Ihr Edge-Anbieter verwaltet jetzt Ihr Geld: Einblick in die Zahlungskonsolidierung von Cloudflare

Ihre Web site generiert Site visitors aus zwei Gruppen: menschlichen Benutzern und KI-Crawlern. Sie monetarisieren einen. Du ignorierst den anderen. Diese Asymmetrie wird sich bald ändern, und sie signalisiert etwas Größeres darüber, wie Infrastrukturplattformen Geschäftslogik absorbieren.

Cloudflare hat sich stillschweigend positioniert, um beide Einnahmequellen zu erschließen. Die Plattform bietet eine native Stripe-Integration für menschliche Transaktionen über Cloudflare Staff. Außerdem wurde Pay Per Crawl eingeführt, eine Closed-Beta-Funktion, mit der Websitebesitzer KI-Crawlern professional Anfrage Gebühren in Rechnung stellen können, wobei Cloudflare als Service provider of File fungiert. Stack Overflow hat sich mit Cloudflare zusammengetan, um das Modell öffentlich einzuführen. Zusammengenommen zeigen diese Schritte ein Muster: Die Zahlungsabwicklung verlagert sich in den Edge-Bereich. Für SaaS-Entwickler, Herausgeber und Infrastrukturteams birgt diese Konsolidierung sowohl Chancen als auch Risiken.

Was Cloudflare macht

Die Stripe-Integration in Cloudflare Staff ist unkompliziert. Entwickler stellen einen Employee bereit, der eine Stripe Checkout-Sitzung erstellt, Benutzer dorthin umleitet und einen Webhook-Rückruf erhält, wenn die Zahlung abgeschlossen ist. Die Einrichtung des Ablaufs dauert nur wenige Minuten. Im Jahr 2026 startete Cloudflare Stripe Tasks, eine tiefere Integration, die es Plattformen mit angemeldeten Benutzern ermöglicht, Stripe ohne Reibungsverluste für Endbenutzer zu verbinden. Cloudflare bietet Begin-ups, die Stripe Atlas nutzen, außerdem Gutschriften in Höhe von 100.000 US-Greenback an.

Pay Per Crawl funktioniert anders. Websitebesitzer legen einen Preis professional Anfrage fest – der Mindestpreis beträgt 0,01 $. Wenn ein KI-Crawler die Area erreicht, bietet Cloudflare eine von drei Optionen: kostenlosen Zugriff gewähren, eine Gebühr erheben oder vollständig blockieren. Crawler, die Zugriff wünschen, stellen die Zahlungsabsicht über Anforderungsheader dar. Diejenigen ohne Zahlung geben als Antwort 402 „Zahlung erforderlich“ an. Cloudflare erhebt die Gebühr und zahlt sie an den Websitebesitzer aus.

Die Funktion befindet sich derzeit in der geschlossenen Betaphase. Stack Overflow beteiligte sich an der Einführung, weil es direkt auf dem Spiel steht: KI-Schulungsunternehmen kürzen technische Inhalte in großem Maßstab, ohne die Web sites zu entschädigen, die sie erstellt haben. Pay Per Crawl gibt Publishern die Kontrolle zurück. Aber der Closed-Beta-Standing ist wichtig. Dies steht noch nicht jedem zur Verfügung.

Das allgemeinere Muster: Die Zahlungsabwicklung verlagert sich auf die Infrastruktur

Keines der beiden Options ist für sich genommen neu. Stripe Checkout gibt es schon seit Jahren. Cost Gating ist nicht neu. Was bedeutsam ist, ist die Standort dieser Kontrollen: Sie befinden sich in Ihrer Edge-Infrastruktur, nicht in einem separaten Zahlungssystem. Diese Konsolidierung findet in der gesamten Branche statt. Vercel führt Stripe-Integrationen aus. Netlify wickelt Zahlungen ab. Supabase stellt eine direkte Verbindung zu Stripe her.

Die Implikation ist struktureller Natur. Infrastrukturplattformen bestehen nicht mehr nur aus Rechen- und Routingfunktionen. Sie absorbieren die Geschäftsschicht. Das bedeutet:

Für SaaS-Entwickleres beseitigt Reibung. Sie koordinieren nicht mehr zwischen einem separaten Zahlungsabwickler und Ihrer Anwendung. Sie definieren einen Checkout-Ablauf in Staff und die Zahlungsabwicklung erfolgt am Edge. Bei einmaligen Transaktionen, Abonnements und Mitgliedschaften ist dies schneller und einfacher als die herkömmliche Aufteilung zwischen App-Server und Zahlungsanbieter.

Für VerlagePay Per Crawl schließt eine echte Lücke. Die meisten Herausgeber blockieren KI-Crawler vollständig oder lassen ihnen freien Zugriff. Keine der Optionen berücksichtigt den extrahierten Wert. Mit Pay Per Crawl können Verlage genau das berechnen, was sie verlieren: Zugriff auf Trainingsdaten professional Anfrage. Dies ist besonders wertvoll für Nachrichtenorganisationen, technische Verlage und alle Web sites, deren Inhalte LLMs schulen.

Für Infrastrukturteamsder Development bedeutet, dass Ihr Edge-Anbieter jetzt den Umsatz berührt. Das ist eine neue Abhängigkeit. Sie entscheiden sich nicht nur wegen der Zuverlässigkeit und Leistung für Cloudflare. Sie entscheiden sich dafür, weil es die Zahlungsabwicklung direkt mit Ihrer Anwendungslogik verbindet.

Vorteile: Warum dieser Ansatz funktioniert

Durch die Stripe-Integration in Staff entfällt der Betriebsaufwand. Kein separater Webhook-Server. Keine separate Umgebung für den Umgang mit sensiblen Schlüsseln. Ihre Zahlungslogik sitzt dort, wo Ihre Anfragelogik sitzt. Bei Web sites mit hohem Volumen ist das einfacher und schneller.

Pay Per Crawl gibt Publishern die Kontrolle über eine bisher einseitige Beziehung. KI-Unternehmen scrapen Inhalte, trainieren Modelle und generieren Einnahmen. Verlage bekommen nichts. Pay Per Crawl ändert diese Asymmetrie. Selbst bei einem Mindestpreis von 0,01 $ professional Crawl wird anerkannt, dass der Zugriff einen Wert hat. Für Verlage mit stark frequentierten Inhalten summiert sich diese Marge.

Die Partnerschaft zwischen Cloudflare und Stack Overflow ist ein glaubwürdiger Ankerpunkt. Es ist kein theoretisches Merkmal. Eine echte Plattform mit echtem Site visitors nutzt es jetzt.

Nachteile: Echte Einschränkungen, die es zu berücksichtigen gilt

Für die Stripe-Integration in Staff müssen Entwickler weiterhin Code schreiben. Dies ist keine No-Code-Lösung. SaaS-Entwickler, die mit serverlosen Funktionen vertraut sind, werden schnell vorankommen. Groups ohne dieses Fachwissen müssen neue Mitarbeiter einstellen oder lernen.

Pay Per Crawl befindet sich in der geschlossenen Betaphase. Bis zur allgemeinen Verfügbarkeit können Sie sich nicht darauf verlassen. Geschlossene Betas können abgebrochen, umgestellt oder mit anderen Preismodellen als ursprünglich vorgeschlagen gestartet werden. Die Funktion geht außerdem davon aus, dass KI-Unternehmen zahlen werden. Einige werden es tun. Andere meiden einfach Web sites, die Gebühren verlangen, und klagen dann oder setzen sich dafür ein, das Modell zu kippen. Das ist ein Geschäftsrisiko, kein technisches, aber es ist actual.

Erwähnenswert ist der Vendor Lock-in. Wenn Sie Ihre Zahlungslogik in Cloudflare Staff integrieren, bedeutet der Wechsel zu einem anderen Edge-Anbieter ein Umschreiben. Das gibt es nicht nur bei Cloudflare, aber es ist eine Folge der infrastrukturnativen Verarbeitung. Der Komfort der Colocation ist mit Umstellungskosten verbunden.

Es stellt sich auch die Frage, ob die Abrechnung professional Crawl die richtigen Anreize schafft. Eine Gebühr von 0,01 US-Greenback professional Crawl ist für ein großes KI-Unternehmen, das Modelle in großem Maßstab trainiert, trivial. Möglicherweise entmutigt es das Verhalten nicht, das der Herausgeber tatsächlich unterbinden möchte. Es könnte einfach zu einem Kostenfaktor für die Geschäftsabwicklung werden.

Was das für die Zukunft bedeutet

Der Schritt von Cloudflare signalisiert eine Veränderung im Wettbewerb der Plattformen. Infrastrukturanbieter versuchen, die Geschäftslogik zu übernehmen, da sie die Bindung verstärkt und höhere Wechselkosten verursacht. Kunden, die Zahlungsabwicklung, Datenverarbeitung und Anwendungslogik am Edge integrieren, werden das Unternehmen seltener verlassen.

Für Betreiber, die jetzt Entscheidungen treffen, stellt sich nicht die Frage, ob sie diese Instruments verwenden sollen, sondern ob die Bequemlichkeit der Colocation die Abhängigkeit wert ist. Für viele SaaS-Entwickler lautet die Antwort „Ja“. Für Writer löst Pay Per Crawl ein echtes Downside, auch wenn die erste Iteration Einschränkungen aufweist.

Der Development ist klar: Die Grenze zwischen Infrastruktur und Anwendung verschwimmt. Cloudflare geht davon aus, dass Sie es vorziehen, mit Geld am Rande umzugehen. Die Wette von Stack Overflow auf Pay Per Crawl deutet darauf hin, dass Writer es satt haben, Einnahmen an Crawler zu verlieren. Wenn beide Wetten zutreffen, können wir davon ausgehen, dass andere Infrastrukturanbieter folgen werden. Die Konsolidierung der Zahlungsabwicklung im Edge-Bereich ist nicht zwangsläufig, aber sie ist im Gange.

Beim Erlernen von Knowledge Science im Jahr 2020 warfare Pandas eines der beliebtesten Instruments. Obwohl sich neue Instruments darauf konzentrieren, die Schwächen von Pandas bei der Verarbeitung sehr großer Datenmengen zu verbessern, verwende ich Pandas immer noch für viele Datenbereinigungs-, Verarbeitungs- und Analyseaufgaben. Ja, Pandas macht es mir schwer, mit Milliarden von Zeilen zu arbeiten, aber für die Arbeit mit allem, was darunter liegt, ist es definitiv mehr als genug.

