1. 学习方向1.1. 技术栈编程语言分类1️⃣编译型语言Java、C、C2️⃣解释型语言脚本语言Python、JavaScript、Bash技术名称类别方向关键特点Python 编程语言后端、数据、AI、自动化全能业务开发语法简单新手友好用途最广Java ☕编程语言后端、安卓、企业系统大型稳定后台严谨稳重性能稳定语法繁琐JavaScript 编程语言前端 → 全栈网页交互逻辑演变1995-2009 只有前端浏览器2009 年 Node.js 诞生可跑在服务器现在前后端通吃浏览器 服务器 命令行工具都能跑TypeScript 编程语言前端、全栈大型前端项目JavaScript 的超集加类型检查大项目必备写的代码最终编译成 JS 运行PHP 编程语言后端、Web 应用传统网站 SaaS 后台专为 Web 而生开发速度快生态成熟WordPress、Laravel部署简单约 75% 网站后端在用Go 编程语言后端、云原生、微服务、高并发服务语法简洁编译快并发能力强goroutine性能接近 CDocker/Kubernetes 等云原生基础设施用 Go 写Rust 编程语言后端、系统编程、性能敏感服务内存安全零成本抽象性能媲美 C/C近年逐步进入 Web 后端如微信部分底层、DenoRuby 编程语言后端、快速原型、创业公司语法优雅开发效率极高Ruby on Rails 框架一套打天下适合快速 MVPC# 编程语言后端、游戏Unity、企业应用Microsoft 生态.NET Core 跨平台后份额回升适合 Windows 生态或大型企业HTML ️标记语言前端网页结构骨架搭建网页内容和结构CSS 样式语言前端网页样式美化不是编程语言只管外观Bash ️脚本语言运维、自动化Linux 命令行脚本调用系统命令自动化部署SQL ️查询语言后端、数据数据库操作增删改查数据管理JSON 数据格式全栈通用数据传输交换不是语言纯数据存储YAML 数据格式全栈、运维配置文件书写比 JSON 简洁靠缩进写配置首选技术名称类别归属方向关键特点Anaconda运行环境数据科学、AI类似 Node.js但带科学计算包Node.js运行环境后端、工具2009 年诞生不写浏览器也能跑 JSbun运行环境后端、工具更快直接跑 TypeScriptOpenClaw 用这个pip包管理器全栈类似 npmPython 生态用npm包管理器全栈Node.js 配套JS 生态核心Git版本控制全栈通用团队协作代码历史Docker容器化运维、部署环境一致一键部署PyTorch深度学习框架AIPython 写 AI 模型React⚛️前端框架前端组件化虚拟 DOMMeta 出品Vue前端框架前端上手简单渐进式国内流行Express⚡后端框架后端轻量灵活API 开发FastAPI⚡后端框架后端类似 Express但 Python 用Next.js▲全栈框架全栈SSR、SSGSEO 友好Django全栈框架后端类似 Next.js但 Python 用1.2. 互联网岗位岗位主要工作内容开发岗写代码、做设计、自测、通过流水线部署上线、修bug、写文档算法岗洗数据、选模型、调参数、把模型做成服务并部署、监控效果、持续优化测试岗设计测试用例、手动测、写自动化脚本、压测、在测试环境部署验证、跟踪bug运维岗搭部署流水线、管服务器和容器、配监控和告警、处理故障、做备份、管成本数据岗建数据模型、做ETL清洗数据、搭报表看板、设计AB实验、监控数据质量安全岗做安全评审、扫描漏洞、渗透测试、应急响应、管权限和合规DevOps 开发写代码 开发部署上线 运维提供工具平台方向2026年建议多模态算法强烈推荐。AI下半场核心方向需求旺盛薪酬高具身智能风口方向适合有CV/机器人背景的同学未来空间大Agent开发新风口OpenClaw引爆适合有工程能力算法思维的同学生成式推荐/广告搜广推方向首选Meta GEM已验证范式价值商业化价值最高大模型算法需求长期高位但竞争激烈需有垂直行业经验或部署优化能力AI安全新兴刚需Agent普及带来安全隐患适合有安全背景AI知识的复合型人才1.3. 模式SaaS软件即服务,一种商业模式。服务器由服务商负责客户无需自建软件持续自动更新客户按时间订阅付费使用的软件交付模式。典型产品:钉钉、飞书、Salesforce、腾讯会议、Google WorkspacePaaS平台即服务,一种云服务模式。提供运行环境操作系统、中间件、运行时客户只需部署代码不用管底层基础设施典型产品:Heroku、Google App Engine、阿里云ACE、SAE、Render、Vercel作用:用云端的计算资源跑你本地跑不动的代码。IaaS基础设施即服务,一种云服务模式。提供虚拟服务器、存储、网络客户自己装系统、中间件、应用典型产品:AWS EC2、阿里云ECS、腾讯云CVM、Azure VM作用:用云端的计算资源跑你本地跑不动的代码。GPU云主机:专门提供 GPU 算力的 IaaS通常预装驱动和深度学习框架开箱即用但仍需客户 SSH 进入管理代码和环境.例如AutoDL、阿里云GPU实例、矩池云、腾讯云GPU实例.2.虚拟化对比维度虚拟机 (VM)Docker 容器核心比喻公寓楼每个房间虚拟机都有独立的家具、水电和厨房完整的操作系统。