DuckDB 250x szybszy od Postgresa, 14 indeksów pod lupą i architektura MCP na produkcji

W tym tygodniu (znowu) dużo konkretów: pomiary, decyzje architektoniczne i rzeczy, które wyglądają na dobre praktyki, dopóki ktoś nie zmierzy, co naprawdę robią. Jak indeks w Postgresie, który spowalnia 4-krotnie zamiast przyspieszać.

Tematy rozłożone między:

inżynierię danych (bazy, pipeline, data lake, migracje), systemy agentów AI i ich bezpieczeństwo, inżynierię oprogramowania (design doc, code review, monorepo), praktyczny Python i DevOps.

Przy okazji — tym razem pokusiłem się o polskie tytuły artykułów. Daj znać, czy to działa, czy jednak wolisz oryginalne angielskie. Odpowiedź na tego maila wystarczy.

ai_agent

AI Second Brain: zarządzanie wiedzą bez taksonomii
Systemy zarządzania wiedzą wymagają ciągłego porządkowania, które zajmuje więcej czasu niż sama wiedza, którą mają przechowywać. Autor opisuje podejście oparte na zwykłych plikach markdown i agentach, które same klasyfikują i linkują notatki. Warunek: człowiek nie oddaje agentowi myślenia, tylko mechaniczną pracę.

CLAUDE.md vs SKILL.md vs MCP: który plik do czego
Jeden plik CLAUDE.md ze wszystkim to przepis na to, że agent analizuje setki nieistotnych tokenów przy każdym zadaniu. Artykuł proponuje podział na trzy warstwy: zawsze aktywne reguły (CLAUDE.md), kontekst wczytywany na żądanie (SKILL.md) i dynamiczne dane z zewnętrznych systemów (MCP). Prosty schemat, który redukuje instruction bloat i stabilizuje odpowiedzi agenta.

Skills: jak dać agentowi kontekst projektu
Agenty AI popełniają błędy szczególnie tam, gdzie ekosystem jest specyficzny dla projektu: własne biblioteki, niestandardowa konfiguracja, krytyczna kolejność operacji. Skills to mechanizm wstrzykiwania precyzyjnego kontekstu do modelu przed wygenerowaniem kodu. Artykuł opisuje, jak zbudować taki dokument i czego w nim nie pomijać.

Struktura projektu MCP: co zespoły robią źle na produkcji
Prototyp MCP działa. Potem wrzucasz kolejne narzędzia, dane uwierzytelniające do chmury i klastrów, i po miesiącu masz nieuporządkowany monolit bez audytowalności. Artykuł opisuje, jak rozbić go na mniejsze serwery zorganizowane wokół domen biznesowych, z własnym uwierzytelnianiem, metrykami i tracingiem każdego wywołania.

MCP w produkcji: problem z uprawnieniami
Agenty MCP w produkcji najczęściej działają z długoterminowymi, statycznymi kluczami API. To jest podstawowy problem bezpieczeństwa, zanim zaczniesz myśleć o bardziej egzotycznych wektorach ataku. Artykuł opisuje konkretne wymagania: krótkotrwałe tokeny powiązane z zadaniem, tożsamość agenta niezależna od człowieka oraz logi audytowe.

13 wzorców orkiestracji wielu agentów
Systemy wielu współpracujących modeli AI stają się niedeterministyczne, bo model steruje przepływem. Reaktywny reduktor to alternatywa: orkiestracja jako maszyna stanów (FSM), gdzie modele jedynie zapisują wartości do wspólnego stanu, a sterowanie jest deterministyczną logiką. Artykuł opowiada o 13 konkretnych wzorcach takiego podejścia.

