背景

海外支付系统面临监管差异、场景复杂、渠道质量不一等挑战。原有方案定制化程度高，导致接入慢、维护难，无法支持业务敏捷拓展。三方支付渠道的不稳定性也对支付体验及业务指标造成影响。需构建智能支付路由系统，实现支付路径优化与风险防控，为全球化业务提供稳定高效的支付支撑。

海内外差异

从金融信贷业务的视角审视。海内外市场在支付模式与信贷结构上存在系统性差异，这一差异直接传导至支付路由系统架构的设计逻辑与实现路径。由于资金合作模式的多样性以及支付行为范式的区域性特征，支撑不同业务线的支付系统在资金流转机制、风险控制框架、用户交互设计及合规适配层面均呈现显著差异，集中体现在以下四个关键维度：

资金流转模式

国内助贷采用机构直连放款，资金从持牌机构经银行存管直接划转至用户，链路短且封闭。海外则需平台介入中转，借助第三方支付从平台账户二次拨款至借款人，链路更长且支付机构在资金储备、入金及清算上差异显著，因此必须建立精细化的备付金管理体系，将其作为路由决策核心，以平衡效率与流动性风险。

用户还款交互模式的范式转变

国内还款主要采用用户授权代扣模式，通过已签约的支付协议自动扣款，流程简洁、确定性高。相比之下，海外普遍采用虚拟账户充值模式，用户需通过专属虚拟账户主动完成还款操作，这增加了前端交互的复杂度，且不同国家与业务线对还款方式和支付渠道的偏好差异明显。因此，还款系统需具备智能路由和个性化收银台配置能力，以根据不同地区和场景动态适配渠道、界面与交互，提供定制化的还款体验。

风险控制与失败归因机制

国内支付依托银行验证，风险集中于信用维度。而海外用户广泛使用电子钱包等工具，频繁受单笔限额、累计限额、账户等级等约束。因此系统需建立精细化的失败归因体系，将限额、身份验证等与通道无关的失败原因单独归类，避免其干扰通道性能评估，确保路由决策基于通道真实服务能力。

运维策略与容灾机制

国内支付基础设施成熟稳定，服务中断多源于计划内维护。相比之下，海外第三方支付常因技术、合规等原因发生非计划中断，且部分银行有固定交易黑暗期。系统需支持预设维护窗口与黑暗期规则，并在这些时段自动将交易降级至备用通道，以保障交易成功率与体验连续性。

名词解释

支付渠道

支付交易体系中面向终端用户的交互界面层，特指支付服务提供商向用户呈现的可选支付方式的完整集合。这一概念的本质在于用户可感知性——它代表了用户在完成交易时，在支付界面所面对的具体选择项。如国内的支付宝、微信支付、银行渠道。

供应商

支付交易体系中的基础设施提供方，指具备支付清算资质和技术能力，为商户或支付服务商提供支付处理服务的金融机构或支付机构。他们是支付交易链中的能力输出方，支撑着整个支付交易的运转，通常存在以下三种类别：

二方银行：商业银行作为直接的支付服务提供方，如ICBC, ABC, CCB等。

三方支付机构：获得支付业务许可的非银行金融机构，如支付宝、微信等。

聚合支付服务商：整合多方支付能力，提供一站式支付解决方案的技术平台，如云闪付、美团支付等。

支付通道

支付通道是金融支付领域中一个抽象的业务概念，特指将资金供应商、交易产品形态与清算银行三者有机结合形成的标准化资金流转路径。具体而言，它描述了资金从供应方经由特定产品模式，通过指定银行机构完成向最终收款账户转移的完整执行链路。

通俗来讲：当前用户绑定支付渠道是ICBC，系统通过聚合支付宝付给用户打了一笔款，那么宝付 -> ICBC就代表一条支付通道。

路由

基于支付通道的属性特点和业务需求的个性化需求，线上每一笔资金支付交易都需要筛选出符合业务需求的最优通道。简单来说，就是当业务系统需要收付款时，路由系统负责为其选择一条最佳的支付通道（时效、成本、成功率），路由的主要功能，即为线上的每一笔资金交易提供最终的决策支持。

路由主要分为两类：一类是收银台展示支付方式的路由，它根据不同的用户和业务线的个性化需求，展示不同的支付方式及其排序，即引导路由；另一类则是绑定的支付渠道提交支付请求的路由，它根据支付交易的属性匹配通道的属性，从而选择最适合该笔支付交易的通道来进行资金交易，即交易路由。

海外支付路由系统建设

基于海内外支付系统在资金流转路径、用户交互模式及监管合规环境等方面存在的结构性差异，结合支付底层核心概念的抽象与重构，海外支付路由系统需构建一套具备高度适应性、智能性与可扩展性的技术架构。系统主要围绕以下六个核心功能模块展开设计，以支撑海外新业务线的高效接入、稳定与合规运营：

统一领域建模体系

对支付交易全链路进行高阶抽象与标准建模，建立统一支付域语言与核心聚合（渠道、通道、三方、路由策略）。通过解耦业务逻辑与技术实现，消除不同业务线（消费贷、现金贷、BNPL等）与多元支付供应商（银行、电子钱包、聚合支付三方）间的异构性。实现配置驱动的策略管理机制，确保支付规则、费率结构、限额控制等核心参数可实现全局配置、即时生效与跨域共享，大幅提升系统的灵活性与维护效率。