宿舍楼每个房间容器共享公共厨房和卫生间宿主机内核房间内只放床和书桌应用和依赖。虚拟化层级硬件层面虚拟化模拟出完整的虚拟硬件CPU、内存等在其上运行完整的客户操作系统。操作系统层面虚拟化直接调用宿主机内核仅对进程进行隔离。资源占用高镜像通常包含完整操作系统体积大数GB占用较多的内存和存储空间。低镜像仅打包应用及其依赖体积小MB级别资源开销小。启动速度慢分钟级需要启动完整的操作系统。快秒级/毫秒级本质是启动一个或一组进程。隔离性强完全隔离提供硬件级别的虚拟化安全性高相互独立。弱进程隔离共享宿主机内核隔离性相对较弱若宿主机内核崩溃所有容器均受影响。跨平台性强可以在一个宿主机上运行不同类型如Linux、Windows的客户操作系统。受限容器必须与宿主机操作系统类型兼容如Linux上只能运行Linux容器。主要适用场景传统运维、异构环境、需要完全隔离和安全性的场景如在Linux上运行Windows应用。微服务架构、DevOps实践、云原生应用、需要快速交付和弹性伸缩的场景。3. MAC3.1. 快捷键公司电脑的主机是Macmini快捷键和win不太一样。操作Windows 原生Mac 原生普通键盘 Mac复制Ctrl CCommand (⌘) CWin C粘贴Ctrl VCommand (⌘) VWin V剪切Ctrl XCommand (⌘) XWin X全选Ctrl ACommand (⌘) AWin A撤销Ctrl ZCommand (⌘) ZWin Z重做Ctrl Y或Ctrl Shift ZCommand (⌘) Shift ZWin Shift Z保存Ctrl SCommand (⌘) SWin S打开Ctrl OCommand (⌘) OWin O新建Ctrl NCommand (⌘) NWin N查找Ctrl FCommand (⌘) FWin F打印Ctrl PCommand (⌘) PWin P切换应用Alt TabCommand (⌘) TabWin Tab关闭窗口Alt F4Command (⌘) WWin W退出应用Alt F4(通常)Command (⌘) QWin Q刷新F5或Ctrl RCommand (⌘) RWin R锁屏Win LControl Command (⌘) QControl Win Q截图全屏PrtScn或Win PrtScnShift Command (⌘) 3Shift Win 3截图区域Win Shift SShift Command (⌘) 4Shift Win 4截图窗口Alt PrtScnShift Command (⌘) 4然后空格Shift Win 4然后空格截屏到剪贴板Ctrl PrtScnControl Shift Command (⌘) 3/4Control Shift Win 3/4强制退出Ctrl Alt DeleteOption Command (⌘) EscAlt Win Esc打开终端Win R→ cmdCommand (⌘) 空格→ TerminalWin 空格复制文件地址按住Option键菜单中的“拷贝”选项会变成“拷贝为路径名称”。按住Alt键菜单中的“拷贝”选项会变成“拷贝为路径名称”。3.2. MAC文件系统1️⃣macOS和Unix的文件系统、命令行、权限、目录结构都极度相似lscdpwdmkdirrmcpmvlscdpwdmkdirrmcpmv2️⃣.openclaw是隐藏文件需要快捷键win Shift .才能显示4. 三种界面术语例子GUI(图形用户界面)玩手机App、用Windows系统、上网看视频CLI(命令行界面)在Linux终端里输入sudo apt update来更新软件或者用git命令管理代码版本。TUI(终端用户界面)在终端中编辑文件的Vim或Nano。安装软件时弹出的、需要你按Tab键选择“确定”或“取消”的蓝色配置界面。5. curl测试当出现问题时可以用排除法。可以用curl测试API是否有效。# 直接用 curl 测试你的 API Key curl -X POST https://api.tavily.com/search \ -H Content-Type: application/json \ -d { api_key: tvly-dev-…………………………………………………………, query: 今日热点新闻, max_results: 3 }6. 通过API下载kaggle数据集1️⃣打开Anaconda Navigator新建一个环境。2️⃣安装kaggle库在Anaconda Prompt激活新建的环境并安装kaggle库。