Ich sehe Pandas nicht nur für EDA oder in Notebooks, sondern auch in Produktionssystemen.

In diesem Artikel werde ich einige Datenbereinigungs- und -verarbeitungsvorgänge durchgehen, um zu zeigen, wie leistungsfähig Pandas ist.

Beginnen wir mit dem Datensatz, der Inventory Protecting Models (SKUs) und Such-API-Antworten für diese SKUs enthält.

import pandas as pd

search_results = pd.read_csv("search_results.csv")

search_results.head()

Das Suchergebnis ist eine Liste von Wörterbüchern und sieht folgendermaßen aus:

search_results.loc(0, "search_result")

"({'my_id': 'HBCV00007F5Y2B', 'distance': 1.0, 'entity': {}}, 
{'my_id': 'HBCV00007UPQBM', 'distance': 1.0, 'entity': {}}, 
{'my_id': 'HBCV00008I29IH', 'distance': 1.0, 'entity': {}}, 
{'my_id': 'HBCV00006U3ZYB', 'distance': 0.8961254358291626, 'entity': {}}, 
{'my_id': 'HBCV0000AFA4H6', 'distance': 0.8702399730682373, 'entity': {}}, 
{'my_id': 'HBCV00009CDGD4', 'distance': 0.86175537109375, 'entity': {}}, 
{'my_id': 'HBCV000046336T', 'distance': 0.8594968318939209, 'entity': {}}, 
{'my_id': 'HBCV00009QDZRT', 'distance': 0.8572311997413635, 'entity': {}}, 
{'my_id': 'HBCV00008E11P3', 'distance': 0.8553324937820435, 'entity': {}}, 
{'my_id': 'HBV00000C4IY6', 'distance': 0.8539167642593384, 'entity': {}}) 
... and 5 entities remaining"

Wie wir in der Ausgabe sehen, handelt es sich aufgrund des letzten Teils („… und 5 verbleibende Entitäten“) nicht um eine richtige Liste des Wörterbuchformats. Außerdem wird es als einzelne Zeichenfolge gespeichert.

Um es besser nutzen zu können, müssen wir es in eine richtige Liste von Wörterbüchern konvertieren. Die folgende Codezeile entfernt den letzten Teil, indem sie die Zeichenfolge bei „…“ teilt und die erste Teilung übernimmt.

search_results.loc(0, "search_result").break up("...")(0).strip()

Die Ausgabe ist jedoch immer noch eine einzelne Zeichenfolge. Wir können das integrierte ast-Modul von Python verwenden, um es in eine Liste umzuwandeln:

import ast

res = ast.literal_eval(search_results.loc(0, "search_result").break up("...")(0).strip())

res

({'my_id': 'HBCV00007F5Y2B', 'distance': 1.0, 'entity': {}},
 {'my_id': 'HBCV00007UPQBM', 'distance': 1.0, 'entity': {}},
 {'my_id': 'HBCV00008I29IH', 'distance': 1.0, 'entity': {}},
 {'my_id': 'HBCV00006U3ZYB', 'distance': 0.8961254358291626, 'entity': {}},
 {'my_id': 'HBCV0000AFA4H6', 'distance': 0.8702399730682373, 'entity': {}},
 {'my_id': 'HBCV00009CDGD4', 'distance': 0.86175537109375, 'entity': {}},
 {'my_id': 'HBCV000046336T', 'distance': 0.8594968318939209, 'entity': {}},
 {'my_id': 'HBCV00009QDZRT', 'distance': 0.8572311997413635, 'entity': {}},
 {'my_id': 'HBCV00008E11P3', 'distance': 0.8553324937820435, 'entity': {}},
 {'my_id': 'HBV00000C4IY6', 'distance': 0.8539167642593384, 'entity': {}})

Wir haben jetzt die Suchergebnisse als richtige Liste von Wörterbüchern. Dies galt nur für eine einzelne Reihe. Wir müssen den gleichen Vorgang auf alle SKUs (dh die gesamte SKU-Spalte) anwenden.

Eine Möglichkeit besteht darin, alle Zeilen in einer for-Schleife durchzugehen und denselben Vorgang auszuführen. Dies ist jedoch nicht die beste Possibility. Wir sollten vektorisierte Operationen bevorzugen, wenn wir können. Eine vektorisierte Operation bedeutet im Wesentlichen, dass der Code in allen Zeilen gleichzeitig ausgeführt wird.

Bei einer einzelnen Zeile habe ich die Aufteilung verwendet, um den letzten Teil der Zeichenfolge zu entfernen, aber bei einer vektorisierten Operation funktionierte das nicht. Eine robustere Possibility scheint die Verwendung eines regulären Ausdrucks zu sein.

search_results.loc(:, 'search_result') = search_results('search_result').str.substitute(r"....*", "", regex=True).str.strip()

Dieser Code wählt „…“ und alles, was danach kommt, aus und ersetzt sie durch nichts. Mit anderen Worten: Der Teil „… und 5 verbleibende Entitäten“ wird entfernt.

Wir haben jetzt alle Zeilen in der Suchergebnisspalte als richtige Liste von Wörterbüchern.

search_results.loc(10, "search_result")

"({'my_id': 'HBCV00007F5Y2B', 'distance': 1.0, 'entity': {}},
 {'my_id': 'HBCV00007UPQBM', 'distance': 1.0, 'entity': {}},
 {'my_id': 'HBCV00008I29IH', 'distance': 1.0, 'entity': {}},
 {'my_id': 'HBCV00006U3ZYB', 'distance': 0.8961254358291626, 'entity': {}},
 {'my_id': 'HBCV0000AFA4H6', 'distance': 0.8702399730682373, 'entity': {}},
 {'my_id': 'HBCV00009CDGD4', 'distance': 0.86175537109375, 'entity': {}},
 {'my_id': 'HBCV000046336T', 'distance': 0.8594968318939209, 'entity': {}},
 {'my_id': 'HBCV00009QDZRT', 'distance': 0.8572311997413635, 'entity': {}},
 {'my_id': 'HBCV00008E11P3', 'distance': 0.8553324937820435, 'entity': {}},
 {'my_id': 'HBV00000C4IY6', 'distance': 0.8539167642593384, 'entity': {}})"

Sie werden immer noch als String gespeichert, aber ich kann sie mit dem ast-Modul problemlos in eine Liste konvertieren, was ich im nächsten Schritt tun werde.

Was mich interessiert, sind die SKUs, die in den Suchergebnissen zurückgegeben werden. Ich erstelle eine neue Spalte, indem ich die SKUs in den Wörterbüchern extrahiere. Ich kann über den „my_id“-Schlüssel des Wörterbuchs darauf zugreifen.

Es gibt 3 Teile dieser Operation:

• Konvertieren Sie die Suchergebniszeichenfolge mithilfe der Funktion literal_eval in eine Liste
• Extrahieren Sie die SKU aus dem my_id-Schlüssel des Wörterbuchs
• Führen Sie dies in einem Listenverständnis durch, um SKUs aus allen Wörterbüchern in der Liste abzurufen

Wir können alle diese Operationen ausführen, indem wir wie folgt eine Lambda-Funktion auf alle Zeilen anwenden:

search_results.loc(:, "result_skus") = 
search_results("search_result").apply(lambda x: (merchandise('my_id') for merchandise in ast.literal_eval(x)))

search_results.head()

Jede Zeile in der Spalte result_skus enthält eine Liste mit 10 SKUs. Nehmen wir an, ich muss diese 10 SKUs in verschiedenen Reihen haben. Für jede Zeile in der SKU-Spalte werden 10 Zeilen aus der Liste in der Spalte result_skus erstellt. In Pandas gibt es eine sehr einfache Möglichkeit, dies zu tun, nämlich die Explosionsfunktion.

knowledge = search_results(("sku", "result_skus")).explode("result_skus", ignore_index=True)

knowledge.head()

Wir haben einen neuen Datenrahmen mit der Spalte „sku“ und „result_skus“ erstellt. Die folgende Zeichnung zeigt, was die Explosionsfunktion bewirkt:

Betrachten Sie das Gegenteil. Wir haben einen Datenrahmen wie oben gezeigt, möchten aber alle Ergebnisse für eine SKU in einer einzigen Zeile haben.

Wir können die Funktion „groupby“ verwenden, um die Zeilen nach SKU zu gruppieren und dann die Funktion „Liste“ auf die Spalte „result_skus“ anwenden:

new_data = knowledge.groupby("sku", as_index=False)("result_skus").apply(record)

new_data.head()

Damit kehren wir zum vorherigen Schritt zurück:

Mit der Explosionsfunktion haben wir einen Datenrahmen mit einer separaten Zeile für jede SKU in der Spalte result_skus erstellt. Was ist, wenn wir sie in verschiedene Spalten statt in Zeilen aufteilen müssen?

Eine Möglichkeit besteht darin, die Funktion pd.Sequence auf die Spalte result_skus anzuwenden und die resultierenden Spalten mit dem ursprünglichen Datenrahmen zu verketten.

new_cols = new_data("result_skus").apply(pd.Sequence)

new_data = pd.concat((new_data, new_cols), axis=1)

new_data.head()

Die Spalten von 0 bis 9 enthalten die 10 SKUs in der Spalte result_skus. Dieser Code, der die Apply-Funktion verwendet, ist keine vektorisierte Operation.

Wir haben eine andere Possibility, die vektorisiert und viel schneller ist.

new_cols = pd.DataFrame(new_data("result_skus").tolist())

new_data = pd.concat((new_data, new_cols), axis=1)

Dieser Code liefert uns den gleichen Datenrahmen wie oben, jedoch viel schneller.

Ich habe eine typische Datenbereinigungs- und -verarbeitungsaufgabe demonstriert, mit der ein Datenwissenschaftler oder -analyst in seinem Job konfrontiert sein kann. Ich bin seit über 5 Jahren auf diesem Gebiet tätig und Pandas hat immer ausgereicht, um das zu tun, was ich brauche, außer bei der Arbeit mit sehr großen Datensätzen (z. B. Milliarden von Zeilen).

Die Instruments, die für solch große Datenmengen besser geeignet sind, haben eine ähnliche Syntax wie Pandas. PySpark ist beispielsweise eine Artwork Mischung aus Pandas und SQL. Von der Syntax her ist Polars Pandas sehr ähnlich. Daher ist das Erlernen und Üben von Pandas immer noch eine äußerst wertvolle Fähigkeit für jeden, der im Bereich Datenwissenschaft und KI arbeitet.

