- 关系型数据库这一组，前面已经写了建表、CRUD、升级和事务。还剩一个容易被新手误会的点：sendableRelationalStore。 它不是另一个 RDB 引擎，也不是“分布式关系型数据库”。它更像一组工具方法，用来处理可以跨线程传递的数据类型。关系型数据库真正写入时，还是回到 relationalStore.Rd 关系型数据库这一组，前面已经写了建表、CRUD、升级和事务。还剩一个容易被新手误会的点：sendableRelationalStore。 它不是另一个 RDB 引擎，也不是“分布式关系型数据库”。它更像一组工具方法，用来处理可以跨线程传递的数据类型。关系型数据库真正写入时，还是回到 relationalStore.Rd
- 以实习生视角讲述2026年从“周五靠回忆编周报”到“日常用工具留痕”的真实转变。指出周报困难根在过程无记录，通过某款每周任务复盘与周报工具的日常使用，实现了自动生成草稿、清晰定位阻塞、从汇报变复盘。同时坦陈工具局限，并给出“随手记录、周末整理”的实操建议，行文克制低调。 以实习生视角讲述2026年从“周五靠回忆编周报”到“日常用工具留痕”的真实转变。指出周报困难根在过程无记录，通过某款每周任务复盘与周报工具的日常使用，实现了自动生成草稿、清晰定位阻塞、从汇报变复盘。同时坦陈工具局限，并给出“随手记录、周末整理”的实操建议，行文克制低调。
- 数据库里最怕什么？不是写失败，而是写了一半。 比如你在本地保存一批账单，第一条餐饮写进去了，第二条通勤失败了。页面再一刷新，用户看到一半数据，后面就很难解释。这种场景就该用事务。 官方文档可以先放在手边： 通过关系型数据库实现数据持久化 relationalStore API 参考 先说结论 事务不是“高级写法”，它只 数据库里最怕什么？不是写失败，而是写了一半。 比如你在本地保存一批账单，第一条餐饮写进去了，第二条通勤失败了。页面再一刷新，用户看到一半数据，后面就很难解释。这种场景就该用事务。 官方文档可以先放在手边： 通过关系型数据库实现数据持久化 relationalStore API 参考 先说结论 事务不是“高级写法”，它只
- 2026年过半，作者反思自身工作困境，发现传统待办清单无法助力核心目标达成。通过引入个人OKR目标追踪软件（以板栗看板为例），将年度OKR拆解为周度可视化的看板任务，解决了“忙而无效”的痛点。文章复盘了工具如何帮助聚焦目标、客观衡量进度，并指出工具无法替代目标定义与深度思考，但能有效校准个人方向，附带了个人OKR工具选型参考表格。 2026年过半，作者反思自身工作困境，发现传统待办清单无法助力核心目标达成。通过引入个人OKR目标追踪软件（以板栗看板为例），将年度OKR拆解为周度可视化的看板任务，解决了“忙而无效”的痛点。文章复盘了工具如何帮助聚焦目标、客观衡量进度，并指出工具无法替代目标定义与深度思考，但能有效校准个人方向，附带了个人OKR工具选型参考表格。
- 本地数据库最容易被忽略的一件事，就是升级。 第一版上线时你可能只存一个 title。过几天产品说笔记要加分类，于是你想加一个 category 字段。新用户当然没问题，老用户手机里已经有旧表了，这时就不能靠删库重建糊过去。 这篇就用一个很小的例子，演示 RDB 怎么处理表结构升级。 官方文档可以先放在手边： 通过关系型 本地数据库最容易被忽略的一件事，就是升级。 第一版上线时你可能只存一个 title。过几天产品说笔记要加分类，于是你想加一个 category 字段。新用户当然没问题，老用户手机里已经有旧表了，这时就不能靠删库重建糊过去。 这篇就用一个很小的例子，演示 RDB 怎么处理表结构升级。 官方文档可以先放在手边： 通过关系型
