置下 filter 失效带来的性能降级？如果设置为 8 bits/key 或者更高，是否还有论文声称的性能优势？
从内存节省方面，同样 workload 下与 RocksDB 团队提出的 Ribbon filter 相比是否具有优势？

如果是觉得 clone 太慢的话
git clone --depth 1

没有 256bit 以上 SIMD 指令和寄存器，没有硬件层面的 strong memory model

关键字: nl2sql

转[]any/ {}interface 比较特殊，其它类型可以用 reflect.SliceHeader 之类的奇技淫巧
https://github.com/golang/go/wiki/InterfaceSlice