Vielen Dank fürs Lesen.

hat den Grundstein für eine strukturiertere Möglichkeit gelegt, interaktive, zustandsbehaftete KI-gesteuerte Anwendungen zu erstellen. Eines der interessanteren Ergebnisse dieser Bemühungen conflict die Veröffentlichung ihres neuen Interaktions-API vor ein paar Wochen.

Da große Sprachmodelle (LLMs) kommen und gehen, kommt es oft vor, dass eine von einem LLM-Anbieter entwickelte API etwas veraltet sein kann. Schließlich kann es für einen API-Designer schwierig sein, alle verschiedenen Änderungen und Optimierungen vorherzusehen, die möglicherweise auf das System angewendet werden, für das die API entwickelt wurde. Dies gilt in zweifacher Hinsicht für die KI, wo das Tempo des Wandels anders ist als alles, was es zuvor in der IT-Welt gegeben hat.

Das haben wir zum Beispiel schon bei OpenAI gesehen. Ihre ursprüngliche API für ihre Modelle hieß Abschlüsse API. Als ihre Modelle weiterentwickelten, mussten sie ein Improve durchführen und eine neue API namens veröffentlichen Antworten.

Einen etwas anderen Weg geht Google bei der Interactions API. Es ist kein vollständiger Ersatz für die älteren generierenInhalt API, sondern eher eine Erweiterung davon.

Wie Google in seiner eigenen Dokumentation sagt …

„Die Interaktions-API (Beta) ist eine einheitliche Schnittstelle für die Interaktion mit Gemini-Modellen und -Agenten. Es vereinfacht die Statusverwaltung, die Software-Orchestrierung und lang andauernde Aufgaben.“

Der Relaxation dieses Artikels untersucht die architektonische Notwendigkeit der Interactions API. Wir beginnen einfach damit, zu zeigen, wie die Interactions API alles kann, was ihr Vorgänger konnte, und enden dann damit, wie sie zustandsbehaftete Vorgänge, die explizite Integration der Deep Analysis-Agentenfunktionen mit hoher Latenz von Google und die Handhabung lang laufender Aufgaben ermöglicht. Wir werden über ein „Hallo Welt“-Beispiel hinausgehen und Systeme entwickeln, die tiefes Nachdenken und die Orchestrierung asynchroner Forschung erfordern.

Die architektonische Lücke: Warum „Chat“ nicht ausreicht

Um zu verstehen, warum die Interactions API existiert, müssen wir analysieren, warum die Commonplace-LLM-Chat-Schleife unzureichend ist.

In einer Commonplace-Chat-Anwendung ist „Standing“ implizit. Es existiert nur als Schiebefenster des Token-Verlaufs. Wenn sich ein Benutzer in Schritt 3 eines Onboarding-Assistenten befindet und eine Frage stellt, die nicht zum Thema gehört, halluziniert das Modell möglicherweise einen neuen Pfad, wodurch der Assistent effektiv unterbrochen wird. Der Entwickler hat keine programmatische Garantie dafür, dass der Benutzer dort ist, wo er sein soll.

Für die Entwicklung moderner KI-Systeme reicht dies nicht aus. Um dem entgegenzuwirken, bietet die neue API von Google Möglichkeiten, in nachfolgenden LLM-Interaktionen auf den vorherigen Kontext zu verweisen. Wir werden später ein Beispiel dafür sehen.

Das Deep-Analysis-Downside

Die Deep Analysis-Funktion von Google (unterstützt von Gemini) ist aggressiv. Es ruft nicht nur Informationen ab; Es formuliert einen Plan, führt Dutzende Suchvorgänge durch, liest Hunderte von Seiten und fasst eine Antwort zusammen. Dieser Prozess ist asynchron und weist eine hohe Latenz auf.

Sie können ein Commonplace-Chat-Modell nicht einfach dazu veranlassen, innerhalb einer synchronen Schleife „tiefgreifende Recherchen durchzuführen“, ohne Zeitüberschreitungen oder Kontextfensterüberläufe zu riskieren. Mit der Interactions-API können Sie diesen flüchtigen Agentenprozess in einen stabilen, verwalteten Prozess kapseln SchrittPausieren des Interaktionsstatus. Gleichzeitig erfolgt die Schwerarbeit erst dann, wenn strukturierte Daten zurückgegeben werden. Wenn die Recherche eines Deep-Analysis-Agenten jedoch viel Zeit in Anspruch nimmt, ist es das Letzte, was Sie tun möchten, herumzusitzen und Däumchen zu drehen und darauf zu warten, dass die Recherche abgeschlossen ist. Mit der Interaktions-API können Sie regelmäßig Hintergrundrecherchen durchführen und die Ergebnisse abfragen, sodass Sie benachrichtigt werden, sobald der Agent seine Ergebnisse zurückgibt.

Einrichten einer Entwicklungsumgebung

Sehen wir uns die Interactions API aus der Nähe an, indem wir uns einige Codierungsbeispiele für ihre Verwendung ansehen. Wie bei jedem Entwicklungsprojekt ist es am besten, Ihre Umgebung zu isolieren, additionally machen wir das jetzt. Ich verwende Home windows und das UV Verwenden Sie dazu den Paketmanager, aber verwenden Sie das Software, mit dem Sie am besten vertraut sind. Mein Code wurde in einem Jupyter-Pocket book ausgeführt.

uv init interactions_demo --python 3.12
cd interactions_demo
uv add google-genai jupyter

# To run the pocket book, sort this in

uv run jupyter pocket book

Um meinen Beispielcode auszuführen, benötigen Sie außerdem einen Google API-Schlüssel. Wenn Sie keins haben, gehen Sie zu Googles AI Studio Web site und melden Sie sich an. Unten hyperlinks auf dem Bildschirm sehen Sie ein Holen Sie sich den API-Schlüssel Hyperlink. Klicken Sie darauf und folgen Sie den Anweisungen, um Ihren Schlüssel zu erhalten. Sobald Sie einen Schlüssel haben, erstellen Sie eine Umgebungsvariable mit dem Namen GOOGLE_API_KEY auf Ihrem System und setzen Sie seinen Wert auf Ihren API-Schlüssel.

Beispiel 1: Ein Good day World-Äquivalent

from google import genai

consumer = genai.Shopper()

interplay =  consumer.interactions.create(
    mannequin="gemini-2.5-flash",
    enter="What's the capital of France"
)

print(interplay.outputs(-1).textual content)

#
# Output
#
The capital of France is **Paris**.

Beispiel 2: Verwendung von Nano Banana zum Generieren eines Bildes

Bevor wir die spezifischen Fähigkeiten der Zustandsverwaltung und tiefgreifenden Forschung untersuchen, die die neue Interactions API bietet, möchte ich zeigen, dass dies der Fall ist Auch ein universelles, multimodales Software. Dazu verwenden wir die API, um mit Nano Banana ein Bild für uns zu erstellen, das offiziell als Gemini 3 Professional Picture Preview bekannt ist.

import base64
import os
from google import genai

# 1. Make sure the listing exists
output_dir = r"c:temp"
if not os.path.exists(output_dir):
    os.makedirs(output_dir)
    print(f"Created listing: {output_dir}")

consumer = genai.Shopper()

print("Sending request...")

strive:
    # 2. Right Syntax: Cross 'response_modalities' straight (not inside config)
    interplay = consumer.interactions.create(
        mannequin="gemini-3-pro-image-preview", # Guarantee you've got entry to this mannequin
        enter="Generate a picture of a hippo sporting a top-hat using a uni-cycle.",
        response_modalities=("IMAGE") 
    )

    found_image = False

    # 3. Iterate via outputs and PRINT all the things
    for i, output in enumerate(interplay.outputs):
        
        # Debug: Print the sort so we all know what we obtained
        print(f"n--- Output {i+1} Sort: {output.sort} ---")

        if output.sort == "textual content":
            # If the mannequin refused or chatted again, it will print why
            print(f" Textual content Response: {output.textual content}")

        elif output.sort == "picture":
            print(f"Picture Response: Mime: {output.mime_type}")
            
            # Assemble filename
            file_path = os.path.be part of(output_dir, f"hippo_{i}.png")
            
            # Save the picture
            with open(file_path, "wb") as f:
                # The SDK normally returns base64 bytes or string
                if isinstance(output.knowledge, bytes):
                    f.write(output.knowledge)
                else:
                    f.write(base64.b64decode(output.knowledge))
            
            print(f"Saved to: {file_path}")
            found_image = True
    
    if not found_image:
        print("nNo picture was returned. Test the 'Textual content Response' above for the explanation.")

besides Exception as e:
    print(f"nError: {e}")

Das conflict meine Ausgabe.

Beispiel 3: Staatsverwaltung

Die zustandsbehaftete Verwaltung in der Interaktions-API basiert auf dem „Interaktion“ Ressource, die als Sitzungsdatensatz dient und den gesamten Verlauf einer Aufgabe enthält, von Benutzereingaben bis hin zu Werkzeugergebnissen.

Um eine Konversation fortzusetzen, die sich an den vorherigen Kontext erinnert, übergeben Sie eine ID einer früheren Interaktion an die previous_interaction_id Parameter einer neuen Anfrage.

Der Server verwendet diese ID, um automatisch den vollständigen Kontext der jeweiligen Sitzung abzurufen, mit der er verknüpft ist, sodass der Entwickler nicht den gesamten Chat-Verlauf erneut senden muss. Ein Nebeneffekt ist, dass das Caching auf diese Weise effektiver genutzt werden kann, was zu einer verbesserten Leistung und geringeren Token-Kosten führt.

Zustandsbehaftete Interaktionen erfordern, dass die Daten auf den Servern von Google gespeichert werden. Standardmäßig ist der Retailer-Parameter auf true gesetzt, wodurch diese Funktion aktiviert wird. Wenn ein Entwickler „retailer=false“ festlegt, kann er keine zustandsbehafteten Funktionen wie previous_interaction_id verwenden.

Der Stateful-Modus ermöglicht auch das Mischen verschiedener Modelle und Agenten in einem einzigen Thread. Sie könnten beispielsweise einen Deep Analysis-Agenten für die Datenerfassung verwenden und dann auf die ID dieser Interaktion verweisen, um die Ergebnisse in einem standardmäßigen (günstigeren) Gemini-Modell zusammenfassen zu lassen.