- 上一篇我们已经把 RDB 的建库、建表、插入和读取跑通了。但真实业务里，很少只是“全部读出来”。更常见的是：按关键字搜、按状态筛、按优先级排序，再顺手改一条、删一批。 这篇就把这些操作串起来，重点看 RdbPredicates。 官方文档可以先放在手边： 通过关系型数据库实现数据持久化 relationalStore 上一篇我们已经把 RDB 的建库、建表、插入和读取跑通了。但真实业务里，很少只是“全部读出来”。更常见的是：按关键字搜、按状态筛、按优先级排序，再顺手改一条、删一批。 这篇就把这些操作串起来，重点看 RdbPredicates。 官方文档可以先放在手边： 通过关系型数据库实现数据持久化 relationalStore
- 前面讲 Preferences 和 KVStore 时，我们存的都是比较轻的数据。到了“有字段、有列表、后面还可能按条件查”的时候，就不要硬塞键值对了，直接上关系型数据库更舒服。 这篇先不铺太多概念，只做一个待办页。能建库、建表、保存、读取，就算入门跑通。 官方文档可以先放在手边： 通过关系型数据库实现数据持久化 re 前面讲 Preferences 和 KVStore 时，我们存的都是比较轻的数据。到了“有字段、有列表、后面还可能按条件查”的时候，就不要硬塞键值对了，直接上关系型数据库更舒服。 这篇先不铺太多概念，只做一个待办页。能建库、建表、保存、读取，就算入门跑通。 官方文档可以先放在手边： 通过关系型数据库实现数据持久化 re
- 前面已经写了 Preferences、KVStore、DeviceKVStore。如果再往跨端体验走一步，就会碰到“应用接续”。 我的理解很简单：Preferences/KVStore 负责本机长期保存，onContinue() 负责把“此刻页面状态”交给另一台设备。两者不是替代关系，而是配合关系。 官方资料可以先看： 前面已经写了 Preferences、KVStore、DeviceKVStore。如果再往跨端体验走一步，就会碰到“应用接续”。 我的理解很简单：Preferences/KVStore 负责本机长期保存，onContinue() 负责把“此刻页面状态”交给另一台设备。两者不是替代关系，而是配合关系。 官方资料可以先看：
- 前面我们写过 DeviceKVStore，也写过应用接续。分布式数据对象看起来也在做“跨设备同步”，但它的定位不一样。 它不是持久化数据库，更像把一个 JS 对象封装成可同步的共享状态。你在一个设备上改对象属性，同一个 sessionId 下的另一台设备可以收到变化。 官方文档可以先放在手边： 分布式数据对象跨设备数据 前面我们写过 DeviceKVStore，也写过应用接续。分布式数据对象看起来也在做“跨设备同步”，但它的定位不一样。 它不是持久化数据库，更像把一个 JS 对象封装成可同步的共享状态。你在一个设备上改对象属性，同一个 sessionId 下的另一台设备可以收到变化。 官方文档可以先放在手边： 分布式数据对象跨设备数据
- 上一篇我们用 SINGLEVERSION 做了一个本地草稿箱。它已经能保存、读取、清空，但数据只在当前设备里。 如果场景变成“手机写一半，平板继续写”，就可以继续看 DEVICECOLLABORATION。它还是键值数据库，只是数据会带上设备维度，并且可以在可信设备之间同步。 官方文档先放这里： 通过键值型数据库实现数 上一篇我们用 SINGLEVERSION 做了一个本地草稿箱。它已经能保存、读取、清空，但数据只在当前设备里。 如果场景变成“手机写一半，平板继续写”，就可以继续看 DEVICECOLLABORATION。它还是键值数据库，只是数据会带上设备维度，并且可以在可信设备之间同步。 官方文档先放这里： 通过键值型数据库实现数
- 上一篇写了 Preferences，它适合存昵称、主题、字号这类小配置。 这篇继续看 ArkData 里的键值型数据库，也就是 distributedKVStore。它同样是 keyvalue 思路，但比 Preferences 更适合放业务数据，比如草稿、缓存、离线任务状态这类“有一点量，但又不想上关系型数据库”的数 上一篇写了 Preferences，它适合存昵称、主题、字号这类小配置。 这篇继续看 ArkData 里的键值型数据库，也就是 distributedKVStore。它同样是 keyvalue 思路，但比 Preferences 更适合放业务数据，比如草稿、缓存、离线任务状态这类“有一点量，但又不想上关系型数据库”的数