智能路由与容灾降级机制

构建实时、多维的通道健康度监控体系，通过动态采集成功率、响应时间、错误率等关键指标，实现对支付通道的持续性能评估。当特定通道成功率低于预设阈值时，系统自动触发熔断机制，实时将流量切换至备用通道，保障交易连续性。熔断通道进入隔离状态后，系统通过定期探测与渐进式恢复策略，自动验证通道可用性并实现平滑恢复，形成完整的“监控-熔断-恢复”闭环，显著提升系统整体可用性与韧性。

可视化运营管理平台

基于低代码与可视化设计理念，构建面向业务运营人员的自助式管理平台。支持对业务场景配置、资金调度计划、渠道额度分配等核心运营要素进行图形化编排与实时调整。运营人员可通过拖拽式界面完成策略配置，实现秒级发布与即时生效，大幅降低对技术资源的依赖，提升业务响应速度与运营自主权。

定制化场景路由策略

针对差异化业务场景提供专属路由策略配置能力。对于大额资金结算场景，系统支持配置专属高可靠通道与多级复核流程；针对机构客户或BNPL（先享后付）合作商户，提供定制化的结算周期、分级费率与专属通道路由策略。通过场景化策略引擎，实现在统一架构下对特殊业务需求的精准适配与高效支持。

智能成本优化引擎

构建多目标优化的智能决策模型，系统实时计算各支付通道的综合成本（交易费用）、健康状态评分及当前业务需求匹配度。基于动态权重算法，在支付成功率、交易成本、到账时效等多维度约束下，自动选择综合最优支付路径，实现成本效率与服务质量的最佳平衡，持续优化单位交易经济效益。

渠道动态维护与预防式管理

建立渠道全生命周期管理机制，支持运营后台对异常渠道进行实时标记与立即剔除，避免故障通道参与后续路由决策。通过预设维护时间窗口、黑暗期规则及版本迭代计划，实现预防式交易管理。系统自动在渠道维护期间将交易流量降级至备用通道，并在服务恢复后自动回切，最大限度减少计划外停机对业务的影响，保障支付服务的连续性与稳定性。

系统架构

路由核心模块

交易路由

交易路由是支付体系中的执行层路径选择范式， 专注于在支付请求提交阶段，根据交易的客观属性和通道的技术特性，动态选择最优执行路径。与展示层的引导路由不同，交易路由的核心特征在于路由核心计算逻辑，保证每一笔提交的交易请求可以实时决策出当前系统支持的最优支付通道，保证交易成功率。

交易路由核心流程

通道获取 → 层级筛选 → 三维评分 → 择优决策

层级筛选

① 通道状态 → ② 黑暗期 → ③ 维护期 → ④ 熔断状态 → ⑤ 金额区间 → ⑥ 备付金

路由计算

通道交易路由评分 =  通道成本值 * 成本值权重 + 通道健康值 * 健康值权重 + 通道业务值 * 业务值权重

给定通道  的成本值 、健康值 、业务值 ，其路由评分  计算公式为：

通道成本计算逻辑

通道成本值是一个归一化评分指标，它将不同通道的实际手续费转换为0-100的标准化评分体系。该算法的核心逻辑是：手续费越低的通道，成本值评分越高（最高100分）手续费越高的通道，成本值评分越低（最低0分）。

业务值计算

业务值计算采用策略驱动型二元判定模型，根据预设路由策略规则对用户请求进行匹配性评估。该模型将通道的业务适配度量化为二元评分，以反映通道在特定场景下对当前用户的策略符合程度。 路由策略由三个核心维度构成：

• 场景维度：界定策略适用的业务场景
• 用户维度：定义用户标识的匹配规则
• 通道维度：指定策略关联的支付通道集合

健康值计算

通道  的健康值  由交易成功率  和交易时效评分  加权计算得出：

参数定义：

交易路由流程

引导路由

引导路由系统作为支付生态体系中的前端智能决策层，承担着连接用户支付意愿与可用支付能力的关键桥梁作用。该系统通过对用户特征、业务场景、交易属性等多维度信息的实时分析，为不同用户群体在不同业务场景下动态生成个性化支付方式展示方案，故引导路由的核心逻辑在于从用户视角出发，而非复杂的路由计算实现。系统将复杂的支付通道能力抽象为用户可理解的支付方式选项，通过智能排序、动态筛选、个性化推荐等机制，降低用户决策成本，提升支付转化效率。

路由核心流程

通道获取→ 策略获取 → 业务路由判断 →  降级计算 → 个性化参数组装

层级筛选

① 通道状态 → ② 黑暗期 → ③ 维护期 → ④ 熔断状态

路由计算

通道引导路由结果 =  通道活跃状态 + 用户可见性 + 业务配置匹配

引导路由流程

智能熔断

在复杂的支付体系中，通道的稳定性直接影响着每一笔交易的成败。当某个支付通道突然响应缓慢或频繁失败时，系统需要智能地识别、隔离并最终恢复这条"断联"的通道，故路由体系需要支付通道健康监控和熔断机制。

