Владимир Крючков. Опыт оптимизации 1С на PostgreSQL

Резкий рост числа пользователей, консолидация систем или миграция в облако требуют заранее понять, выдержит ли инфраструктура новую нагрузку. Рассказываем, как с помощью LLM команда за 16 недель подготовила и провела нагрузочные тесты для шести баз: автоматизировала анализ технологических журналов и журналов регистрации, формирование реалистичных сценариев и создание обработок для «1С:Тест-центра» и JMeter. Показываем, как оркестратор, AI-агенты и MCP-серверы помогают сократить объем ручной работы, а также объясняем, почему контроль со стороны 1С-эксперта по-прежнему остается обязательным. Разбираем архитектуру решения, уже работающие инструменты и направления дальнейшей автоматизации нагрузочного тестирования. Доклад в виде статьи: https://infostart.ru/1c/articles/2833715/

Разбираем новые, более дешевые и эффективные паттерны работы внешнего 1С:Эксперта, а именно – прямое использование LLM-ассистентов и создание с их помощью инструментов для аудита производительности и нагрузочного тестирования. Показываем, как модели помогают анализировать таймауты и взаимные блокировки по технологическому журналу, проверять сложные запросы, а также находить неочевидные взаимосвязи между показателями загрузки оборудования. Рассказываем о создании скриптов для построения графиков по данным atopsar и для поиска и визуализации стеков горячих запросов, а также о создании неинвазивной оснастки для реалистичных нагрузочных и сценарных тестов без программирования на 1С. Отдельно разбираем антипаттерны и ограничения такого подхода. Делаем вывод, что LLM остается лишь помощником, не превращает джуна в сеньора, а ответственность за итоговый результат по-прежнему несет 1С:Эксперт. Доклад в виде статьи: https://infostart.ru/1c/articles/2759964/

Разбираем, как быстро понять, чем занят SQL Server, кто создает блокировки и почему запросы 1С внезапно начинают тормозить. Показываем, какие настройки сервера и базы данных стоит проверять, как анализировать ожидания, планы запросов, статистику и индексы, а также переводить сырые данные SQL на понятный 1С-нику язык. Объясняем, как наладить предметный разговор с DBA и перейти от диагностики к конкретным рекомендациям. Доклад в виде статьи: https://infostart.ru/1c/articles/2751253/

Чтобы перейти от тушения инцидентов в 1С к превентивному подходу, нужно заранее видеть рост данных, блокировок, времени выполнения операций и другие признаки будущих проблем. Разбираем, какие метрики технологического журнала 1С и СУБД стоит мониторить в реальном времени и как использовать простые ML-модели – регрессию и классификацию – для прогноза падения производительности. Объясняем, как автоматически выявлять аномалии в поведении пользователей и фоновых заданий, настраивать proactive-алерты за часы или дни до инцидента и создавать тикеты в ITSM-системах на превентивные действия. Доклад в виде статьи: https://infostart.ru/1c/articles/2729161/

Благодаря возможности подключения в кластер 256 серверов приложений платформу 1С можно масштабировать практически бесконечно. Но в итоге большая система упрется в другие ограничения. Расскажем о подходах и инструментах, которые позволят системе 1С расти, обходя существующие ограничения. Доклад в виде статьи: https://infostart.ru/1c/articles/2694767/

Claude Code разработал инструмент автоматической оптимизации запросов 1С:Предприятие с помощью ИИ — я только руководил проектом! В этом вебинаре показываю OptimizationSQL: рабочий инструмент, который перехватывает SQL из 1С через MSSQL Extended Events, анализирует планы выполнения и итеративно оптимизирует запрос на языке запросов 1С с помощью языковой модели. Стек: Python 3.12 · FastAPI · LangChain · Streamlit · MSSQL Extended Events · Docker · Расширение 1С (HTTP-сервис) Что разберём: - Архитектура: Streamlit + FastAPI + LangChain + 1С + MSSQL - Цикл оптимизации: трассировка U94; анализ U94; LLM U94; валидация U94; повтор - Как извлекать метаданные 1С и маппить поля на SQL-таблицы - Сжатие плана запросов для экономии токенов - Линтер антипаттернов по стандартам фирмы 1С - Как Claude Code разрабатывал проект - Какие модели справляются, а какие нет (GPT / Claude / Qwen) Исходники проекта (Python + расширение 1С): https://disk.yandex.ru/d/Vs3W9T8zH4VmaQ

Пользователи жалуются на медленную работу 1С, система нестабильна под нагрузкой, а попытки «починить» не дают результата? В статье разбираем, как подойти к оптимизации производительности комплексно: от анализа инфраструктуры и базы данных до уровня кода и пользовательских операций. Показываем пошаговый подход «аудит – оптимизация – контроль» и объясняем, какие инструменты помогают быстро выявить и устранить узкие места. Доклад в виде статьи: https://infostart.ru/public/2658618/

Полнотекстовый поиск в миллионах записей журнала регистрации 1С может занимать минуты или даже часы, а стандартные инструменты не позволяют эффективно выполнять агрегации и анализировать данные на больших объемах. Расскажем о том, как с помощью ClickHouse обеспечить практически мгновенный разбор инцидентов, настроить мониторинг и автоматическую реакцию на события журнала регистрации. Доклад в виде статьи: https://infostart.ru/1c/articles/2628850/

Стандартные отчеты в 1С на больших объемах данных неизбежно начинают тормозить, а попытки бесконечно ускорять их на MS SQL или PostgreSQL оказываются дорогими и малоэффективными. Показываем, в каких случаях связка 1С и ClickHouse действительно решает проблему аналитической производительности, а где ее использование будет избыточным. Разбираем архитектуру интеграции, сравниваем подходы к обмену данными и объясняем, почему главная ошибка – работать с колоночной СУБД так же, как со строковой. А также учимся правильно готовить данные, проектировать таблицы и избегать типичных ловушек, чтобы получить по-настоящему быстрые аналитические решения. Доклад в виде статьи: https://infostart.ru/1c/articles/2626644/

Делимся опытом адаптации PostgreSQL-подобной СУБД Platform V Pangolin DB для 1С. Доклад в виде статьи: https://infostart.ru/1c/articles/2569774/