ai_ml

Ile danych potrzebuje klasyfikator tekstu?
Każde wywołanie zewnętrznego modelu językowego kosztuje i czeka na odpowiedź sieci. Autor sprawdził eksperymentalnie, od ilu przykładów klasyczny klasyfikator (TF-IDF + regresja logistyczna) zaczyna bić GPT w trybie zero-shot. Wyniki są konkretne: przy 5 przykładach na kategorię F1 skoczyło z 32 do 52 procent, ale dalsze dodawanie danych prawie nic nie zmieniało. Przydatne dla każdego, kto buduje routing zgłoszeń albo tagowanie tekstu.

architektura

Kiedyś chcieliśmy być Netflixem albo Uberem, a teraz kim?
Branża IT kopiowała wzorce architektoniczne od Netflix czy Uber. Narzędzia LLM wprowadzają inną dynamikę: decyzje architektoniczne bywają podejmowane przez model, którego wagi, dane i logika są zamknięte i mogą się zmienić między wersjami. Autor pyta, czy wiemy, co tracimy, przyjmując te decyzje bez pytań.

bazy_danych

Flyway, Liquibase, Alembic: który do zmian na bazie?
Ręczne zmiany struktury bazy danych generują dryf między środowiskami i błędy trudne do odtworzenia. Artykuł porównuje trzy narzędzia do automatyzacji migracji: Flyway (SQL-first), Liquibase (abstrakcja od dialektu) i Alembic (Python, SQLAlchemy). Każde ma inne podejście do rollbacków, walidacji i scenariuszy wielobazowych.

14 indeksów na 10 mln wierszy: pięć spowolniło
Dodawanie indeksów do bazy danych brzmi jak zawsze dobry pomysł. Autor założył 14 różnych indeksów na te same 10 milionów wierszy i sprawdził, co Postgres z nimi robi. Pięć z nich spowolniło zapytania, jedno blisko 5-krotnie! Dokładnie opisuje, dlaczego optymalizator wybiera gorsze ścieżki i kiedy brak indeksu daje lepsze efekty niż indeks.

data_engineering

DuckDB kontra Postgres: 250x szybszy na analityce
Ta sama analityczna kwerenda na 50 milionach rekordów: Postgres 80 sekund, DuckDB 0,32 sekundy. Artykuł pokazuje benchmarki, ale też tłumaczy mechanizmy: kolumnowe vs wierszowe przechowywanie, wektoryzacja, COUNT DISTINCT. Postgres jest tu bez szans nie dlatego, że jest słaby, ale dlatego, że robi coś innego.

DuckLake: 1,24 miliarda wierszy bez Iceberga
Iceberg, Delta Lake, Hudi. Każdy z tych formatów zarządza metadanymi przez pliki w object storage, co generuje skomplikowane struktury manifestów i problemy z transakcyjnością. DuckLake przenosi metadane do relacyjnej bazy (Postgres, SQLite, DuckDB), zostawiając samo składowanie w zwykłych plikach Parquet. Autor przetestował to na 1,24 miliarda wierszy i opisuje, co poszło sprawnie, a co wymagało pracy.

Data contracts tak jak Netflix i Uber
Kiedy schemat danych zmienia się bez ostrzeżenia, pipeline pada i zaczyna się debugowanie. Netflix i Uber egzekwują kontrakty danych automatycznie w PR, zanim kod trafi do brancha main i na produkcję. Artykuł opisuje 8 wzorców: od jednego źródła prawdy generującego schematy Avro, SQL i GraphQL, po bramki kompatybilności blokujące łamiące zmiany w procesie CI.

BlaBlaCar: hurtownia AI-ready i -85% kosztów BigQuery
BlaBlaCar płacił ponad 1000 euro miesięcznie za BigQuery i cztery dni inżynierskie na utrzymanie pipeline’ów. Po przebudowie platformy w oparciu o dbt i modułową architekturę pięciu warstw koszt spadł do 140 euro. W artykule jest konkretna historia: jak ujednolicili identyfikatory, jak skonstruowali dwóch agentów do generowania i weryfikowania dokumentacji oraz jak sprawili, że LLM może odpytywać hurtownię bez halucynacji na metrykach.