• 数据采集

系统以分钟为单位，持续收集每条通道的交易表现数据，包括：成功交易数、失败交易数、待处理交易数、平均响应时间等。

• 熔断机制

触发条件

数据充分性：只有当通道在过去半小时内有至少n笔交易时，才具备被评估熔断的资格——避免因数据不足误伤健康通道。

失败率控制：失败交易占比超过S%？这是一个危险信号。系统会立即分析是偶发问题还是趋势性问题。

积压监控：Pending交易占比超过S%？说明通道处理能力已接近饱和，需要暂时减压。

响应时效：平均响应时间超过T秒？交易时效需要保证。

熔断执行

状态标记：数据记录，明确熔断起始点

通道拦截：设置通道冷却期，期间该通道不会出现在可选列表中

流量转移：所有交易请求自动路由至其他健康通道

恢复策略

状态标记：更新熔断通道状态，可进行交易尝试

康复验证：进入标记状态后，系统不会立即完全恢复通道，而是采用渐进式验证；观察到通道存在成功交易，系统确信通道已康复，标记移除，状态恢复。

未来规划

容灾收单与自动补款体系建设，为彻底解决因渠道瞬时全不可用导致的成交流失问题，规划构建“容灾收单-自动补款”的交易闭环体系，实现路由系统与交易系统的协同迭代。

交易侧容灾收单：当智能路由系统判断所有可用通道均因异常熔断、备付金不足或处于黑暗期而失效时，交易系统将自动启用兜底收单服务，优先保障用户体验与交易流程不中断，完成订单落单。

自动补款：对容灾收单产生的待处理订单，系统将其纳入自动补款队列。路由系统将根据预设策略（如时间间隔、渠道恢复状态）重新发起路由决策与支付尝试，完成资金闭环，最大化挽回交易损失。

作者介绍

导读：面对万亿级广告数据存量、日均 3 亿行增量及数千个复杂查询模板的挑战，快手广告数据平台如何突破性能瓶颈、实现架构统一与体验跃升？本文系统介绍了快手广告团队从 ClickHouse on ES 混合架构，全面迁移至 Apache Doris 的统一分析实践，最终实现查询性能提升 20～90%，写入吞吐提升 3 倍，存储效率提升 60%。

本文整理自快手高级计算引擎研发工程师 周思闽 在 Doris Summit 2025 中的演讲内容，并以演讲者第一视角进行叙述。

快手是国内日活过亿的短视频平台，其广告投放平台是商业化外部广告主与快手电商商家进行广告投放的主要阵地，支持客户在平台上进行广告物料搭建、物料管理、策略变更、数据查看等操作，这对底层数据系统的存储、计算与查询性能提出了极高要求。

要支撑如此大规模的广告投放与实时分析，底层数据架构面临巨大挑战。当前，快手的广告数据包括：由投放系统产生的物料数据以及用于数据分析的效果数据，这些数据呈现出三个显著特征：

• 数据存量巨大：广告物料累计已达千亿级别，且随业务发展正向万亿规模迈进，存储体量位居公司前列，对架构扩展性提出极高要求。
• 数据增长迅猛：仅 2025 年第一季度，日均新增广告物料数据同比激增 3.5 倍，要求底层引擎具备强大的实时写入与弹性扩展能力。
• 数据模型复杂：整个数据体系涵盖约 700 个核心字段，涉及物料、投放、用户、效果等多个维度；同时，为应对多样化分析场景，沉淀的查询模板已超 4000 个，对查询引擎的兼容性与性能均是严峻考验。

架构演进：从分散存储到统一分析

01 早期架构及挑战

早期存储架构中，物料数据由 MySQL、Elasticsearch 协同存储；效果数据主要存储与 Clickhouse 中。

数据分析时，将分散在 MySQL、Elasticsearch 中的物料数据与 ClickHouse 中的效果数据进行高效关联查询，从而为广告主提供完整、及时的投放效果洞察。

在如上所说的 ClickHouse on ES 架构中，用户提交的查询通常包含 Elasticsearch 外表（a）与 ClickHouse 内表（b）。ClickHouse 会解析查询中外表部分，将其转换为 Elasticsearch 查询语句，通过 HTTP 请求获取数据并封装为 Block，最后在引擎内部完成与内表的关联计算。

然而，随着 Elasticsearch 中数据量持续增长，该架构逐渐暴露诸多问题：

• 查询性能恶化：慢查询率上升至 35%，平均查询耗时达到 1.4 秒；
• 存储瓶颈：Elasticsearch 单分片难以支撑 10 亿级以上数据量，扩容与数据重分布成本高；
• 运维复杂度高：数据链路依赖组件多，运维与监控成本显著上升；
• 问题定位困难：缺少 ClickHouse 与 Elasticsearch 之间的全链路可观测手段，出现查询延迟、数据不一致等问题时，需跨系统排查，耗时较长。

02 选型目标及调研

基于上述问题及挑战，我们为新架构设定了明确目标：

• 慢查询率低于 5%；
• 运维排查耗时降低至分钟级；
• 支持单表万亿级别数据存储；
• 保障数据实时性，延迟低于 5 分钟。

基于以上目标，我们对 Apache Doris、ClickHouse、Elasticsearch 等主流 OLAP 引擎进行了全面的调研与性能压测。测试涵盖了写入吞吐、查询延迟、存储压缩率、全文检索性能等关键维度。

在这过程中，ClickHouse 首先被排除，因其不支持唯一键模型，而广告物料数据存在大量更新场景，要求引擎具备主键更新能力。因此，重点在 Elasticsearch 与 Apache Doris 之间进行对比。