(base) C:\Users\Winkyconda activate toolwear (toolwear) C:\Users\Winkypip install kaggle -i https://pypi.tuna.tsinghua.edu.cn/simple/ Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple/ Collecting kaggle Downloading https://pypi.tuna.tsinghua.edu.cn/packages/25/fc/6457512e32b677ff41c85d3f29a8f443626cf18b6113700f162171b2608c/kaggle-1.6.14.tar.gz (82 kB) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 82.1/82.1 kB 1.1 MB/s eta 0:00:00 Preparing metadata (setup.py) ... done Collecting six1.10 (from kaggle) Using cached https://pypi.tuna.tsinghua.edu.cn/packages/d9/5a/e7c31adbe875f2abbb91bd84cf2dc52d792b5a01506781dbcf25c91daf11/six-1.16.0-py2.py3-none-any.whl (11 kB) Collecting certifi2023.7.22 (from kaggle) Using cached https://pypi.tuna.tsinghua.edu.cn/packages/ba/06/a07f096c664aeb9f01624f858c3add0a4e913d6c96257acb4fce61e7de14/certifi-2024.2.2-py3-none-any.whl (163 kB) Collecting python-dateutil (from kaggle) Using cached https://pypi.tuna.tsinghua.edu.cn/packages/ec/57/56b9bcc3c9c6a792fcbaf139543cee77261f3651ca9da0c93f5c1221264b/python_dateutil-2.9.0.post0-py2.py3-none-any.whl (229 kB) Collecting requests (from kaggle) Using cached https://pypi.tuna.tsinghua.edu.cn/packages/c3/20/748e38b466e0819491f0ce6e90ebe4184966ee304fe483e2c414b0f4ef07/requests-2.32.2-py3-none-any.whl (63 kB) Collecting tqdm (from kaggle) Using cached https://pypi.tuna.tsinghua.edu.cn/packages/18/eb/fdb7eb9e48b7b02554e1664afd3bd3f117f6b6d6c5881438a0b055554f9b/tqdm-4.66.4-py3-none-any.whl (78 kB) Collecting python-slugify (from kaggle) Downloading https://pypi.tuna.tsinghua.edu.cn/packages/a4/62/02da182e544a51a5c3ccf4b03ab79df279f9c60c5e82d5e8bec7ca26ac11/python_slugify-8.0.4-py2.py3-none-any.whl (10 kB) Collecting urllib3 (from kaggle) Using cached https://pypi.tuna.tsinghua.edu.cn/packages/a2/73/a68704750a7679d0b6d3ad7aa8d4da8e14e151ae82e6fee774e6e0d05ec8/urllib3-2.2.1-py3-none-any.whl (121 kB) Collecting bleach (from kaggle) Downloading https://pypi.tuna.tsinghua.edu.cn/packages/ea/63/da7237f805089ecc28a3f36bca6a21c31fcbc2eb380f3b8f1be3312abd14/bleach-6.1.0-py3-none-any.whl (162 kB) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 162.8/162.8 kB 4.8 MB/s eta 0:00:00 Collecting webencodings (from bleach-kaggle) Downloading https://pypi.tuna.tsinghua.edu.cn/packages/f4/24/2a3e3df732393fed8b3ebf2ec078f05546de641fe1b667ee316ec1dcf3b7/webencodings-0.5.1-py2.py3-none-any.whl (11 kB) Collecting text-unidecode1.3 (from python-slugify-kaggle) Downloading https://pypi.tuna.tsinghua.edu.cn/packages/a6/a5/c0b6468d3824fe3fde30dbb5e1f687b291608f9473681bbf7dabbf5a87d7/text_unidecode-1.3-py2.py3-none-any.whl (78 kB) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 78.2/78.2 kB 4.2 MB/s eta 0:00:00 Collecting charset-normalizer4,2 (from requests-kaggle) Using cached https://pypi.tuna.tsinghua.edu.cn/packages/db/fb/d29e343e7c57bbf1231275939f6e75eb740cd47a9d7cb2c52ffeb62ef869/charset_normalizer-3.3.2-cp38-cp38-win_amd64.whl (99 kB) Collecting idna4,2.5 (from requests-kaggle) Using cached https://pypi.tuna.tsinghua.edu.cn/packages/e5/3e/741d8c82801c347547f8a2a06aa57dbb1992be9e948df2ea0eda2c8b79e8/idna-3.7-py3-none-any.whl (66 kB) Collecting colorama (from tqdm-kaggle) Using cached https://pypi.tuna.tsinghua.edu.cn/packages/d1/d6/3965ed04c63042e047cb6a3e6ed1a63a35087b6a609aa3a15ed8ac56c221/colorama-0.4.6-py2.py3-none-any.whl (25 kB) Building wheels for collected packages: kaggle Building wheel for kaggle (setup.py) ... done Created wheel for kaggle: filenamekaggle-1.6.14-py3-none-any.whl size105128 sha2563c50fb471a7e6a9b392cfd5e3bab839fa93baed148a0aeee2421e6296ce66951 Stored in directory: c:\users\吴伊晴\appdata\local\pip\cache\wheels\fb\97\67\a25fb181a2e051c3fa20aa1e435c4eee4b1142e27857e1c4f9 Successfully built kaggle Installing collected packages: webencodings, text-unidecode, urllib3, six, python-slugify, idna, colorama, charset-normalizer, certifi, tqdm, requests, python-dateutil, bleach, kaggle Successfully installed bleach-6.1.0 certifi-2024.2.2 charset-normalizer-3.3.2 colorama-0.4.6 idna-3.7 kaggle-1.6.14 python-dateutil-2.9.0.post0 python-slugify-8.0.4 requests-2.32.2 six-1.16.0 text-unidecode-1.3 tqdm-4.66.4 urllib3-2.2.1 webencodings-0.5.13️⃣Create New API Token进入kaggle官网点击右上方的头像再点击“Settings”,进入设置界面。找到API栏选择Create New API Token。Are you sure?你确定吗?Generating a new token will automatically expire any previous key.生成新令牌将自动使以前的任何密钥过期。选择继续之后得到一个自动下载的.json文件4️⃣将kaggle.json文件放入.kaggle文件夹.kaggle文件路径“C:\Users\Winky\.kaggle”将kaggle.json剪切过去。