Hier ist ein kurzes Beispiel, bei dem wir eine einfache Aufgabe beginnen, indem wir dem Mannequin unseren Namen nennen und ihm einige einfache Fragen stellen. Wir zeichnen die Interaktions-ID auf, die die Sitzung erzeugt, und fragen das Modell zu einem späteren Zeitpunkt nach unserem Namen und der zweiten Frage, die wir gestellt haben.

from google import genai

consumer = genai.Shopper()

# 1. First flip
interaction1 = consumer.interactions.create(
    mannequin="gemini-3-flash-preview",
    enter="""
Hello,It is Tom right here, are you able to inform me the chemical title for water. 
Additionally, which is the smallest recognised nation on this planet? 
And the way tall in ft is Mt Everest
"""
)
print(f"Response: {interaction1.outputs(-1).textual content}")
print(f"ID: {interaction1.id}")
#
# Output
#

Response: Hello Tom! Listed below are the solutions to your questions:

*   **Chemical title for water:** The commonest chemical title is **dihydrogen monoxide** ($H_2O$), although in formal chemistry circles, its systematic title is **oxidane**.
*   **Smallest acknowledged nation:** **Vatican Metropolis**. It covers solely about 0.17 sq. miles (0.44 sq. kilometers) and is an unbiased city-state enclaved inside Rome, Italy.
*   **Top of Mt. Everest:** In keeping with the newest official measurement (confirmed in 2020), Mt. Everest is **29,031.7 ft** (8,848.86 meters) tall.
ID: v1_ChdqamxlYVlQZ01jdmF4czBQbTlmSHlBOBIXampsZWFZUGdNY3ZheHMwUG05Zkh5QTg

Ein paar Stunden später …

from google import genai

consumer = genai.Shopper()

# 2. Second flip (passing previous_interaction_id)
interaction2 = consumer.interactions.create(
    mannequin="gemini-3-flash-preview",
    enter="Are you able to inform me my title and what was the second query I requested you",
    previous_interaction_id='v1_ChdqamxlYVlQZ01jdmF4czBQbTlmSHlBOBIXampsZWFZUGdNY3ZheHMwUG05Zkh5QTg'
)
print(f"Mannequin: {interaction2.outputs(-1).textual content}")

#
# Output
#
Mannequin: Hello Tom! 

Your title is **Tom**, and the second query you requested was: 
**"Which is the smallest recognised nation on this planet?"** 
(to which the reply is Vatican Metropolis).

Beispiel 4: Der asynchrone Deep Analysis Orchestrator

Nun zu etwas, das die alte API von Google nicht kann. Einer der Hauptvorteile der Interactions API besteht darin, dass Sie damit spezialisierte Agenten aufrufen können, z deep-research-pro-preview-12-2025, für komplexe Aufgaben.

In diesem Beispiel erstellen wir eine Aggressive-Intelligence-Engine. Der Benutzer gibt einen Geschäftskonkurrenten an und das System veranlasst einen Deep Analysis-Agenten, das Web zu durchsuchen, Jahresberichte zu lesen und eine SWOT-Analyse (Stärken, Schwächen, Chancen und Risiken) zu erstellen. Wir haben dies in zwei Teile geteilt. Erstens können wir unsere Forschungsanfrage mit Code wie diesem starten.

import time
import sys
from google import genai

def competitive_intelligence_engine():
    consumer = genai.Shopper()

    print("--- Deep Analysis Aggressive Intelligence Engine ---")
    competitor_name = enter("Enter the title of the competitor to investigate (e.g., Nvidia, Coca-Cola): ")
    
    # We craft a particular immediate to power the agent to search for particular doc varieties
    immediate = f"""
    Conduct a deep analysis investigation into '{competitor_name}'.
    
    Your particular duties are:
    1. Scour the net for the newest Annual Report (10-Ok) and newest Quarterly Earnings transcripts.
    2. Seek for current information relating to product launches, strategic partnerships, and authorized challenges within the final 12 months.
    3. Synthesize all findings into an in depth SWOT Evaluation (Strengths, Weaknesses, Alternatives, Threats).
    
    Format the output as knowledgeable government abstract with the SWOT part clearly outlined in Markdown.
    """

    print(f"n Deploying Deep Analysis Agent for: {competitor_name}...")
    
    # 1. Begin the Deep Analysis Agent
    # We use the particular agent ID offered in your pattern
    strive:
        initial_interaction = consumer.interactions.create(
            enter=immediate,
            agent="deep-research-pro-preview-12-2025",
            background=True
        )
    besides Exception as e:
        print(f"Error beginning agent: {e}")
        return

    print(f" Analysis began. Interplay ID: {initial_interaction.id}")
    print(" The agent is now searching the net and studying reviews. This may occasionally take a number of minutes.")

Dadurch wird die folgende Ausgabe erzeugt.

--- Deep Analysis Aggressive Intelligence Engine ---
Enter the title of the competitor to investigate (e.g., Nvidia, Coca-Cola):  Nvidia

Deploying Deep Analysis Agent for: Nvidia...
Analysis began. Interplay ID: v1_ChdDdXhiYWN1NEJLdjd2ZElQb3ZHdTBRdxIXQ3V4YmFjdTRCS3Y3dmRJUG92R3UwUXc
The agent is now searching the net and studying reviews. This may occasionally take a number of minutes.

Da wir wissen, dass der Forschungsauftrag einige Zeit in Anspruch nehmen wird, können wir als Nächstes die oben aufgedruckte Interaktions-ID verwenden, um ihn zu überwachen und regelmäßig zu überprüfen, ob er abgeschlossen ist.

Normalerweise erfolgt dies in einem separaten Prozess, der Ihnen eine E-Mail oder SMS sendet, wenn der Forschungsauftrag abgeschlossen ist, damit Sie in der Zwischenzeit mit anderen Aufgaben fortfahren können.

strive:
    whereas True:
        # Refresh the interplay standing
        interplay = consumer.interactions.get(initial_interaction.id)
            
        # Calculate elapsed time
        elapsed = int(time.time() - start_time)
            
        # Print a dynamic standing line so we all know it is working
        sys.stdout.write(f"r Standing: {interplay.standing.higher()} | Time Elapsed: {elapsed}s")
        sys.stdout.flush()

        if interplay.standing == "accomplished":
            print("nn" + "="*50)
            print(f" INTELLIGENCE REPORT: {competitor_name.higher()}")
            print("="*50 + "n")
                
            # Print the content material
            print(interplay.outputs(-1).textual content)
            break
            
        elif interplay.standing in ("failed", "cancelled"):
            print(f"nnJob ended with standing: {interplay.standing}")
            # Typically error particulars are within the output textual content even on failure
            if interplay.outputs:
               print(f"Error particulars: {interplay.outputs(-1).textual content}")
            break

        # Wait earlier than polling once more to respect price limits
        time.sleep(10)

besides KeyboardInterrupt:
    print("nUser interrupted. Analysis could proceed in background.")

Ich werde nicht das gesamte Forschungsergebnis zeigen, da es ziemlich umfangreich conflict, aber hier ist nur ein Teil davon.

==================================================
 INTELLIGENCE REPORT: NVIDIA
==================================================

# Strategic Evaluation & Govt Overview: Nvidia Company (NVDA)

### Key Findings
*   **Monetary Dominance:** Nvidia reported report Q3 FY2026 income of **$57.0 billion** (+62% YoY), pushed by a staggering **$51.2 billion** in Information Heart income. The corporate has successfully transitioned from a {hardware} producer to the foundational infrastructure supplier for the "AI Industrial Revolution."
*   **Strategic Growth:** Main strikes in late 2025 included a **$100 billion funding roadmap with OpenAI** to deploy 10 gigawatts of compute and a **$20 billion acquisition of Groq's belongings**, pivoting Nvidia aggressively into the AI inference market.
*   **Regulatory Peril:** The corporate faces intensifying geopolitical headwinds. In September 2025, China's SAMR discovered Nvidia in violation of antitrust legal guidelines relating to its Mellanox acquisition. Concurrently, the U.S. Supreme Courtroom allowed a class-action lawsuit relating to crypto-revenue disclosures to proceed.
*   **Product Roadmap:** The launch of the **GeForce RTX 50-series** (Blackwell structure) and **Mission DIGITS** (private AI supercomputer) at CES 2025 alerts a push to democratize AI compute past the information heart to the desktop.

---

## 1. Govt Abstract

Nvidia Company (NASDAQ: NVDA) stands on the apex of the substitute intelligence transformation, having efficiently developed from a graphics processing unit (GPU) vendor right into a full-stack computing platform firm. As of early 2026, Nvidia just isn't merely promoting chips; it's constructing "AI Factories"-entire knowledge facilities built-in with its proprietary networking, software program (CUDA), and {hardware}.
The fiscal 12 months 2025 and the primary three quarters of fiscal 2026 have demonstrated unprecedented monetary acceleration. The corporate's "Blackwell" structure has seen demand outstrip provide, making a backlog that extends nicely into 2026. Nonetheless, this dominance has invited intense scrutiny. The geopolitical rift between the U.S. and China poses the one biggest risk to Nvidia's long-term progress, evidenced by current antitrust findings by Chinese language regulators and continued smuggling controversies involving restricted chips just like the Blackwell B200.
Strategically, Nvidia is hedging in opposition to the commoditization of AI coaching by aggressively getting into the **inference** market-the part the place AI fashions are used fairly than constructed. The acquisition of Groq's expertise in December 2025 is a defensive and offensive maneuver to safe low-latency processing capabilities.

---

## 2. Monetary Efficiency Evaluation
**Sources:** (cite: 1, 2, 3, 4, 5)

### 2.1. Fiscal 12 months 2025 Annual Report (10-Ok) Highlights
Nvidia's Fiscal 12 months 2025 (ending January 2025) marked a historic inflection level within the expertise sector.
*   **Complete Income:** $130.5 billion, a **114% enhance** year-over-year.
*   **Internet Revenue:** $72.9 billion, hovering **145%**.
*   **Information Heart Income:** $115.2 billion (+142%), confirming the entire shift of the corporate's gravity away from gaming and towards enterprise AI.
*   **Gross Margin:** Expanded to **75.0%** (up from 72.7%), reflecting pricing energy and the excessive worth of the Hopper structure.
...
...
...
## 5. SWOT Evaluation

### **Strengths**
*   **Technological Monopoly:** Nvidia possesses an estimated 80-90% market share in AI coaching chips. The **Blackwell** and upcoming **Vera Rubin** architectures keep a multi-year lead over rivals.
*   **Ecosystem Lock-in (CUDA):** The CUDA software program platform stays the business commonplace. The current growth into "AI Factories" and full-stack options (networking + {hardware} + software program) makes switching prices prohibitively excessive for enterprise clients.
*   **Monetary Fortress:** With gross margins exceeding **73%** and free money stream within the tens of billions, Nvidia has immense capital to reinvest in R&D ($100B OpenAI dedication) and purchase rising tech (Groq).
*   **Provide Chain Command:** By pre-booking huge capability at TSMC (CoWoS packaging), Nvidia successfully controls the tap of worldwide AI compute provide.