综合测试结果，Apache Doris 在写入性能、查询效率、存储成本及运维复杂度等方面均表现优异，不仅能够满足既定架构目标，还在多个场景下显著优于 Elasticsearch。因此，我们最终选定 Apache Doris 作为下一代广告数据分析引擎。

03 基于 Apache Doris 的统一分析引擎

在实际应用中，我们引入 Apache Doris（计算引擎） 替换了原先架构中的 Elasticsearch、ClickHouse，设计了统一分析引擎 Bleem。通过在外部表模块中引入数据缓存层与元数据服务层，有效提升了跨源查询效率，使数据湖外表的查询性能接近内表水平，实现了关键的性能突破。

具体来看，Bleem 架构自下而上分为 5 层：

• 存储层：数据湖中的 Hive/Hudi 数据存储于 HDFS；存算分离模式下的内表数据存放于对象存储 BlobStore；存算一体模式下的内表数据则存储于本地磁盘。
• 缓存层：将 Hive/Hudi 外部表数据缓存至 Alluxio，保障 I/O 稳定性，提升数据读取效率。
• 计算层：Apache Doris 为核心引擎。不同项目组对应不同的 Doris 集群，以实现计算资源物理隔离，用户可按需申请计算资源。依托于 Doris 湖仓查询能力，可直接对 Doris 内表与外部 Hive/Hudi 数据查询。同时，Doris 也支持存算一体与存算分离两种部署方式，可根据实际需求灵活选择。
• 服务层：元数据缓存服务实时监听 Hive 元数据变更，并同步至缓存中，以提升湖仓外部表的查询效率。
• 接入层：将 OneSQL 作为统一查询接入网关，提供集群路由、查询改写、物化改写、查询鉴权、限流与阻断等功能。

依托 Doris 强大的 OLAP 计算与湖仓一体能力，将此前分散的数据湖分析、实时 OLAP 查询、在线报表及全文检索等多种场景，统一整合至同一套引擎架构中，实现了技术栈的收敛与提效。该架构在实际落地中已带来显著收益：

• 性能大幅提升：慢查询率低于 5%，整体查询性能提升了 20%～90%；
• 存储扩展高效：支持万亿级别数据存储，水平扩容效率较 Elasticsearch 提升 10 倍以上；
• 运维大幅简化：一套引擎覆盖全部查询场景，系统依赖组件少，运维复杂度显著降低；
• 可观测性全面加强：Doris 支持全链路追踪与全面监控，平均问题排查时间降低 80%。

迁移实践及调优经验

整个迁移过程分为三个阶段，稳步推进以确保业务平稳过渡：

• 第一阶段（试点验证）：选取关键词推广场景进行试点，跑通全量与增量数据导入流程，搭建双链路并行验证数据一致性与查询正确性。
• 第二阶段（主体迁移）：迁移原 ClickHouse on ES 查询链路，将 Elasticsearch 中全量物料数据导入 Doris，完成业务切换后下线 Elasticsearch 集群。
• 第三阶段（收尾统一）：迁移剩余纯 ClickHouse 场景，将无需关联 Elasticsearch 的查询任务及其数据全部迁移至 Doris，完成整体架构统一。

在架构升级及迁移过程中，我们收获了许多实践及优化经验，在此逐一分享。

01 解决极端场景下数据一致性问题

在数据导入层面，我们基于 SeaTunnel 实现流式数据同步，该方式支持批处理场景下的 Overwrite 语义，所有导入均采用两阶段提交机制，以确保数据同步的最终一致性。

而在基于 SeaTunnel 和 Spark 的数据同步过程中，我们遇到了极端场景下的数据重复问题。主要有两种情况：

• Spark 推测执行时，两个 Task 同时写入同一份数据并均完成 Doris 两阶段提交，尽管 Driver 只认定一个 Task 成功，但数据已重复。
• Spark Task 完成 Doris 提交后，在向 Driver 汇报前因抢占或异常退出，Driver 重启 Task 并重新写入数据。

为解决该问题，我们在 Doris 的两阶段事务提交环节引入了 ZooKeeper 分布式锁机制，通过记录并校验事务状态来保证批同步的一致性。具体流程如下：

• 准备提交阶段，先获取 ZooKeeper 临时锁，确保同一时间只有一个事务进入提交流程；
• 获取锁后，将 Prepare 状态写入 ZooKeeper 临时节点，并记录当前事务 ID；

• 查询上一个事务的状态：

  • 若不存在，直接提交当前事务；
  • 若上一事务处于 Prepare 状态，则先回滚上一事务，再提交当前事务；
  • 若上一事务已 Commit，则直接回滚当前事务；
• 最终将 Commit 状态写入 ZooKeeper 持久节点，完成本次提交。

02 Stream Load 机制优化

为应对高并发数据导入，我们对 Apache Doris 的 Stream Load 机制进行了调优。通过合理配置任务优先级与合并（Compaction）参数，显著提升了写入吞吐与稳定性。Doris 内部通过 Load Channel 进行任务调度，以区分高优与普通优先级通道。

调优的核心在于合理配置相关参数，例如当 Stream Load 任务指定的 timeout 时间小于 300 秒时，系统会将其判定为高优任务并分配至高优通道。参数优化如下：

load_task_high_priority_threshold_second=300
compaction_task_num_per_fast_disk=16
max_base_compaction_threads=8
max_cumu_compaction_threads=8

