展示了如何在PG中利用数组有效存储设备实时数据的例子，说到底，还是利用了PG丰富的数据类型。
对于PG 9.5以上的用户，达到同样目的（即减少index的存储）还可以尝试BRIN Index。因为监控数据恰好符合BRIN Index要解决的问题域。
虽然本文用的是关系数据库，但其Schema设计对于NoSql玩家同样有借鉴意义，因为文中用到的数组类型其实就是非传统关系型数据库的数据类型！比如，我之前在做工业物联网项目时就采用过类似的存储方式，只不过底层存储采用的是HBase罢了。
495Gpa之下，金属氢诞生了，完全颠覆了我对氢的理解。
绝佳的git速记卡，任何开发组织在培训新人的时候都可以用上。即使是老鸟，也能从中受益，打印出来，挂在电脑旁吧。
互联网已进入下半场，一二线城市处于饱和，三四线城市可能反而有很大的空间。随着购买力的提升，该地区人民对品质要求的也自然也水涨船高，随之也诞生了着眼于为本地用户提供服务的创业者。从而又引来新的需求：谁来为他们服务？
相比起一二线城市来讲，技术和运营是这些公司的短板，而他们确实又有不可替代的价值。因而，以一二线的技术和运营资源对接区域创业公司，为他们提供支持，未尝不是一门生意。
这是在湾区日报上看到的文章。虽是产品介绍，但其要义却可以参考：除了描述错误，同时提供复原案发现场的环境，这当然还得靠容器技术啦。这样省却了Issue Ticket中常常出现的环境描述的人工问题，皆大欢喜。
Citus是一个PG Extension，实现水平扩展和自动Sharding。其架构类似Hadoop的方式，分成master和worker。其中，master保留元数据和工作协调，worker存储实际数据和干活。
由于是Extension，相比起类似的方案，它要轻很多，而且可以无缝使用PG最新版的所有特性，同时还能跟其他Extension完美配合。
它提供了多种版本（社区版、Cloud和企业版），但社区版的一个限制是无法rebalance shard，这确实让人很遗憾！
AI逐渐普及的今天，法律该如何应对未来可能出现的AI导致的伤人或其他法律问题？与其他软件不同，AI可以自主学习。前者出了问题可以归咎于开发者。而对于AI，由于其本身就具有学习能力，那么在学习过程中出现的问题又该谁来负责？
简单地惩罚开发者显然是不合适的。因为开发者也无法预见到问题的发生，这就好比在小孩的成长过程中父母无法预见孩子在这一过程中的不当行为一样。
解决方案之一似乎又归结到了标准之上，这好比一个道德委员会规定了哪些行为是被允许的，哪些是不被接受的。未来，不排除出现每个AI设备上都需要加装这种行为控制芯片。说着说着，感觉科幻小说的情节离我们不远了。
自动化不仅让正确的变更可以快速传播，对于错误的变更也“一视同仁”。常用的三种基础设施管理方法：
- one stack with all environments
- a separate stack definition for each environment
- one stack definition managed with pipeline
第一种，全都搅和在一起，出现问题的几率最大，故差评；第二种，需要在不同环境间人肉同步变更，对于简单的发布和环境还罢了，对于复杂的发布流程和环境则有点使不上劲；最后一种，一看名字就高大上，一套配置模板，但将每个环境差异参数化并保存，利用流水线自动生成和更新（模板+参数）相应环境的变化。既方便测试验证，也省去了人工同步的麻烦和错误。但它的搭建和管理也最为复杂。
不用说，可供选择的方案只能在后两种中，至于如何选择，那就依靠各家自己的权衡了。
Generative Design让算法成为主设计师，而人类则成为设定目标和约束的发令官。这种设计之下的产物，不仅仅较以往更快，而且还往往跟自然法则暗合。文中举的例子主要涉及生物医疗、机械制造和材料，那么软件行业的例子会不会很快到来呢？