PGConf.Pоссия 2026

На примере собственноручно созданного инструмента PGHist расскажу, как отслеживать изменения в таблицах PostgreSQL через автогенерацию триггеров и процедур. Универсальное решение обеспечивает: историю для пользователя, аудит для анализа проблем и версионирование для отчётов. Покажу ключевые приёмы (лайфхаки) — момент фиксации транзакции, читабельная генерация кода и данные «до/после» в DDL-триггерах.

Уже стало традицией готовить тезисы, не зная полное содержание предстоящего доклада. Понятно что речь пойдет о будущей версии PostgreSQL 19, но точный список новинок пока не известен. Ведь заморозка кода состоится лишь 8 апреля. Тем не менее, много интересного уже принято, об этом можно даже прочитать в нашем корпоративном блоге на Хабре. Или послушать на докладе. Будет про репликацию, причем как логическую, так и физическую; очистку и анализ (а куда же без них), улучшения производительности, команды SQL и не только.

В архитектуре «PostgreSQL для OLTP + ClickHouse для OLAP» команда неизбежно сталкивается с фрагментацией: разные подключения в BI, разные диалекты SQL, ручные JOIN между системами через ETL и дублирование витрин. В докладе разберём практический опыт EGAR по внедрению расширения pg_clickhouse — PostgreSQL extension/FDW, который позволяет выполнять аналитические запросы на ClickHouse прямо из PostgreSQL с поддержкой pushdown (WHERE/JOIN/AGG и др.) и прозрачным подключением для BI-инструментов. Покажу архитектуру, принципы pushdown, типовые сценарии (профиль компании, отрасли, регионы, скоринг), а также ограничения и «правила безопасного применения»  (как проверять pushdown через EXPLAIN/ANALYZE, как выбирать витрины, где эффект максимален). В результате — единая точка входа в данные и ускорение дашбордов с десятков секунд до нескольких секунд на больших объёмах.

Традиционный подход к машинному обучению — выгрузка данных из SQL-базы в Python с последующей загрузкой результатов — порождает проблемы с безопасностью данных, задержками и усложнением инфраструктуры. Мы предлагаем иной путь: реализовать алгоритмы непосредственно внутри PostgreSQL на чистом PL/pgSQL, что позволяет производить вычисления там, где уже хранятся данные. В докладе мы расскажем о разработанном нами аналитическом пакете, закрывающем нишу, которую не занимают существующие решения: это работа с чувствительными данными, быстрое прототипирование без прав суперпользователя и встраивание ML непосредственно в логику работы приложения. Вы узнаете, как устроены реализованные нами алгоритмы (линейная и полиномиальная регрессия, KNN и градиентный спуск), увидите результаты тестирования производительности и познакомитесь с нашими планами по развитию проекта.