03 差异化的建表策略

OLAP 引擎的查询性能很大程度上取决于表结构设计。因此，我们针对不同业务场景制定了差异化的建表策略：

物料表（高频更新与大规模检索）：该表数据量极大且需支持实时更新。业务查询主要基于 account_id 进行过滤，而非原 MySQL 的自增 ID。为充分发挥 Doris 前缀索引与排序键的优势，在保证业务逻辑等价的前提下，我们将 account_id 与 id 组合为联合主键，并将account_id 设为首个排序键及分桶字段，大幅提升查询过滤效率。同时配置倒排索引以支持多维检索，并选用 ZSTD 压缩算法平衡存储与 IO 性能。

-- 建表语句参考
CREATE TABLE ad_core_winfo
(account_id BIGINT NOT NULL,
id BIGINT NOT NULL, 
word STRING,
INDEX idx_word (`word`) USING INVERTED...) 
UNIQUE KEY(account_id,id) 
DISTRIBUTED BY HASH(account_id) BUCKETS 1000;

效果表（多维聚合分析）： 相较于物料表，效果表侧重于数仓指标的累加与聚合。因此，我们直接采用聚合模型，并按照“天”或“小时”粒度设置分区。

-- 建表语句参考
CREATE TABLE ad_dsp_report
(__time DATETIME, 
account_id BIGINT, ...
`ad_dsp_cost` BIGINT SUM,
...) 
AGG KEY(__time,account_id,...) 
AUTO PARTITION BY RANGE(date_trunc(`__time`,'hour'))()
DISTRIBUTED BY HASH(account_id) BUCKETS 2;

04 大账户数据倾斜治理

在数据压测中，我们发现不同 Account ID 对应的数据量差异极大，小至个位数、大至百万级别，导致 BE 节点 CPU 负载严重不均。通过 SHOW DATA SKEW 命令进一步确认，Tablet 存储分布明显倾斜：大 Tablet 占用空间达 3–4 GB，小 Tablet 仅 100-200 MB，且大账户查询延迟较高。为此，我们实施了以下两点优化：

A：按账户范围进行分区

经分析，Account ID 为 5–8 位数字，且未来不会超过 10 位。因此使用 FROM_UNIXTIME 函数将 Account ID 转换为 Datetime 类型，按月对历史数据进行分区，共划分出 33 个历史分区。每个分区可容纳 2,592,000 个 Account ID，后续每新增约 200 多万个 Account ID 才会新增一个月份分区。同时，针对历史分区，根据数据存量进行手动分桶，新分区则默认设置为 256 个分桶。

该方案通过分区裁剪有效过滤了大量无关数据，同时为未来数据膨胀预留了扩展空间（物料表日均增量约 3 亿），显著降低分区增长对查询性能的影响。

B：对 Account ID 进行二次哈希

为缓解单个 Account ID 数据量差异过大导致的分布不均，我们选取与 Account ID 无关的 ID 字段，通过 ID MOD 7 计算得到一个取值在 0～6 之间的 mod 字段。将原本仅基于 account_id 的哈希分桶键调整为 (account_id, mod) 联合键，从而将同一 Account ID 的数据分散到 7 个 BE 节点上。

优化后，各 Tablet 大小基本均衡稳定在 1GB 左右，数据存储与查询负载得以在多个 BE 间均匀分布，有效解决了 此前 CPU 负载不均的问题。

05 万级分区下的查询优化

当分区数量达到万级别时，简单点查 SQL 的耗时达到 250 毫秒，远超 100 毫秒的预期。通过分析，耗时主要集中在 Plan 阶段，原因是 Doris（2.1 版本）在分区裁剪时，会遍历所有分区进行匹配，万级分区的顺序遍历开销巨大。

为此，我们将顺序遍历改为二分查找：对万级分区先进行排序，再利用二分查找快速定位目标分区，将时间复杂度从 O(n) 降至 O(log n)。优化后，该查询耗时从 250 毫秒降至 12 毫秒，性能提升超过 20 倍。目前，二分查找已在 Doris 3.1 版本中实现。

06 并发调优

在查询优化过程中，我们发现：多数查询经过条件过滤后，实际命中的数据量并不大，即便在大账户场景下，命中数据量也仅在百万级别。然而，Profile 显示这类查询的 Total Instance 数高达 800 个，其默认并发数为 32，存在明显的过度并发。

为此，我们调整以下参数降低并发开销：

set global parallel_exchange_instance_num=5;
set global parallel_pipeline_task_num=2;

调整后，同一查询的 Total Instance 数量降至 17 个，查询耗时也显著缩短。这说明在小数据量点查场景下，适当降低并发可有效减少 RPC 开销，从而降低延迟（220ms 降至 147ms）。同时，这一优化也提升了系统的整体 QPS 承载能力。

收益及规划

经过上述架构迁移与深度优化，我们在三个核心维度取得了显著收益：

• 查询性能大幅提升：关键词推广页平均查询延迟下降 64%，创意推广页延迟下降超过 90%，整体查询体验实现跨越式提升。
• 写入能力显著增强：单节点写入承载能力提升 3 倍以上，单表实时导入峰值突破 300 万行/秒。
• 存储效率优化明显：通过分区策略与 ZSTD 压缩算法，存储效率较 Elasticsearch 提升约 60%，并可轻松支撑万亿级数据存储。