Kafka, Flink, Postgres: streaming pipeline od zera
Podręcznikowe opisy architektury strumieniowej pomijają połowę pracy: konfigurację sieci Dockera, zarządzanie plikami JAR konektorów i watermarki dla opóźnionych zdarzeń. Artykuł buduje kompletny potok od zera: Python Producer, Kafka jako bufor, Flink do stanowego przetwarzania, Postgres jako storage, FastAPI i Streamlit na wyjściu. Całość skonteneryzowana, żeby testować propagację zdarzeń end-to-end bez instalowania stosu Java bezpośrednio na maszynie.

Netflix testuje Spark na pełnym ruchu
Netflix testuje zmiany w pipelinach Spark na pełnym ruchu produkcyjnym, bo próbki danych nie ujawniają prawdziwych problemów z pamięcią. Opisują, jak ich potok gubił dane przez agresywne buforowanie i jak równoległe eksperymenty na osobnych branchach gita pozwoliły szybko zlokalizować przyczynę.

devops

Bezpieczny CI/CD na Google Cloud krok po kroku
Ręczne wgrywanie aplikacji do chmury rodzi problemy: hasła zostają na wierzchu, a historii zmian nie da się łatwo prześledzić. Ten artykuł pokazuje, jak w pełni zautomatyzować i zabezpieczyć ten proces: systemy łączą się ze sobą bezpiecznie, bez używania tradycyjnych haseł, każda aktualizacja aplikacji otrzymuje cyfrową pieczęć autentyczności a automatyczny skaner blokuje publikację, jeśli wykryje w kodzie poważne luki bezpieczeństwa.

management

Pinterest: jak stać się zespołem AI
Pinterest obsługuje miliardy sygnałów dziennie. Autor opisuje, jak zmienili model pracy zespołu: agenty generują i walidują zadania Spark, diagnozują anomalie w logach i wstępnie remediują klastry przed eskalacją alertów. Kluczowy wniosek: nadwyżka mocy przerobowej z AI nie rozwiązuje sama problemu strategicznego - nadal potrzebujesz kogoś, kto zdecyduje, na co ją wydać.

programowanie_ogólnie

Jak napisać skuteczny dokument projektowy oprogramowania
Design doc wymusza myślenie o systemie zanim zaczniemy pisać kod. Artykuł opisuje, kiedy warto go pisać (gdy błędna decyzja jest trudna do cofnięcia), co powinien zawierać i jak definiować mierzalne cele. Jest tu konkretna lista: metryki, diagramy przepływu danych, odrzucone alternatywy i kompromisy kosztowe. Przydatne, jeśli Twój zespół ma zwyczaj zaczynać co projekt od kodu, a nie od pytania “czy to dobry pomysł”.

Zed Delta: pull requesty do lamusa?
Pull requesty nie nadążają za tempem generowanego kodu. Zed Delta proponuje inny model: kod, recenzja i rozmowa z agentem dzieją się w jednym wątku, a nową warstwą wersjonowania jest baza oparta na deltach między commitami. Aktualnie w public beta, kompatybilna z istniejącymi repozytoriami Git.

python

DataWash: czyszczenie danych w 3 liniach kodu
Czyszczenie danych w Pandas to żmudna robota, którą większość analityków robi od nowa przy każdym projekcie. DataWash wykrywa i naprawia ponad 15 kategorii problemów, milion wierszy w półtorej sekundy. Zamiast czarnej skrzynki generuje czysty kod w Pythonie gotowy do wdrożenia w pipeline.

wizualizacja_danych

Od dashboardu do decyzji: projektowanie dla zarządu
Więcej danych na dashboardach nie pomaga menedżerom w podejmowaniu decyzji. Artykuł stawia tezę, że prawdziwy problem to brak architektury informacji: co ma widoczność, na jakim poziomie szczegółowości i kiedy system powinien eskalować do człowieka zamiast tylko wyświetlić kolejny wykres. Zagadnienia dla designerów produktów i product managerów budujących narzędzia dla zarządu.