### **Weaknesses**
*   **Income Focus:** A good portion of income is derived from a handful of "Hyperscalers" (Microsoft, Meta, Google, Amazon). If these shoppers efficiently pivot to their very own customized silicon (TPUs, Trainium, Maia), Nvidia's income may face a cliff.
*   **Pricing Alienation:** The excessive value of Nvidia {hardware} (e.g., $1,999 for shopper GPUs, $30k+ for enterprise chips) is pushing smaller builders and startups towards cheaper alternate options or cloud-based inference options.
*   **Provide Chain Single Level of Failure:** Complete reliance on **TSMC** in Taiwan exposes Nvidia to catastrophic threat within the occasion of a cross-strait battle or pure catastrophe.

### **Alternatives**
*   **The Inference Market:** The $20B Groq deal positions Nvidia to dominate the *inference* part (operating fashions), which is predicted to be a bigger market than coaching in the long term.
*   **Sovereign AI:** Nations (Japan, France, Center Japanese states) are constructing their very own "sovereign clouds" to guard knowledge privateness. This creates a brand new, huge buyer base outdoors of US Large Tech.
*   **Bodily AI & Robotics:** With **Mission GR00T** and the **Jetson** platform, Nvidia is positioning itself because the mind for humanoid robots and autonomous industrial techniques, a market nonetheless in its infancy.
*   **Software program & Providers (NIMs):** Nvidia is transitioning to a software-as-a-service mannequin with Nvidia Inference Microservices (NIMs), creating recurring income streams which can be much less cyclical than {hardware} gross sales.

### **Threats**
*   **Geopolitical Commerce Struggle:** The US-China tech conflict is the existential risk. Additional tightening of export controls (e.g., banning H20 chips) or aggressive retaliation from China (SAMR antitrust penalties) may completely sever entry to one of many world's largest semiconductor markets.
*   **Regulatory Antitrust Motion:** Past China, Nvidia faces scrutiny within the EU and US (DOJ) relating to its bundling practices and market dominance. A compelled breakup or behavioral treatments may hamper its "full-stack" technique.
*   **Smuggling & IP Theft:** As seen with the DeepSeek controversy, export bans could inadvertently gasoline a black market and speed up Chinese language home innovation (e.g., Huawei Ascend), making a competitor that operates outdoors Western IP legal guidelines.
*   **"Good Sufficient" Competitors:** For a lot of inference workloads, cheaper chips from AMD or specialised ASICs could finally turn out to be "adequate," eroding Nvidia's pricing energy on the decrease finish of the market.
...
...
...

Mit der Interactions-API können Sie noch viel mehr tun, als ich gezeigt habe, einschließlich Software- und Funktionsaufrufen, MCP-Integration, strukturierter Ausgabe und Streaming.

Bitte beachten Sie jedoch, dass die Interaktions-API zum Zeitpunkt des Verfassens dieses Artikels noch verfügbar ist Beta, und Googles Deep-Analysis-Agent ist da Vorschau. Dies wird sich in den kommenden Wochen zweifellos ändern, aber es ist am besten, dies zu überprüfen, bevor Sie dieses Software in einem Produktionssystem verwenden.

Weitere Informationen finden Sie unter dem Hyperlink unten zur offiziellen Dokumentationsseite von Google für die Interaktions-API.

https://ai.google.dev/gemini-api/docs/interactions?ua=chat

Zusammenfassung

Die Google Interactions API signalisiert eine Reife im KI-Engineering-Ökosystem. Es erkennt an, dass die „Alles-Eingabeaufforderung“, ein einzelner, riesiger Textblock, der versucht, mit Persönlichkeit, Logik, Werkzeugen und Sicherheit umzugehen, ein Anti-Muster ist.

Mithilfe dieser API können Entwickler, die Google AI verwenden, das Reasoning (die Aufgabe des LLM) effektiv von der Architektur (die Aufgabe des Entwicklers) entkoppeln.

Im Gegensatz zu üblichen Chat-Schleifen, bei denen der Standing implizit ist und zu Halluzinationen neigt, verwendet diese API eine strukturierte „Interaktion“ Ressource, die als permanente Sitzungsaufzeichnung aller Eingaben, Ausgaben und Werkzeugergebnisse dient. Mit Stateful Administration können Entwickler auf eine Interaktions-ID aus einem vorherigen Chat verweisen und automatisch den vollständigen Kontext abrufen. Dadurch kann das Caching optimiert, die Leistung verbessert und die Kosten gesenkt werden, da die Notwendigkeit entfällt, ganze Historien erneut zu senden.

Darüber hinaus ist die Interactions API in einzigartiger Weise in der Lage, asynchrone Agentenprozesse mit hoher Latenz zu orchestrieren, wie z. B. Deep Analysis von Google, das das Net durchsuchen und riesige Datenmengen zu komplexen Berichten zusammenfassen kann. Diese Recherche kann asynchron durchgeführt werden, was bedeutet, dass Sie Aufgaben mit langer Laufzeit starten und einfachen Code schreiben können, der benachrichtigt wird, wenn die Aufgabe abgeschlossen ist, sodass Sie in der Zwischenzeit an anderen Aufgaben arbeiten können.

Wenn Sie einen Assistenten für kreatives Schreiben erstellen, ist eine einfache Chat-Schleife in Ordnung. Wenn Sie jedoch einen Finanzanalysten, einen medizinischen Screener oder eine Deep-Analysis-Engine aufbauen, stellt die Interactions API das nötige Gerüst bereit, um ein probabilistisches Modell in ein zuverlässigeres Produkt umzuwandeln.

Die Einführung neuer Instruments und Technologien erfolgt dann, wenn Benutzer sie weitgehend als zuverlässig und zugänglich empfinden und im Hinblick auf die Kosten eine Verbesserung gegenüber den verfügbaren Methoden und Arbeitsabläufen darstellen. Fünf Doktoranden aus der Eröffnungsklasse des MIT-IBM Watson AI Lab Summer time Program nutzen modernste Ressourcen, lindern KI-Probleme und schaffen neue Funktionen und Fähigkeiten, um den Nutzen und Einsatz von KI zu fördern – vom Lernen, wann man einem Modell vertrauen sollte, das die Genauigkeit eines anderen vorhersagt, bis hin zu effektiverer Argumentation über Wissensdatenbanken. Gemeinsam bilden die Bemühungen der Studenten und ihrer Mentoren eine durchgehende Linie, in der praktische und technisch anspruchsvolle Forschung zu zuverlässigeren und wertvolleren Modellen in allen Bereichen führt.

Die Arbeit der Studierenden beim Aufbau von Sonden, Routern, neuen Aufmerksamkeitsmechanismen, synthetischen Datensätzen und Programmsynthese-Pipelines umfasst Sicherheit, Inferenzeffizienz, multimodale Daten und wissensbasiertes Denken. Ihre Techniken legen Wert auf Skalierung und Integration, wobei die Wirkung immer im Blick ist.

Vertrauen lernen und wann

Die Forschung des MIT-Mathematikstudenten Andrey Bryutkin priorisiert die Vertrauenswürdigkeit von Modellen. Er sucht nach internen Strukturen innerhalb von Problemen, wie beispielsweise Gleichungen, die ein System regeln, und Erhaltungsgesetzen, um zu verstehen, wie man sie nutzen kann, um zuverlässigere und robustere Lösungen zu erzielen. Auf dieser Grundlage und in Zusammenarbeit mit dem Labor entwickelte Bryutkin eine Methode, um einen Blick in die Natur des Verhaltens großer Lernmodelle (LLMs) zu werfen. Zusammen mit Veronika Thost von IBM Analysis im Labor und Marzyeh Ghassemi – außerordentlicher Professor und Germeshausen Profession Improvement Professor am MIT Division of Electrical Engineering and Laptop Science (EECS) und Mitglied des Institute of Medical Engineering Sciences und des Laboratory for Info and Determination Programs – erforschte Bryutkin die „Unsicherheit der Unsicherheit“ von LLMs.

Klassischerweise werden winzige Feed-Ahead-Neuronale Netze mit einer Tiefe von zwei bis drei Schichten, sogenannte Probes, neben LLMs trainiert und eingesetzt, um Entwicklern nicht vertrauenswürdige Antworten aus dem größeren Modell zu melden; Allerdings können diese Klassifikatoren auch falsch-negative Ergebnisse liefern und nur Punktschätzungen liefern, die nicht viele Informationen darüber liefern, wann das LLM ausfällt. Bei der Untersuchung sicherer/unsicherer Eingabeaufforderungen und Frage-Antwort-Aufgaben verwendete das MIT-IBM-Group Eingabeaufforderungs-Label-Paare sowie verborgene Zustände wie Aktivierungsvektoren und letzte Token eines LLM, um Gradientenwerte, Empfindlichkeit gegenüber Eingabeaufforderungen und Daten außerhalb der Verteilung zu messen, um zu bestimmen, wie zuverlässig die Sonde conflict, und um Datenbereiche zu lernen, die schwer vorherzusagen sind. Ihre Methode hilft auch dabei, potenzielles Etikettierungsrauschen zu identifizieren. Dies ist eine entscheidende Funktion, da die Vertrauenswürdigkeit von KI-Systemen vollständig von der Qualität und Genauigkeit der gekennzeichneten Daten abhängt, auf denen sie basieren. Genauere und konsistentere Sonden sind besonders wichtig für Domänen mit kritischen Daten in Anwendungen wie der Granite Guardian-Modellfamilie von IBM.