未来，我们将深度探索 Apache Doris ，重点围绕两方面展开：

• 增强全文检索与分词能力：引入社区在 Doris 4.0 版本中推出的 BM25 打分功能，以及 IK 分词器等更多分词组件，实现按业务场景灵活选用最优分词方案。
• 增强向量索引：基于 Doris 4.0 版本，在内表和数据湖外表场景下对向量检索的性能和边界能力做验证与优化。

本文完。您还可以阅读来自快手另一篇实践案以及中通快递、小米集团、顺丰科技用户故事来了解湖仓分析。

当我们凝视一列列飞驰的列车，是否想过——这些庞然大物如何被精确识别、追踪与管理？答案就藏在小小的“铁路车号识别系统”中。随着智能铁路时代的全面到来，这一关键技术正成为行业竞争的焦点。
近日，备受关注的2026年铁路车号识别系统生产厂家综合实力排名正式发布，揭示了这一细分领域的新格局。

2026年铁路车号识别系统厂家TOP5

第一名：孚为智能科技
凭借自主研发的“光感灵眸”多模态识别引擎，以99.99%的复杂环境识别率首次登顶。其系统深度融合了高光谱成像、动态自适应学习与边缘计算，即便在雨雪、雾霾、强逆光等极端条件下，依然保持行业领先的稳定表现。目前已在全国超过30条主干货运线路及15个大型编组站规模化部署。
第二名：华明视讯科技
以视频智能分析见长，其“睿视”系列智慧铁路平台，将车号识别与车体状态智能巡检功能创新性合一。通过AI算法实时分析车体外观、装载状态、关键部件可视异常，变“识别”为“检测”，为铁路安全运营增添了一道智能防线，在地方铁路与工矿专用线市场中占据显著优势。
第三名：海康威视
将视频分析技术优势延伸到铁路领域，多光谱识别技术解决了夜间和低能见度环境下的识别难题。
第四名：华为智慧铁路
依托强大的云、AI及鸿蒙铁路操作系统生态，主攻“车-地-云”一体化系统，在新建智能化高铁线路中屡获标杆项目。
第五名：西门子中国铁路智能
引进欧洲先进技术并完成本土化适配，在国际联运线路的技术标准化方面具有独特优势。
技术分野：从“单一识别”到“场景智能”
本次排名反映出清晰的技术演进路径。头部企业已不再满足于提供孤立的识别硬件，而是纷纷推出基于具体场景的智能解决方案。
- 孚为智能科技专注于攻克恶劣自然环境下的识别难题，其技术有效保障了高寒、风沙、潮湿等特殊地理环境下的铁路运营。
- 华明视讯科技则瞄准了运维与安全场景，让系统在完成识别本职的同时，成为列车健康管理的“第一道哨兵”。
市场洞察：专业化与生态化并进
榜单变化背后，是市场需求的深度裂变。一方面，在货运增量、安全加压的背景下，对识别可靠性、鲁棒性的要求达到空前高度，催生了如孚为这样的技术专精型冠军。另一方面，铁路数字化建设走向系统整合，需要识别系统能与调度、运维、安全管理等平台无缝融合，生态构建能力成为关键。
未来展望：识别即服务，数据即价值
行业专家指出，车号识别系统的终点远非“认车”。未来的系统将是铁路数字孪生的核心数据入口，识别产生的海量时空数据，将与货运信息、设备状态、线路状况相结合，用于预测性维护、智能调度、货运物流全程可视化，最终实现从“感知物理身份”到“驱动业务智能”的跨越。

2026年的排名更迭，是一场技术深度与场景理解的双重竞赛。它标志着中国铁路智能化供应链正走向成熟、细分与高质量发展。每一次车号的精准识别，都是中国铁路庞大躯体中一次高效的数据脉搏跳动。而在脉搏源头引领创新的企业，正共同推动整个产业向更安全、更高效、更智慧的远方驶去。

你认为在智能铁路时代，铁路车号识别技术下一步最应该与哪些技术融合？是物联网、数字孪生，还是区块链？欢迎在评论区分享你的真知灼见！

在生成式 AI 的工程实践中，智能体（AI Agent）正被频繁提及，但一个被反复验证的结论是：并非所有问题都适合被智能体化。 在真实业务环境中，盲目引入智能体，往往带来更高的系统复杂度、不可控的执行路径，以及不成比例的算力与成本消耗。

因此，在“能不能做”之前，更重要的是回答：这个问题是否“必须”由智能体来解决？

一、什么样的问题，才属于“智能体级问题”

