A PostHog testa agentes de IA em tarefas reais, como encontrar os bugs por trás de 33 incidentes passados, caso em que seu agente de revisão identificou 62%, ou verificar se falhas de playback afetaram usuários reais. Cada teste é isolado para que os agentes não possam copiar respostas anteriores. Para tornar as comparações justas, a empresa está construindo ambientes reiniciáveis com dados fixos.
A replicação lógica permite atualizar ou migrar o PostgreSQL com apenas alguns segundos de downtime. O processo consiste em rodar o cluster de destino em paralelo, fazer o stream das alterações e executar o cutover quando estiver tudo pronto. Em relação aos upgrades in-place, a vantagem real está na segurança de rollback e na portabilidade entre ambientes. Por outro lado, é preciso planejar o que a replicação lógica não move automaticamente, especialmente mudanças de schema e sequences.
A StarTree adaptou o índice vetorial HNSW do Pinot para tabelas Iceberg. Os registros de origem em Parquet continuam no object storage, e um índice derivado é armazenado e servido junto a eles. Com isso, é possível fazer consultas híbridas, combinando busca por similaridade e filtros SQL, sem manter uma segunda cópia dos registros. Há um trade-off: os índices têm aproximadamente o mesmo tamanho dos embeddings, e a atualização dos dados acompanha a sincronização de snapshots do Iceberg, e não a ingestão em tempo real.
A Jepsen identificou 96 problemas no ParticleDB, entre eles perda de dados, crashes e resultados SQL incorretos. A maioria apareceu sem qualquer falha de servidor. Grande parte foi corrigida durante os testes, mas bugs graves em transações permaneceram. A Orkes afirma que uma release mais recente resolve esses problemas, mas a Jepsen não verificou essa correção.
Os data products sobreviveram ao hype do data mesh ao se firmarem como uma disciplina de entrega, e não como uma reorganização corporativa. Na prática, isso significa um output governado, um responsável pela prestação de contas, um consumidor definido e evidências de valor. Os agentes de IA tornam esse modelo ainda mais importante, já que não conseguem recuperar contexto ausente por meio de conhecimento informal. A recomendação é começar por um workflow crítico para o negócio e, depois, tornar significado, qualidade, acesso e uso permitido legíveis por máquina.
O Apache Iceberg V4 passa a contar com chaves primárias, regras de unicidade e checks, como exigir valores positivos nos pedidos. Em um primeiro momento, porém, a maioria dessas restrições não será aplicada de fato (unenforced). Cada snapshot registra se os dados atendem às regras, e isso é tratado separadamente da obrigatoriedade de os writers as aplicarem em novas gravações.
O Kafgres, extensão do Postgres compatível com Kafka, alcançou cerca de 700 MB/s depois de três mudanças: cache de query plans, relaxamento da durabilidade do commit e troca do polling baseado em timer por verificações de prontidão de socket. Segundo o texto, a solução pode atender a muitas cargas de trabalho, mas a configuração com um único broker não tem a resiliência de um cluster Kafka distribuído entre zonas de disponibilidade.
Na maioria dos casos, inverter os rótulos de recompensa na memória de um agente de IA quase não altera como ele aprende. Este teste, porém, escondeu uma regra que só os rótulos poderiam revelar. Com rótulos verdadeiros, o GPT-6 Sol obteve 94,4 em 100 nas últimas seis tentativas; com rótulos invertidos, o resultado caiu para 7,8. O Claude Haiku 5.5 melhorou menos, e o Qwen3 4B quase não se alterou.
O Oracle GoldenGate em modo active-active só funciona quando a propriedade dos dados e a política de resolução de conflitos são definidas tabela por tabela, antes de a replicação começar. Simulações mostraram que até estratégias convergentes, como last-writer-wins, podem perder atualizações silenciosamente. Já o delta merging preserva cada decremento, mas não impede que as duas regiões aceitem uma requisição sobre a mesma última unidade antes que a replicação se atualize. A lição é direta: se as regras de negócio não toleram reconciliação, não dá para contar com a replicação multi-master para corrigir o problema depois.
Um resumo patrocinado do P99 CONF expõe os custos por trás de diferentes designs de bancos de dados. O object storage troca durabilidade de baixo custo por latência em leituras a frio. As engines otimizadas para leitura abrem mão de RAM e write amplification em troca de menor tail latency. Já a busca vetorial (vector search) troca quantization e complexidade de cache por escala. Os benchmarks relatados são específicos de cada workload, mas a lição que se repete é que remover um gargalo apenas desloca a restrição para outro ponto.
A migração do Databricks do Python 3.10 para o 3.12 quebrou os modelos MLflow serializados com pickle da Zalando. O caso, relatado no blog de engenharia da empresa, trata de como atualizar pipelines MLflow na transição entre versões do Python.
Um backup de PostgreSQL concluído com sucesso ainda pode falhar na hora de restaurar. Entre as causas estão transaction logs ausentes, corrupção copiada junto com os dados e chaves de criptografia perdidas.
Conteúdo curado diariamente, direto no seu e-mail.
