摘要： 上一篇讲述了一篇文章如何通过LLM转换成Cypher，然后在Neo4J里运行，形成知识图谱。此篇接着上篇，继续梳理一个用户查询，如何通过图数据库以及大模型去汇总查询结果。 阅读全文

摘要： 微软 SQL Server 2025发布应该快半年了，不知不觉发现已经跟这位老朋友一起奋斗了25个年头，SQLServer作为全球最受欢迎的企业级关系数据库之一，自 1989 年诞生以来已经走过了近 40 年的发展历程。本文将带你回顾 SQL Server 从第一个版本到最新 SQL Server 2025 的完整演进历史，并重点介绍每个版本的关键新特性。 阅读全文

摘要： 随着大语言模型的爆发，Text2SQL（自然语言转SQL）技术正在重塑我们与数据库的交互方式。本文将系统性地梳理提升 Text2SQL 准确率的核心方法，涵盖提示工程、模型微调、推理增强三大维度。**所有示例基于微软 AdventureWorksDW2016 数据仓库**。 阅读全文

摘要： 在最新的SSMS 22版本中，加入了微软官方的AI工具GitHub Copilot。此篇结合微软官方的文档，汇总了我们作为机长，应该如何跟这位副驾磨合。 阅读全文

摘要： 在之前的文章中，我们完成了 SQLServer 2025 向量数据库的搭建和基本配置。本文将深入介绍服务层和前端部分的三个核心模块：**Embedding 生成**、**数据入库流程**以及**前端交互关键代码**，完成一个基于SQLServer 2025的向量数据库的RAG系统流程。 阅读全文

摘要： 在第三篇笔记中，我们结合Python代码，通过Ollama的嵌入模型，实现了为SQLServer 2025向量数据库生成向量值。从SQLServer 2025开始，是支持直接把大模型作为EXTERNAL MODEL的。此篇将介绍如何配置Ollama里的嵌入模型作为SQLServer 2025的EXTERNAL MODEL。 阅读全文

摘要： 在大模型RAG应用中，提起向量数据库大家想到的更多的是Chroma和FAISS，微软也紧跟时代的步伐，并且在2025年底发布的 SQLServer 2025 也提供了原生向量支持，此篇将介绍如何在SQLServer 2025里搭建向量数据库环境。 阅读全文

摘要： 在AI问答与数据查询领域，传统RAG、Text2SQL、Graph RAG是三种核心的技术路径，它们各自有明确的定位、独特的特点，适配不同类型的查询需求。很多开发者在实际项目中会混淆三者的适用场景，本文将详细拆解每个系统的核心特点，明确其适合回答的问题类型，并搭配10个具体示例，帮助大家快速区分、精准选型。 阅读全文

摘要： 此篇是 SQL Server 图数据库实战的第二篇，继续构建知识图谱前端，将介绍基于 FastAPI 的服务层架构设计，以及 Vue3 + D3.js 前端图可视化实现。内容涵盖 API 路由设计、数据传输模型、前端组件化架构、D3.js 力导向图布局等核心知识点。 阅读全文

摘要： 在AI开发中，知识图谱是非常火的一个领域，而提到图数据库大家都会第一时间想到Neo4J，其实在SQLServer中早已有支持，此篇将简单演示如何在SQLServer下构建图数据库，实现知识图谱的管理。 阅读全文

摘要： 一直很好奇，一篇文章是如何进入到图数据库的，毕竟一篇文章啥格式都有，而写入到图数据库还必须遵从规则和语法，所以这注定不是一个普通RAG或者SQL的过程。此篇讲带大家一起看一下这里都需要经历哪些过程。 阅读全文

摘要： **SCD2（Slowly Changing Dimension Type 2）** 是维度建模中处理历史变更的行业标准且最常用的方案。相比快照方式，SCD2只写入真正发生变化的数据行，通过 `有效期` 字段精确记录每条数据的生命周期，用极低的存储成本实现完整的历史追溯能力。这一篇用详细的代码解释其工作流程。 此笔记使用的数据库为SQLServer，相应的示例脚本都围绕于此，其它数据库的相应实现会略有不同。 阅读全文

摘要： 什么是 Data Mart？Data Mart（数据集市）是数据仓库的**面向主题的子集**，专门为特定业务部门或分析场景服务。 我个人建议，前端BI工具，无论是Power BI或者是Tableau，都从这一层取数据，这样一来可以提高前端报表性能，同时也可以降低前端工具的建模难度。 此笔记使用的数据库为SQLServer，相应的示例脚本都围绕于此，其它数据库的相应实现会略有不同。 阅读全文

摘要： Star Schema（星型模型）是 **Ralph Kimball** 提出的维度建模方法，是数据仓库**面向分析的核心层**。 此笔记使用的数据库为SQLServer，相应的示例脚本都围绕于此，其它数据库的相应实现会略有不同。 阅读全文

摘要： 数据仓库可以帮助我们追溯数据的历史变化，其中最主要的一个方法就是缓慢变化维。 此篇主要介绍最常用的缓慢变化维：Type1, Type2, Type3。 此笔记使用的数据库为SQLServer，相应的示例脚本都围绕于此，其它数据库的相应实现会略有不同。 阅读全文

摘要： PSA（Persistent Staging Area，持久化暂存区）是数据仓库的**第一层持久化存储**，直接接收从业务系统抽取的数据，并**长期保存所有历史版本**。 作为数据库的第一层，叫法很多，也有叫stage，也有叫OBS，标准不是非常的统一。在我的系列笔记里都统一使用psa的这个叫法。 此笔记使用的数据库为SQLServer，相应的示例脚本都围绕于此，其它数据库的相应实现会略有不同。 阅读全文

摘要： 数据仓库（Data Warehouse，简称 DW 或 DWH）是一个**面向主题的、集成的、非易失的、随时间变化的**数据集合，用于支持管理决策。 此笔记使用的数据库为SQLServer，相应的示例脚本都围绕于此，其它数据库的相应实现会略有不同。 阅读全文

摘要： 环境：macOS + Neo4j + Python 阅读全文

摘要： 环境：macOS + Neo4j Browser，此篇简单介绍Cypher的CRUD操作。 阅读全文

摘要： 环境：macOS，Docker / Homebrew / Neo4j Desktop 三种安装方式，以及基础概念，快速入门。 阅读全文