Eine weitere Möglichkeit, vertrauenswürdige Antworten auf Anfragen eines LLM sicherzustellen, besteht darin, diese mit externen, vertrauenswürdigen Wissensdatenbanken zu ergänzen, um Halluzinationen zu verhindern. Für strukturierte Daten wie Social-Media-Verbindungen, Finanztransaktionen oder Unternehmensdatenbanken sind Wissensgraphen (KG) die natürliche Lösung; Für die Kommunikation zwischen LLM und KGs werden jedoch häufig feste Multi-Agent-Pipelines verwendet, die rechenineffizient und teuer sind. Um dieses Downside anzugehen, hat der Physik-Doktorand Jinyeop Track zusammen mit den Laborforschern Yada Zhu von IBM Analysis und dem EECS-Assoziierten Professor Julian Shun ein Single-Agent-, Multi-Flip- und Reinforcement-Studying-Framework entwickelt, das diesen Prozess rationalisiert. Hier entwarf die Gruppe einen API-Server, der Freebase- und Wikidata-KGs hostet, die aus allgemeinen webbasierten Wissensdaten bestehen, und einen LLM-Agenten, der gezielte Abrufaktionen ausgibt, um relevante Informationen vom Server abzurufen. Dann hängt der Agent durch kontinuierliches Hin- und Her die gesammelten Daten von den KGs an den Kontext an und antwortet auf die Anfrage. Entscheidend ist, dass sich das System mithilfe von Reinforcement Studying selbst darauf trainiert, Antworten zu liefern, die ein Gleichgewicht zwischen Genauigkeit und Vollständigkeit herstellen. Das Framework kombiniert einen API-Server mit einem einzelnen Reinforcement-Studying-Agenten, um datenbasiertes Denken mit verbesserter Genauigkeit, Transparenz, Effizienz und Übertragbarkeit zu orchestrieren.

Geben Sie Ihre Berechnungen mit Bedacht aus

Die Aktualität und Vollständigkeit der Antwort eines Modells haben ein ähnliches Gewicht wie die Bedeutung seiner Genauigkeit. Dies gilt insbesondere für den Umgang mit langen Eingabetexten und solchen, bei denen sich Elemente wie das Thema einer Geschichte im Laufe der Zeit weiterentwickeln. Daher überarbeitet EECS-Doktorand Songlin Yang, was Modelle bei jedem Schritt der Inferenz verarbeiten können. Rameswar Panda von IBM Analysis und Yoon Kim, NBX-Professor und außerordentlicher Professor in EECS, konzentrierten sich auf Transformatorbeschränkungen, wie sie in LLMs auftreten, und entwickelten zusammen mit Yang Sprachmodellarchitekturen der nächsten Technology über Transformatoren hinaus.

Transformatoren sind mit zwei wesentlichen Einschränkungen konfrontiert: hoher Rechenkomplexität bei der Langsequenzmodellierung aufgrund des Softmax-Aufmerksamkeitsmechanismus und begrenzter Ausdrucksfähigkeit aufgrund der schwachen induktiven Vorspannung von RoPE (Rotary Positional Encoding). Das bedeutet, dass sich der Rechenaufwand vervierfacht, wenn sich die Eingabelänge verdoppelt. RoPE ermöglicht es Transformatoren, die Reihenfolge von Token (d. h. Wörtern) zu verstehen; Es leistet jedoch keine gute Arbeit bei der Erfassung interner Zustandsänderungen im Laufe der Zeit, wie z. B. Variablenwerte, und ist auf die während des Trainings beobachteten Sequenzlängen beschränkt.

Um dieses Downside anzugehen, untersuchte das MIT-IBM-Group theoretisch fundierte und dennoch hardwareeffiziente Algorithmen. Als Various zur Softmax-Aufmerksamkeit haben sie die lineare Aufmerksamkeit eingeführt und so die quadratische Komplexität reduziert, die die mögliche Sequenzlänge begrenzt. Sie untersuchten auch Hybridarchitekturen, die Softmax und lineare Aufmerksamkeit kombinieren, um ein besseres Gleichgewicht zwischen Recheneffizienz und Leistung zu erreichen.

Um die Ausdruckskraft zu steigern, ersetzten sie RoPE durch eine dynamische reflektierende Positionskodierung basierend auf der Householder-Transformation. Dieser Ansatz ermöglicht umfassendere Positionsinteraktionen für ein tieferes Verständnis sequenzieller Informationen und sorgt gleichzeitig für eine schnelle und effiziente Berechnung. Die Fortschritte des MIT-IBM-Groups reduzieren die Notwendigkeit für Transformatoren, Probleme in viele Schritte zu unterteilen, und ermöglichen ihnen stattdessen, komplexere Teilprobleme mit weniger Inferenz-Tokens zu bewältigen.

Visionen neu

Visuelle Daten enthalten eine Vielzahl, die das menschliche Gehirn schnell analysieren, verinnerlichen und dann nachahmen kann. Mithilfe von Imaginative and prescient-Language-Modellen (VLMs) erforschen zwei Doktoranden Möglichkeiten, dies mithilfe von Code zu erreichen.

In den letzten beiden Sommern und unter der Leitung von Aude Oliva, MIT-Direktorin des MIT-IBM Watson AI Lab und leitende Forschungswissenschaftlerin im Labor für Informatik und künstliche Intelligenz; und Rogerio Feris, Dan Gutfreund und Leonid Karlinsky (jetzt bei Xero) von IBM Analysis hat Jovana Kondic von EECS das visuelle Dokumentverständnis, insbesondere Diagramme, erforscht. Diese enthalten Elemente wie Datenpunkte, Legenden und Achsenbeschriftungen, die optische Zeichenerkennung und numerisches Denken erfordern, womit Modelle immer noch Probleme haben. Um die Leistung bei Aufgaben wie diesen zu erleichtern, machte sich Kondics Gruppe daran, einen großen, offenen, synthetischen Diagrammdatensatz aus Code zu erstellen, der für Coaching und Benchmarking verwendet werden könnte.

Mit ihrem Prototyp ChartGen erstellten die Forscher eine Pipeline, die Bilder von Seed-Diagrammen durch einen VLM leitet, der aufgefordert wird, das Diagramm zu lesen und ein Python-Skript zu generieren, das wahrscheinlich ursprünglich zum Erstellen des Diagramms verwendet wurde. Die LLM-Komponente des Frameworks erweitert dann iterativ den Code aus vielen Diagrammen, um letztendlich über 200.000 einzigartige Diagrammpaare und deren Codes zu erstellen, die quick 30 Diagrammtypen umfassen, sowie unterstützende Daten und Anmerkungen wie Beschreibungen und Frage-Antwort-Paare zu den Diagrammen. Das Group erweitert seinen Datensatz weiter und trägt dazu bei, ein kritisches multimodales Verständnis für Datenvisualisierungen für Unternehmensanwendungen wie Finanz- und wissenschaftliche Berichte, Blogs und mehr zu ermöglichen.

Anstelle von Diagrammen hat der EECS-Doktorand Leonardo Hernandez Cano sein Augenmerk auf digitales Design gerichtet, insbesondere auf die visuelle Texturgenerierung für CAD-Anwendungen und das Ziel, effiziente Wege zu finden, um Funktionen in VLMs zu ermöglichen. In Zusammenarbeit mit den Laborgruppen unter der Leitung von Armando Photo voltaic-Lezama, EECS-Professor und Distinguished Professor of Computing am MIT Schwarzman Faculty of Computing, und Nathan Fulton von IBM Analysis hat Hernandez Cano ein Programmsynthesesystem entwickelt, das lernt, Code selbst zu verfeinern. Das System beginnt mit einer Texturbeschreibung, die ein Benutzer in Type eines Bildes vorgibt. Anschließend generiert es ein erstes Python-Programm, das visuelle Texturen erzeugt, und verfeinert den Code iterativ mit dem Ziel, ein Programm zu finden, das eine Textur erzeugt, die der Zielbeschreibung entspricht, und lernt, anhand der vom System selbst erzeugten Daten nach neuen Programmen zu suchen. Durch diese Verfeinerungen kann das neuartige Programm Visualisierungen mit der gewünschten Leuchtkraft, Farbe, Schillerung usw. erstellen und so echte Materialien nachahmen.

Zusammen betrachtet machen diese Projekte und die Menschen dahinter einen zusammenhängenden Vorstoß hin zu robusterer und praktischerer künstlicher Intelligenz. Durch die Bewältigung der Kernherausforderungen Zuverlässigkeit, Effizienz und multimodales Denken ebnet die Arbeit den Weg für KI-Systeme, die nicht nur leistungsfähiger, sondern auch zuverlässiger und kostengünstiger für reale Unternehmens- und wissenschaftliche Anwendungen sind.

Wie Ethereum-Gasgebühren haben Fortsetzung Im Gegensatz zu Jo-Jo und älteren L1-Systemen, die zunehmend unter ihrem eigenen Gewicht leiden, sind L2-Lösungen eingetreten, um etwas Reibungsloseres, Billigeres und Benutzerfreundlicheres zu bieten (und das alles, ohne den Kernethos der Blockchain der Dezentralisierung zu opfern). Dies ist das Gebiet, auf dem sich Etherlink in aller Stille und nicht ganz so leise einen Namen gemacht hat.

Aufbauend auf der Infrastruktur von Tezos, aber in der Lage, fließend Ethereum zu sprechen, hat sich Etherlink eine Nische geschaffen, die sowohl vertraut als auch frisch wirkt und Entwickler anzieht, die sich mit DeFi und Actual-World-Asset-Projekten (RWA) beschäftigen.

Zuletzt hat sich das Projekt mit Google Cloud zusammengetan, um qualifizierten Projekten bis zu 200.000 US-Greenback an „Cloud-Credit“ und Expertenunterstützung zu gewähren, sodass Groups experimentieren und bauen können, ohne sich Sorgen machen zu müssen, dass die Infrastrukturkosten ihre Begin- und Landebahn belasten.

DeFi-Highlight:

mRe7YIELD ist jetzt stay auf Etherlink, unterstützt von @midasRWA Und @re7labs.

Diese von Re7 Labs entwickelte deltaneutrale DeFi-Strategie erreichte kürzlich einen APY von 32 % → mit sofortigem Stay-Minting auf Etherlink. pic.twitter.com/MEomfyeVaM

— Etherlink (@etherlink) 24. Oktober 2025

Das Programm scheint im Zuge eines ernsthaften Ökosystemwachstums entstanden zu sein, wobei der Whole Worth Locked (TVL) von Etherlink auf sprunghaft angestiegen ist über 81 Millionen US-Greenback in den letzten drei Geschäftsquartalen, was größtenteils auf Projekte wie Lombard Finance und Midas zurückzuführen ist, die auf der Plattform gestartet sind.

Indem die Etherlink x Google Cloud-Partnerschaft darüber hinaus sicherstellt, dass Entwickler nahtlosen Zugang zu skalierbaren Backend-Diensten, Analysen und Marketingunterstützung haben, wird sie dieses Wachstum in naher Zukunft noch weiter vorantreiben.