5️⃣Copy API command and downloadkaggle kernels output koheimuramatsu/cnc-milling-machine-tool-wear-detection -p /path/to/dest将“/path/to/dest”替换为我想该文件放的路径(base) C:\Users\Winkykaggle kernels output koheimuramatsu/cnc-milling-machine-tool-wear-detection -p D:\toolwear Warning: Looks like youre using an outdated API Version, please consider updating (server 1.6.14 / client 1.6.12) Kernel log downloaded to D:\toolwear\cnc-milling-machine-tool-wear-detection.log成功下载7. 复现代码经验选对代码GitHub star数高有详细README提供预训练权重issue区作者有在回复作者最近还在维护代码环境配置Python版本CUDA版本包依赖版本严格按照作者的要求来先跑demo或者预训练模型先跑通demo能确认代码逻辑和环境是对的。数据处理要写对数据路径预处理方式数据增强参数。 先可视化dataloader吐出来的数据确认输入图像、标签、shape都是对的。 可以写几行代码把batch打印出来看看或者保存成图片检查一下。 特别注意normalization这种细节有的代码用ImageNet的mean和std有的用自己数据集的统计值弄错了模型肯定训不好。 还有batch size作者可能用8卡训练batch size 64你单卡只能开8这时候learning rate要相应调整。对比官方结果要有耐心 深度学习训练有随机性seed不同、硬件不同、CUDA版本不同都可能导致结果有微小差异。 一般在1-2个点以内的波动是正常的。但如果差距很大比如论文里说80%你只跑到70%那就要仔细排查了。 先检查数据、再检查超参数、然后看看loss曲线是不是正常。可以去issue区搜搜有没有人遇到类似问题或者直接提issue问作者。记录一切方便回溯 复现的过程中一定要做好记录哪些参数试过了、哪些改动做了、结果是什么样的都要写下来。用wandb记录所有实验每次跑都自动保存config和结果曲线方便对比。如果不用工具至少也要建个Excel表格记一下。8. 部署部署方式特点Web框架直列Flask / FastAPI / Django将模型加载进内存通过HTTP接口API提供预测服务。优点上手快生态最完善和现有的Web系统结合最无缝。缺点性能瓶颈在Python GIL并发量一般资源利用率不是最高。适用场景个人博客的AI Demo小型内部系统原型验证。推理引擎优化ONNX Runtime / TensorRT / OpenVINO将模型转换为中间表示IR利用底层硬件特性进行极致加速。优点推理速度极快内存占用低跨平台能力强尤其ONNX。缺点需要额外的模型转换步骤部分模型算子可能不被支持调试稍麻烦。适用场景生产环境核心服务对延迟要求高的场景如广告推荐边缘计算设备。高性能服务框架Triton Inference Server / TorchServe / MLflow专为模型推理设计的服务框架内置模型版本管理、并发处理、动态批处理、GPU多模型共享。优点企业级特性高并发、高吞吐、模型热加载、多模型管理支持多种硬件后端。缺点架构复杂运维成本高需要专门的K8s或Docker环境。适用场景大型互联网公司核心业务同时服务多个模型日均调用量百万级以上。Serverless 与 云原生阿里云 EAS / AWS SageMaker / KServe将模型打包成容器交给云平台托管自动伸缩按需计费。优点免运维自动弹性伸缩成本可控不用时不计费与云生态完美结合。缺点存在冷启动延迟长期运行成本可能高于自建有厂商锁定风险。适用场景不定时调用的业务如定时数据清洗创业公司快速试错AI即服务。端侧与嵌入式部署TFLite / NCNN / Core ML将模型极度压缩直接在手机、浏览器、IoT设备上运行不依赖网络。优点数据隐私好不上传数据无网络延迟用户体验流畅。缺点硬件算力有限模型尺寸受限开发调试难度大。适用场景手机美颜App智能音箱工业质检摄像头自动驾驶。PyTorch - ONNX - ONNX Runtime把用 Flask 加载的 PyTorch 模型改写成先用torch.onnx.export导出成.onnx文件然后在 Flask 里用onnxruntime进行推理。预测速度变快服务器压力变小。模型端到端部署掌握 ONNX 格式转换ONNX Runtime 推理加速”。Flask - FastAPI Docker把现在的 Flask 服务换成 FastAPI它性能更好自带异步和交互式API文档然后用 Docker 把你的应用和依赖打包成一个镜像。Docker 解决了“在我电脑上能跑”的问题这是生产环境的基本要求。容器化部署使用 FastAPI 构建高性能推理服务”。NVIDIA Triton Inference Server用 Docker 跑起 Triton把ONNX 模型放进去用它的 HTTP 客户端去请求。Triton 是目前大厂的标配。模型服务化部署9. 环境变量在操作系统中环境变量是用来定义系统运行环境的一些参数。