● AI 时代，实时入湖正在告别 ETL：从 Kafka 到 Iceberg 的架构减法

📌 一句话摘要 本文深入探讨了在 AI 时代，如何通过将通用入湖能力前移至消息与表存储链路，实现从 Kafka 到 Iceberg 的“零 ETL”架构减法，以降低复杂度、提升实时性与一致性。 📝 详细摘要 文章围绕“零 ETL”这一趋势，系统阐述了流数据实时入湖为何需要做架构减法。作者首先指出

● AI 时代，实时入湖正在告别 ETL：从 Kafka 到 Iceberg 的架构减法

📌 一句话摘要 本文深入探讨了在 AI 时代，流数据入湖从依赖外部 ETL 作业向“零 ETL”架构演进的趋势，并以 Kafka × Table Bucket 方案为例，分析了如何通过将通用入湖能力前移至消息与存储链路，实现架构减法。 📝 详细摘要 文章首先指出，在 AI 驱动的数据应用中，企业

● 作业帮 StarRocks 替换 Presto 落地实践

📌 一句话摘要 作业帮通过 StarRocks 存算分离架构成功替换 Presto，在资源消耗降低 75% 的同时，实现了 P90 查询性能 2-3 倍的提升。 📝 详细摘要 本文详细介绍了作业帮大数据团队将即席查询引擎从 Presto 迁移至 StarRocks 的落地实践。针对 Presto

● Pinterest 基于 CDC 的摄取系统将数据库延迟从 24 小时缩短至 15 分钟

📌 一句话摘要 Pinterest 通过构建基于 CDC 和 Apache Iceberg 的统一摄取框架，将数据延迟从 24 小时缩短至 15 分钟，并显著降低了 PB 级规模下的计算成本。 📝 详细摘要 本文详细介绍了 Pinterest 如何通过架构演进解决传统全表批处理系统的高延迟和资源