从工程角度看，智能体并不是“更聪明的模型”，而是一种具备目标驱动、自主规划、工具调用与反馈修正能力的执行范式。

判断是否需要智能体，本质上是在判断一个问题是否同时具备以下两点：

• 环境动态性：执行过程中，外部信息持续变化
• 路径非确定性：任务步骤无法在执行前被完全穷举

只要其中一项不成立，智能体往往不是最优解。

二、三步判断法：是否真的需要智能体

1️⃣ 决策链路是否可被固化

核心判断：

任务能否被拆解为固定 SOP，且路径在执行前完全可预期？

• 需要智能体

  • 执行路径依赖中间结果
  • 不同中间状态会触发完全不同的下一步
  • 示例：企业尽调、复杂调研、跨领域分析

• 不需要智能体

  • 输入 → 处理 → 输出为确定链路
  • 示例：翻译、格式转换、规则校验

2️⃣ 是否需要动态选择工具

核心判断：

是否需要根据执行状态，在多个异构工具间做实时决策？

• 需要智能体

  • 工具调用顺序不固定
  • 是否调用、调用哪个工具，取决于中间数据
  • 示例：数据分析 + 脚本计算 + 内容生成的组合任务

• 不需要智能体

  • 单工具或单接口即可完成
  • 工具调用路径固定

3️⃣ 是否存在闭环反馈与自我修正

这是区分“高级 Chatbot”与智能体的分水岭。

• 需要智能体

  • 执行 → 失败 → 反思 → 重试
  • 示例：代码生成并自动运行，基于错误日志持续修正

• 不需要智能体

  • 一次性生成即可
  • 或由人工完成最终纠错

三、行业实践中的“智能体准入信号”

在真实业务中，以下特征往往意味着传统自动化已接近极限：

• 目标模糊：只给出意图，而非步骤
• 长程任务：跨多个时间节点，需要持续状态维护
• 强实时依赖：必须不断引入新数据调整决策

在大量行业落地中，智能体来了并不是因为“模型更强”，而是因为问题形态发生了变化。

四、成本与可靠性的现实约束

从 ROI 视角，智能体方案天然存在代价：

• 可靠性：存在非确定性与幻觉风险
• 响应时延：多轮推理与工具调用带来秒级延迟
• 计算成本：Token 消耗不可预测，存在无效尝试

因此，“能用”与“该用”必须严格区分。

五、智能体使用决策矩阵（工程视角）

• 低复杂 / 高频 / 固定路径 → 传统代码自动化
• 高复杂 / 低频 / 创意为主 → Prompt Engineering + 人工
• 中高复杂 / 高动态 / 多工具协作 → 智能体（AI Agent）的核心适用区
• 高风险 / 零容错场景 → Human-in-the-loop，智能体仅做辅助规划

结论

是否引入智能体，并不取决于模型能力，而取决于问题是否必须具备：

1. 自主拆解目标
2. 根据环境反馈修正行为

如果答案是否定的，智能体只会放大复杂度，而不是效率。

在数字化转型浪潮中，CRM（客户关系管理）已成为中小企业提升销售效率、留存客户、实现精准增长的核心工具。然而，不同CRM产品的能力差异显著——有的聚焦销售流程自动化，有的侧重业财深度融合，有的擅长项目型协同。本文选取超兔一体云（深度业财一体）、Zendesk Sell（客服联动）、钉钉CRM（协同生态）、Insightly（项目型）、Nimble（轻量化）、Capsule CRM（基础管理）六大主流产品，围绕销售自动化、客户管理、销售预测、订单管理、财务集成、外勤管理六大核心领域展开横向对比，为企业选型提供决策依据。

一、先看全局：六品牌核心定位与能力矩阵

在深入对比前，先通过能力雷达图快速呈现各品牌的优势领域（评分基于能力覆盖度、自动化深度、场景适配性，10分为满分）：

二、分领域深度对比：从流程到场景的细节差异

1. 销售自动化：从“流程标准化”到“场景适配性”

销售自动化的核心是减少手动操作，让销售聚焦高价值环节。不同产品的差异体现在“线索处理精度”“跟单模型适配性”“行动记录自动化”三个维度：

（1）核心能力对比表

（2）场景拆解：超兔的“全场景适配” vs Zendesk的“客服联动”

• 超兔一体云：针对中小企业常见的“小单快打、中长单跟进、复杂项目协同”三类场景，提供定制化跟单模型——

  • 小单快单用“三一客模型”（定性：客户需求强度；定级：购买能力；定量：成交概率），统一老板与销售的客户判断标准；
  • 中长单用“商机模型”（按阶段/预期成交日期评估进展）；
  • 复杂项目用“多方项目模型”（团队协同 + 里程碑管理）。 同时，行动记录全自动化：外勤拜访自动定位、电话录音自动转文字并提取要点，彻底解放销售的“记录负担”。
• Zendesk Sell：优势在于客服与销售数据联动——销售可直接查看客户的服务历史（如投诉记录、售后需求），调整跟进策略；邮件序列模板支持批量个性化发送，适合快消、电商等高频触客场景。

（3）超兔销售自动化流程Mermaid图

暂时无法在飞书文档外展示此内容

2. 客户管理：从“信息存储”到“价值挖掘”

客户管理的本质是将分散的客户数据转化为可行动的 insights，核心差异体现在“信息完整性”“价值分析深度”“权限管控精度”：

（1）核心能力对比表

（2）场景拆解：超兔的“深度价值挖掘” vs 钉钉的“协同防流失”

• 超兔一体云：解决了中小企业“客户信息分散、价值判断不统一”的痛点——

  • 信息整合：支持手机通讯录、拍名片、微信、批量导入等6种方式新建客户，自动补全工商信息、天眼查风险、微信头像昵称，避免“信息孤岛”；
  • 价值分析：通过“三一客”（老板与销售统一客户判断标准） + “RFM模型”（识别“重要价值客户”“重要发展客户”），精准定位高价值客户；
  • 权限管控：全局自动权限机制（上级管理下级、同级隔离、财务仅看财务数据），彻底解决“客户信息泄露”问题。
• 钉钉CRM：优势在于协同生态——打通钉钉服务窗、客户群，实现销售与客服的沟通协同；公海池功能避免客户资源流失（某快消品牌用后客户流失率降低18%）。