DeFi-Produkte für institutionelle Zwecke sind jetzt auf Etherlink verfügbar

Von außen betrachtet haben die verbesserten Instruments und Betriebskapazitäten von Etherlink die Einführung anspruchsvoller Finanzprodukte ermöglicht, was kürzlich beim Tokenisierungsunternehmen Midas zur Schau gestellt wurde angekündigt zwei neue renditeorientierte Anlageprodukte auf der Plattform, nämlich mRe7YIELD (ein diversifizierter DeFi-Renditestrategie-Token) und mMEX (ein Arbitrage-Strategie-Token).

In der Praxis ermöglicht der mRe7YIELD-Token den Inhabern den Zugang zu einer Mischung aus DeFi-Renditestrategien in einem selbstverwahrten Vermögenswert, während mMEV auf Protokollarbitrage und neutrale Strategien abzielt. Beide Token werden in der Kette verwaltet (wobei Re7 Capital mRe7YIELD überwacht, MEV Capital mMEV überwacht) und funktionieren ohne traditionelle Vermittler.

DeFi-Highlight:

mRe7YIELD ist jetzt stay auf Etherlink, unterstützt von @midasRWA Und @re7labs.

Diese von Re7 Labs entwickelte deltaneutrale DeFi-Strategie erreichte kürzlich einen APY von 32 % → mit sofortigem Stay-Minting auf Etherlink. pic.twitter.com/MEomfyeVaM

— Etherlink (@etherlink) 24. Oktober 2025

Über tokenisierte Ertragstoken hinaus hat Etherlink als nicht verwahrte DeFi-Schnittstelle Oku auch große Fortschritte bei der DeFi-Kreditvergabe gemacht integriert das Morpho-Protokoll auf Etherlink. Kurz gesagt, Morpho ist eine Peer-to-Peer-Kreditmaschine und ermöglicht es Benutzern auf Etherlink, Vermögenswerte zu algorithmischen Zinssätzen zu verleihen und zu leihen, während sie gleichzeitig die Verwahrung ihrer Gelder behalten.

Mit der Morpho-Integration wurde auch der erste kuratierte Tresor von Etherlink ins Leben gerufen, der von MEV Capital betrieben wird und es Benutzern ermöglicht, USDC gegen einen Korb renditeträchtiger Token (einschließlich mMEV, mBASIS, mTBILL von Midas) mit institutionellem Risikomanagement zu leihen.

Ökosystem-Upgrades in Hülle und Fülle und vieles mehr

Während Etherlink einen unauslöschlichen Eindruck im DeFi-Bereich hinterlassen hat, scheint es sich auch zu einer Drehscheibe für tokenisierte Actual-World-Belongings (RWAs) entwickelt zu haben. Ein Paradebeispiel hierfür ist Uranium.io, der erste On-Chain-Marktplatz für den Handel mit physischem Uran, der auf der Infrastruktur von Etherlink basiert.

Die EVM-Kompatibilität der Plattform machte sie zu einer natürlichen Wahl für UW3O8 (einen Uran-Token), der kürzlich eingeführt wurde aufgeführt auf Hanji (dem On-Chain-Orderbuch-DEX für Etherlink), was es einfacher macht, in einen Markt zu investieren, der zuvor recht exklusiv und nur der Finanzelite zugänglich struggle.

Der Handel mit tokenisiertem Uran ist gerade gestiegen!

Es ist jetzt auch verfügbar auf @HanjiProtocoleine leistungsstarke On-Chain-Orderbuchbörse.

Zusätzlich zu den bestehenden Handelsplätzen bringt diese Erweiterung den Uranhandel vollständig in die Kette und ermöglicht so Zusammensetzbarkeit und eine tiefere Integration mit DeFi pic.twitter.com/26WT8uThuC

— XU3O8 (@uranium_io) 17. Oktober 2025

Schließlich ist das Netzwerk einfach ausgerollt eine neue Governance-Schnittstelle (Model 2), die den Stakern eine viel einfachere Möglichkeit bietet, Ketten-Upgrades vorzuschlagen und darüber abzustimmen. Darüber hinaus kam Mitte 2025 auch Etherlink auf den Markt integrieren Bitcoin über den LBTC-Token von Lombard Finance, was erhebliche Liquidität in das Tezos L2-Ökosystem bringt. Darüber hinaus hat Banxa Etherlink auch ein Fiat-On-Ramp-Widget hinzugefügt, sodass Benutzer XTZ, USDT oder USDC direkt kaufen können.

Was liegt vor uns?

Alles in allem zeigen die oben genannten Updates deutlich, dass Etherlink kontinuierlich ein Full-Stack-Ökosystem aufbaut, das Cloud-Unterstützung, eine Fülle von Finanzprimitiven, eine breite Vermögensbasis (Bitcoin, Rohstoffe, Stablecoins) und eine zukunftsfähige Infrastruktur bietet. Und mit Tezos selbst ist es so nähert sich Es handelt sich um ein weiteres großes Improve (Teil seiner Tezos

Die schnelle Reihe von Partnerschaften und Einsätzen von Etherlink veranschaulichen vorerst, dass sich die Plattform als Tezos-zentrierte Brücke zur breiteren Kryptowirtschaft etabliert hat. Es liegt, gelinde gesagt, eine interessante Zeit vor uns!

Wenn Sie heute versucht haben, eine Antwort von ChatGPT zu erhalten und frustrierend langsame Antworten oder völlige Verbindungsfehler erhalten haben, sind Sie definitiv nicht allein.

Überall im Web, von Social-Media-Threads bis hin zu Büro-Chat-Kanälen, taucht überall die Frage auf: „Ist ChatGPT ausgefallen?“ Es ist das vertraute Gefühl, wenn ein wichtiges Software plötzlich offline geht und Millionen von Menschen auf einen eingefrorenen Bildschirm starren.

Und die kurze Antwort, laut einer Flut von Nutzerberichten zum Outage Tracker Abwärtsdetektorscheint für viele ein klares „Ja“ zu sein. Dies scheint kein kleiner, lokalisierter Schluckauf zu sein; Die Plattform scheint mit einer erheblichen, weit verbreiteten Dienstunterbrechung zu kämpfen zu haben, die Benutzer auf der ganzen Welt betrifft.

Daten zeigen, dass der ChatGPT-Ausfall ein globales Downside ist

Ein kurzer Blick auf die Diagramme von Downdetector für die letzten 24 Stunden zeigt einen dramatischen Anstieg der Ausfallmeldungen, insbesondere heute, am 24. Oktober 2025. Die Beschwerden beziehen sich nicht nur darauf, dass der Dienst vollständig offline ist; Viele Benutzer weisen auf extrem langsame Reaktionszeiten und häufige Verbindungsabbrüche hin, die das Software praktisch unbrauchbar machen.

Dies ist nicht nur ein Downside in einer Ecke der Welt. Die Ausfallkarte auf Downdetector leuchtet in den Vereinigten Staaten, Europa und anderen Regionen auf und bestätigt, dass es sich um ein globales Downside handelt. Dwell-Kommentare auf der Web site zeichnen ein klares Bild der gemeinsamen Kopfschmerzen, wobei Berichte aus so unterschiedlichen Orten wie Massachusetts in den USA und mehreren Ländern in Osteuropa eingehen. Jeder scheint ähnliche Geschichten über Störungen zu erzählen.

Die OpenAI-Standing-Web site zeigt keine Probleme

Hier wird es etwas verwirrend. Trotz der Flut an Beschwerden auf Downdetector und in den sozialen Medien OpenAIs eigene offizielle Statusseite zeigt derzeit „Alle Systeme betriebsbereit“ an.

Diese Artwork von Verzögerung ist keine Seltenheit. Es dauert oft eine Weile, bis offizielle Statusseiten weit verbreitete, von Benutzern gemeldete Probleme widerspiegeln, insbesondere wenn das Downside eher zu Leistungseinbußen (z. B. extremer Langsamkeit) als zu einem kompletten Systemausfall führt.

Wie können Sie den Dwell-Standing überprüfen?

Wenn Sie sich fragen, ist es am besten, eine Echtzeitquelle zu überprüfen. Abwärtsdetektor ist dafür die erste Wahl, da es Berichte direkt von Benutzern aggregiert. Sie können ihre Dwell-„Problemkarte“ überprüfen und durch die neuesten Kommentare scrollen, um zu sehen, ob andere in Ihrer Nähe das gleiche Downside haben.

Hier ist die State of affairs in Kürze:

• Ja, es gibt ein Downside: Eine beträchtliche Anzahl von Benutzern berichten, dass ChatGPT entweder nicht verfügbar oder extrem langsam ist.
• Es ist international: Das betrifft nicht nur Sie oder Ihren Internetprovider. Berichte kommen aus der ganzen Welt.
• Es ist neu: Der letzte große Anstieg der Probleme ereignete sich innerhalb der letzten 24 Stunden.

Im Second scheint es das Einzige zu sein, was man tun kann, abzuwarten. Wenn Sie Probleme damit haben ChatGPTkönnen Sie sicher sein, dass Sie sich in guter Gesellschaft befinden.

---

Hervorgehobener Bildnachweis

Personalvermittler bitten Sie nicht mehr, die sechs normalen Formen zu rezitieren. Sie wollen dich hören Grund Über Daten um 2 Uhr morgens, wenn der primäre Shard heiß ist und der CFO auf die Stakeholder reagiert. Die Fragen, die Sie in diesem Artikel begegnen, wurden aus echten Interviews bei Google, Amazon, Stripe, Snowflake und einer Handvoll YC -Einhörnern geerntet. Jede Antwort ist lang genug, um das SQL -Muskelgedächtnis zu erfüllen, kurz genug, um in das Konversationsfenster zu passen, bevor der Interviewer nickt oder unterbricht. Verwenden Sie diese DBMS-Interviewfragen als Checkliste und dabei nicht exexhustiv.

Metrik für die Trennung

Ich habe die Fragen in drei Kategorien eingeteilt. Jede Kategorie ist auf ein bestimmtes Erfahrungsniveau zugeschnitten und steigt allmählich an. Die Liste enthält eine Mischung aus theoretischen Fragen, die während eines Interviews gestellt werden, und einige praktische Ergänzungen, um sich um die Pragmatik zu kümmern.

Anfänger

Diese Fragen sind für diejenigen related, die noch die Seile lernen.

Q1. Was ist ein Primärschlüssel und warum können wir nicht einfach verwenden? ROWID?

