为 AI 系统设计的高性能持久化存储
支持多种存储后端，包括内存、Lance、以及自定义实现。按需选择最适合的存储方案。
基于 Lance 列式存储格式，提供高性能随机访问、向量搜索和零拷贝版本控制。
与 Pulsing Actor 框架无缝集成，为分布式队列提供持久化能力。
支持 Schema 动态演进，无需停机即可更新数据结构，适应不断变化的需求。
内置 Prometheus 指标导出，实时监控存储性能和健康状态。
pip install persisting
# Or install with Pulsing
pip install persisting[pulsing]from persisting import Queue
queue = Queue("my_topic", storage_path="./data")await queue.put({"id": "1", "value": 42})
await queue.flush()
records = await queue.get(limit=100)高效存储和检索 LLM 推理过程中的 KV Cache，支持跨会话复用，降低重复计算成本。
持久化存储强化学习和训练过程中的 Trajectory 数据，支持离线分析和经验回放。
高效保存和加载模型参数检查点，支持增量更新和版本管理。
与 AI 生态系统无缝协作
Persisting 是为 AI 系统量身定制的持久化存储解决方案。 它基于 Lance 列式存储格式，提供高性能的数据读写能力， 同时与 Pulsing Actor 框架深度集成，为分布式队列提供可靠的持久化支持。 无论是 KV Cache、Trajectory 还是模型参数，Persisting 都能高效处理。
了解更多 →Persisting 提供灵活的存储后端架构。 你可以根据需求选择内存后端（用于测试）、Lance 后端（用于生产）或实现自定义后端。
所有后端遵循统一的 StorageBackend 协议，确保 API 一致性。
切换后端只需修改一个参数，无需更改业务逻辑。
from persisting import Queue
# Create queues with different storage paths
queue = Queue("my_topic", storage_path="./data")
# Write and read
await queue.put({"id": "1", "value": 42})
await queue.flush()
records = await queue.get(limit=100)