- 做 HarmonyOS 数据持久化时，新手很容易先想到数据库。 但不是所有数据都值得建表。比如：昵称、深色模式、字号、是否第一次打开应用，这些都是“小配置”。这种场景用 ArkData 里的用户首选项 Preferences 就够了。 官方文档可以放在手边： 应用数据持久化概述 通过用户首选项实现数据持久化 先说结论 做 HarmonyOS 数据持久化时，新手很容易先想到数据库。 但不是所有数据都值得建表。比如：昵称、深色模式、字号、是否第一次打开应用，这些都是“小配置”。这种场景用 ArkData 里的用户首选项 Preferences 就够了。 官方文档可以放在手边： 应用数据持久化概述 通过用户首选项实现数据持久化 先说结论
- Sentieon在 120 核 456GB 内存的测试服务器上 35X 人类 WGS 数据+10X 的 PB 数据分析仅耗时 85.8 分钟，35X 人类 WGS 数据+10X 的 ONT 数据分析仅耗时 103.7 分钟，极大缩短了分析时间，加快科研成果转化。 Sentieon在 120 核 456GB 内存的测试服务器上 35X 人类 WGS 数据+10X 的 PB 数据分析仅耗时 85.8 分钟，35X 人类 WGS 数据+10X 的 ONT 数据分析仅耗时 103.7 分钟，极大缩短了分析时间，加快科研成果转化。
- 摘要：本文通过实战案例解析如何基于华为云ServiceStage构建自动化交付流水线，实现电商系统的双环境（灰度+生产）发布策略。涵盖架构设计、流水线实现、灰度策略、监控体系及故障处理，提供可直接落地的解决方案。 1 背景与挑战电商系统面临的核心挑战：高可用要求：99.99%可用性（年停机≤52分钟）发布风险：传统全量发布导致故障影响范围大业务连续性：大促期间需零停机更新验证复杂性：新版本... 摘要：本文通过实战案例解析如何基于华为云ServiceStage构建自动化交付流水线，实现电商系统的双环境（灰度+生产）发布策略。涵盖架构设计、流水线实现、灰度策略、监控体系及故障处理，提供可直接落地的解决方案。 1 背景与挑战电商系统面临的核心挑战：高可用要求：99.99%可用性（年停机≤52分钟）发布风险：传统全量发布导致故障影响范围大业务连续性：大促期间需零停机更新验证复杂性：新版本...
- 1 分布式事务的核心挑战 (1) 电商场景的典型痛点当用户提交订单时，系统需同时执行：订单服务创建订单记录（MySQL）库存服务扣减库存（Redis+MySQL）支付服务预占支付额度（第三方API）UserOrderServiceInventoryServicePaymentService提交订单请求扣减库存调用操作结果预占支付额度操作结果订单创建结果UserOrderServiceInv... 1 分布式事务的核心挑战 (1) 电商场景的典型痛点当用户提交订单时，系统需同时执行：订单服务创建订单记录（MySQL）库存服务扣减库存（Redis+MySQL）支付服务预占支付额度（第三方API）UserOrderServiceInventoryServicePaymentService提交订单请求扣减库存调用操作结果预占支付额度操作结果订单创建结果UserOrderServiceInv...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第三期2026/08/21 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；念擎-华为云AI开发者运营案例开发专家
本期直播内容：AI六层能力首次详细解读 + 新一代华为云开发者空间亮相 + 校园案例直播带练
回顾中
热门标签