环境变量分为用户变量和系统变量它们在注册表中有对应的项具有不同的作用和区别。9.1. 用户变量用户变量是与每个用户账户相关联的它们只对当前用户有效不会影响其他用户。用户变量可以存储用户特定的配置信息例如用户偏好设置、个人路径等。用户变量的设置对于每个用户来说是独立的一个用户的变量不会影响其他用户。用户变量的修改只对当前用户会话生效当用户注销或重新登录时修改的环境变量才会生效。用户变量的编辑和管理通常由用户自身进行。定义用户变量是专门为每个使用计算机的用户设置的环境变量就像是每个用户自己的 “小抽屉”里面放着自己专用的东西。作用范围仅对当前登录的用户有效。如果你的电脑有多个用户账户每个用户的用户变量互不干扰。比如用户 A 设置了一个用户变量来指定自己的工作文档路径当用户 A 登录时计算机知道到哪里去找这些文档但其他用户登录时不会受此路径影响。应用场景个性化配置假设你是一个程序员你可能在自己的用户变量里设置了一个指向自己常用代码库的路径。这样当你在命令行或者开发工具中调用代码库相关命令时系统就能找到它。软件配置偏好某些软件允许用户通过用户变量来保存自己的配置偏好。比如音乐播放器你可以在用户变量中设置自己喜欢的音乐存储路径这样播放器就能直接打开这个路径下的音乐。IntelliJ IDEA指定了 IntelliJ IDEA 2024.1.1 版本的安装路径下的bin文件夹。这个环境变量可能会在系统需要调用 IntelliJ IDEA 的某些组件或工具时使用确保系统能够快速找到相应的可执行文件。OneDrive和OneDriveConsumer这两个变量都指向用户名为 “吴伊晴” 的 OneDrive 文件夹路径。这使得系统和相关软件能够方便地访问用户的 OneDrive 云存储实现文件的同步和管理。PyCharm和PyCharm Community Edition分别指定了 PyCharm 和 PyCharm Community Edition 不同版本的安装路径下的bin文件夹。与IntelliJ IDEA类似这个环境变量有助于系统在需要时快速找到 PyCharm 的相关可执行文件。Path变量中包含了与 Python 3.9 相关的脚本目录路径C:\Users\吴伊晴\AppData\Loca\\Programs\Python\Python39\Scr...使得系统能够方便地找到 Python 相关的脚本和工具。TEMP和TMP都被设置为C:\Users\吴伊晴\AppData\Local\Temp这个路径用于存储临时文件许多程序在运行过程中会使用此路径来暂存数据。9.2. 系统变量系统变量是与整个操作系统相关联的它们对所有用户有效适用于系统中的所有用户账户。系统环境变量通常用于存储全局配置信息例如系统路径、系统级别的库路径等。系统环境变量的设置对于整个系统和所有用户都是共享的一个用户的变量会影响其他用户。系统环境变量的修改会立即生效无需重新登录或注销。系统环境变量的编辑和管理通常需要管理员权限。定义系统变量是整个计算机系统都需要知道的信息就像是整个房子计算机系统的公共设施供所有住户用户使用。作用范围对所有用户账户都有效无论哪个用户登录计算机系统变量都在起作用。例如系统变量中定义了系统程序如 Windows 的命令提示符或 Linux 的 bash的默认搜索路径这是每个用户在操作命令提示符时都需要的信息。应用场景系统路径设置系统需要知道一些重要程序的位置如操作系统的核心程序和系统自带命令工具的路径。当你在命令行输入一个命令比如 “ping”一个用于测试网络连接的命令系统会通过系统变量里的路径信息找到 “ping” 程序并执行它。软件共享资源某些软件需要共享的资源或配置会使用系统变量。例如Java 运行环境的安装路径通常会被设置为系统变量这样无论哪个用户在计算机上运行 Java 程序系统都能找到 Java 运行环境来执行程序。9.3. 优先级当用户变量和系统变量中存在同名变量时Windows 会将用户变量覆盖系统变量。对于普通变量用户环境变量优先级高于系统环境变量。系统会先检查用户变量之后再检查系统变量。对于 Path 变量系统环境变量优先级高于用户环境变量。Windows 在查找指令的时候是按 Path 中的路径从前往后找直至在某个路径中找到了该指令。如果系统变量 Path 中有对应指令的话Windows 就不会再去用户变量 Path 中查找。总结起来用户环境变量是与每个用户账户关联的用于存储用户特定的配置信息而系统环境变量是与整个操作系统关联的用于存储全局配置信息。用户环境变量只对当前用户有效而系统环境变量对所有用户有效。用户环境变量的修改需要重新登录才能生效而系统环境变量的修改会立即生效。10. 数据库分类核心逻辑一句话代表产品关系型表格之间通过关系连接用SQL查MySQL、PostgreSQL、SQLite文档型存JSON文档结构灵活MongoDB键值型就是一个大字典Key找ValueRedis、Memcached列族型按列存适合海量数据Cassandra、HBase图型存人和人的关系节点边Neo4j时序型存监控数据时间数值InfluxDB搜索引擎型专做全文搜索倒着索引Elasticsearch向量型存AI向量找相似FAISS、Milvus