（3）客户管理能力Mermaid脑图

暂时无法在飞书文档外展示此内容

3. 销售预测：从“经验判断”到“数据驱动”

销售预测的核心是用数据降低“拍脑袋”的风险，差异体现在“数据来源的丰富度”“预测模型的精准度”：

（1）核心能力对比表

（2）场景拆解：超兔的“多维度交叉验证” vs 钉钉的“机器学习”

• 超兔一体云：销售预测不是“单一数据的堆砌”，而是多维度数据的交叉验证——

  • 历史数据：分析过去12个月的订单量、客户复购率、产品热销周期；
  • 机会阶段：按商机的“初期沟通→立项评估→需求分析→商务谈判”阶段，评估成交概率；
  • 客户行为：跟踪客户的咨询频率、浏览记录、购买金额变化，预判需求。 例如，某商贸企业用超兔预测“Q4热销产品”，结合历史数据（去年Q4的批发订单） + 机会阶段（当前20个商机处于“商务谈判”） + 客户行为（最近30天有15个客户咨询该产品），预测准确率提升至80%。
• 钉钉CRM：依托阿里的机器学习算法，结合“销售管道健康度”（如商机数量、阶段转化率） + “历史成交数据”，预测未来3个月的销售额，某制造业客户用后预测准确率达85%。

4. 订单管理：从“流程跟踪”到“风险管控”

订单管理的核心是实现“单 - 货 - 款 - 票”的全链路闭环，差异体现在“订单模型适配性”“执行过程管控”“财务风险防范”：

（1）核心能力对比表

（2）场景拆解：超兔的“全链路闭环” vs Zendesk的“自定义审批”

• 超兔一体云：覆盖中小企业90%以上的订单场景——

  • 模型适配：支持标准订单、批发订单、非标定制（如设备改造）、套餐订单（如软件 + 服务）、租赁订单（如设备租赁）等10 + 种模型；
  • 执行管控：订单生成后自动锁库，根据库存情况生成采购计划，支持供应商直发（直接对接供应商系统，减少中间环节）；
  • 风险防范：设置“应收触发规则”（如发货后自动触发应收），支持多期拆分（如分3期付款，自动计算每期金额），并根据客户信用度控制发货（如信用低于60分，禁止超发）。
• Zendesk Sell：优势在于自定义审批流程——按订单金额（如超过10万需总经理审批）、客户等级（如新客户需财务审核）设置多级审批节点，适合需要严格内控的企业。

5. 财务集成：从“数据同步”到“业财一体”

财务集成的本质是解决“业务数据与财务数据割裂”的痛点，差异体现在“凭证生成自动化”“业财链路可回溯”：

（1）核心能力对比表

（2）场景拆解：超兔的“业财全链路回溯” vs 传统业财一体的“痛点解决”

传统业财一体软件的痛点是“无法回溯整单的业务逻辑”——比如财务要查某笔凭证对应的订单、发货、回款记录，需要翻多个系统。超兔一体云解决了这一问题：

• 凭证智能生成：一键读取CRM中的出库、入库、回款、开票数据，自动关联“货 - 款 - 票”信息，生成可视化凭证预览（支持修改会计科目与金额）；
• 业财联动：实现“应收 - 开票 - 回款”的三角联动——比如订单发货后自动触发应收，开票后关联应收，回款后自动冲减应收，且支持“一票对多单”“一笔对多单”，彻底解决“对账难”的问题；
• 系统对接：与柠檬云财务平台深度集成，凭证经借贷平衡校验后一键推送，财务人员无需手动录入，记账效率提升60%。

6. 外勤管理：从“打卡记录”到“价值输出”

外勤管理的核心是让外勤动作“可跟踪、可分析” ，差异体现在“签到真实性”“记录完整性”“差旅全流程”：

（1）核心能力对比表

（2）场景拆解：超兔的“深度外勤管理” vs 钉钉的“生态联动”

• 超兔一体云：针对“外勤人员造假、记录不全”的痛点，设计了强约束 + 高便捷的外勤功能——

  • 签到真实性：要求外勤人员在“客户位置500米内”签到，避免“代签”或“虚假签到”；
  • 拜访记录：通过“快行动”功能，支持语音输入拜访内容（自动转文字）、添加定位、上传照片或录像，全面且真实地记录拜访情况，方便后续分析和总结。
  • 任务跟踪：管理者可通过系统向外勤人员分配任务，并实时跟踪任务执行进度，确保任务按时完成。例如，设置任务的截止时间后，系统在临近截止时间时自动提醒外勤人员。
  • 差旅管理：支持外勤人员进行差旅申请、借支和报销的全流程操作。系统自动关联差旅任务和费用报销，方便企业进行费用管理和控制。例如，外勤人员在出差过程中记录费用信息，回到公司后可通过系统提交报销申请，审批通过后即可完成报销流程。
• 钉钉CRM：优势在于生态联动，集成钉钉签到、日程功能，实时记录外勤人员位置与客户拜访情况。
• （注：文中功能相关描述均基于公开披露信息，具体功能服务与价格以厂商实际落地版本为准。）