A. Ein Primärschlüssel ist a logisch, Einzigartige Kennung vom Designer ausgewählt. ROWID (oder ctid, _id usw.) ist a physisch Der vom Motor gehaltene Locator und kann sich nach Wartungsvorgängen wie Vakuum, Cluster-Nachbestellung oder Shard-Wiederausgleich ändern. Das Enthüllen eines physischen Zeigers würde in dem Second, in dem die Speicherschicht Seiten neu organisiert, auf dem neuesten Stand der Fremdschlüssel brechen. Ein Primärschlüssel ist dagegen unveränderlich und tragbar über Speichermotoren hinweg, was genau das ist, was die Referenzintegrität benötigt.

Q2. Erklären Sie logische Datenunabhängigkeit im Vergleich zur physikalischen Datenunabhängigkeit.

A. Logische Datenunabhängigkeit bedeutet, dass Sie die ändern können Logisches Schema (z. B. Hinzufügen von Attributen oder neuen Tabellen) ohne Umschreiben von Anwendungsprogrammen. Physikalische Datenunabhängigkeit bedeutet, dass Sie die ändern können Lagerstruktur (z. B. Indizes, Dateiorganisation), ohne das logische Schema oder die Abfragen zu beeinflussen.

Q3. Definieren Sie 1NF, 2NF und 3NF in einem Absatz und sagen Sie mir dann, welches Sie zuerst für Analytics entspannen würden.

A. 1nf: Jede Spalte enthält atomare, unteilbaren Werte (keine Arrays oder verschachtelten Tabellen). 2nf: 1nf Plus Jede Nicht-Style-Spalte ist vollständig von der abhängig gesamte Primärschlüssel (keine partielle Abhängigkeit). 3nf: 2nf Plus Keine transitive Abhängigkeit-Non-Key-Spalten hängen möglicherweise nicht von anderen Nicht-Schlüssel-Spalten ab. In Stern-Schema-Analysen lassen wir normalerweise zuerst 3NF fallen: Wir duplizieren den Segmentnamen des Kunden in der Faktentabelle gerne, um einen Be a part of zu sparen und Aktualisierungsanomalien für die Lesegeschwindigkeit zu akzeptieren.

This autumn. Was ist der Unterschied zwischen einem Schema und einer Instanz in einem DBM?

A. Die Schema ist das Gesamtdesign der Datenbank (ihre Blaupause), die normalerweise festgelegt und selten verändert wird. Der Beispiel ist der tatsächliche Inhalt der Datenbank zu einem bestimmten Zeitpunkt. Das Schema ist stabil; Die Instanz ändert sich jedes Mal, wenn Daten aktualisiert werden.

Q5. Geben Sie die vier Säureeigenschaften an und geben Sie eine Ein-Sekunden-Kriegsgeschichte, die gegen jeden verletzt.

A. Atomizität: Ein Debitposten, aber der Kredit verschwindet und das Geld verschwindet. Konsistenz: Ein negatives Gleichgewicht ist geschrieben; Die Überprüfungsbeschränkung feuert und die gesamte Transaktion rollt zurück. Isolierung: Zwei gleichzeitige Buchungen nehmen den letzten Sitz; Beide begehen und führen zu einem überverkauften Flug. Haltbarkeit: Commit Returns Success, Energy Fail, Write-Forward-Protokoll befindet sich auf der beschädigten SSD, was zu Datenverlust führt.

Q6. Was sind die verschiedenen Arten von Datenmodellen in DBMs?

A. Häufige Modelle umfassen:

• Objektorientiertes Modell (Objekte, Klassen, Vererbung).
• Hierarchisches Modell (Baumstruktur, Eltern-Form).
• Netzwerkmodell (durch Hyperlinks verbundene Datensätze).
• Relationales Modell (Tabellen, Schlüssel, Beziehungen).
• Entitätsbeziehungsmodell (Konzeptionaler Ebenen).

Sie haben einige Erfahrungen mit Datenbanken.

Q7. Was ist ein Impasse in DBMs? Wie kann es behandelt werden?

A. Impasse tritt auf, wenn zwei Transaktionen jeweils eine Ressource enthalten und auf die Ressource des anderen warten und für immer blockieren. Lösungen:

• Vermeidung (Banker -Algorithmus).
• Prävention (Sperrbestellung, Zeitüberschreitungen).
• Erkennung (Wait-for-Diagramm, Zykluserkennung).

Q8. Was ist Checkpointing in der DBMS -Wiederherstellung?

A. Ein Kontrollpunkt ist ein Marker, bei dem die DBMs Spült schmutzige Seiten und Protokolle zum stabilen Speicher. Während der Absturzwiederherstellung kann das System vom letzten Kontrollpunkt aus starten, anstatt das gesamte Protokoll zu scannen, was die Wiederherstellung schneller macht.

Q9. Was macht der Optimierer während eines wirklich? Kostenbasiert Schließen Sie sich der Wahl zwischen verschachteltem Schleifen, Hash und Zusammenführen an?

A. Es schätzt die Kardinalität jedes Kindes, konsultiert Spaltenstatistiken (häufigste Werte, Histogramme), berücksichtigt den verfügbaren Speicher (Work_MEM), Indizes und Sorten. Wenn die äußere Seite winzig ist (nach Filtern) und die innere Seite einen selektiven Index hat, gewinnt der verschachtelte Schleifen. Beide Seiten sind groß und ungeortiert, wodurch eine In-Reminiscence-Hash-Tabelle (Hash-Be a part of) erstellt wird. Wenn beide bereits sortiert sind (Index-Scan oder vorheriger Sortierschritt), ist Merge-Be a part of O (N+M) und Speichercheap. Die endgültige Kostenzahl ist I/O + CPU, gewichtet durch empirische Konstanten, die in pg_statisticist oder mysql.column_stats.

Q10. Erklären Phantom lesen und welches Isolationsniveau es verhindert.

A. Transaktion A läuft SELECT SUM(quantity) WHERE standing="PENDING" zweimal; Zwischen den Läufen fügt die Transaktion B eine neue ausstehende Zeile ein. A sieht eine andere Gesamtsumme – Phantom. Nur serialisierbare (oder Snapshot -Isolierung mit Prädikatsperrs) verhindert Phantome; Wiederholbares Lesen tut nicht (entgegen Folklore in Mysql).

Fortschrittlich

Sie haben Produktionsdaten gelöscht und dies durchlebt.

Q11. Ihr 2 TB -Tisch muss geschützt werden. Gib das genau Shard-Key-Entscheidungsbaum Sie würden sich gegen die CTO verteidigen.

A. 1: Hear Sie die Prime 10 Abfragen nach Frequenz und Bandbreite auf – Shard muss beides erfüllen.
2: Wählen Sie eine Hochkardinalität, gleichmäßig verteilte Säule (user_idnicht country_code).
3: Stellen Sie sicher, dass die Spalte in jeder Multi-Reihen-Transaktion angezeigt wird. Ansonsten wird zweiphasige Commit unvermeidlich.
4: Überprüfen Sie, ob Sie das Scorching-Spot-Risiko (z. B. ein Promi-Benutzer)-Hash-Shard + professional Shard AutoIncrement, nicht die Reichweite verwenden.
5: Beweisen Sie, dass Sie on-line mit logischer Replikation neu schützen können. Präsentieren Sie ein Dry-Run-Lower-Over-Skript. Erst wenn alle fünf Kästchen angekreuzt werden, unterschreiben Sie das Design -Dokument.

Q12. Führe mich durch die internen Schritte, die PostgreSQL von nimmt INSERT Aussage zu einem dauerhaften Scheiben -Byte.

A. 1: Parser → Uncooked Parse Tree.
2: Analysator → Baum mit Typen abfragen.
3: Planer → One-Node ModifyTable Plan.
4: Ausführender greift auf der Zielseite einen Pufferstift, fügt das Tupel ein und legt Xmin/Xmax -Systemspalten fest.
5: Wal -Rekord in gemeinsame Puffer eingefügt in Erinnerung.
6: Commit schreibt Wal über XLogwrite-jetzt Crash-Secure.
7: Hintergrundautor spülen später schmutzige Datenseiten; Wenn der Server vorher stirbt, wiederholen Sie die Wiederherstellung von Wal. Die Haltbarkeit ist in Schritt 6 garantiert, nicht Schritt 7.

Q13. Entwerfen Sie einen bitemporalen Tisch, der sich hält gültige Zeit (wenn die Tatsache in der Realität wahr struggle) und Transaktionszeit (als die Datenbank es wusste). Schreiben Sie den Primärschlüssel und den SQL, um eine rückwirkende Preisänderung zu korrigieren.

A. Primärschlüssel: (product_id, valid_from, transaction_from). Korrektur ist ein nur anhängen Einfügen mit einer neuen Transaktion einfügen. Keine Updates.

INSERT INTO worth(product_id, worth, valid_from, valid_to, transaction_from, transaction_to)

VALUES (42, 19.99, '2025-07-01', '2025-12-31', now(), '9999-12-31');

Um die vorherige falsche Behauptung zu beenden:

UPDATE worth SET transaction_to = now()

WHERE product_id = 42 AND valid_from <= '2025-07-01' AND valid_to > '2025-07-01'

  AND transaction_to = '9999-12-31';

Wählt jetzt verwendet FOR SYSTEM_TIME AS OF Und BETWEEN valid_from AND valid_to Um die richtige zeitliche Scheibe abzurufen.

Abschluss

Die Liste besteht aus einer vielseitigen Mischung aus Fragen von praktisch bis rein theoretisch. Dies bedeutet wirklich, dass Sie auf DBMS-Denken, nicht auf Syntax getestet werden: Schlüssel und Normalisierung, Säure- und Isolationsanomalien, Abfrageplanung, Wiederherstellung und Wal, Deadlocks, Shard-Kee-Strategie, Postgres-Interna und bitemporale Modellierung. Ziel ist es, Kompromisse, Invarianten, Fehlermodi und operatives Urteilsvermögen zu ermitteln.

Auswendiglernen Klauseln überspringen. Zeigen Sie, warum Primärschlüsse Rowids überleben, wenn wiederholbare Lesen immer noch Phantome durchlaufen, warum ein Hash -Beitritt zu verschachtelten Loops und wie Sie ohne Ausfallzeiten neu gestellt würden. Wenn Sie diese Entscheidungen laut durchgehen können, werden Sie als Ingenieur für Datensysteme auftreten.

Wenn Sie in einem Interview mit einem Datenbankingenieur wirklich alles durchmachen möchten, durch die folgenden Ressourcen: