Awesome GitHub RepositoriesRemote Mutation Execution

React Query is an asynchronous state management library and data fetching orchestrator designed to fetch, cache, and synchronize server state in web applications. It functions as a server-state cache manager that handles asynchronous data requests to keep local application state in sync with a remote server. The library implements a stale-while-revalidate cache pattern, which provides immediate access to cached data while triggering background updates to maintain consistency. It further supports optimistic user interface updates, allowing the interface to change immediately during data mutati

SWR is a data fetching library that provides a collection of hooks for managing remote data synchronization, caching, and state updates in web applications. It employs a declarative approach to handle complex network request lifecycles and dependency chains, ensuring that client-side application state remains consistent with server data through automatic revalidation and background updates. The library distinguishes itself through a reactive cache layer that automatically synchronizes local state with remote sources based on component lifecycle events. It features event-driven revalidation, w

Jotai is a state management library for React applications that utilizes an atomic model to handle data. It organizes application state into small, independent units called atoms, which automatically track dependencies and trigger granular updates to components. By building state through these composable primitives, the library ensures that only the necessary parts of an application re-render when data changes. The library distinguishes itself through its flexible approach to state composition and asynchronous data handling. It integrates promises directly into the state model, allowing devel

LiveKit is a comprehensive framework for building and orchestrating real-time, multimodal AI agents that interact with users through voice, video, and text. It provides a centralized, event-driven architecture to manage the entire lifecycle of automated participants, from initialization and session state management to graceful shutdown. By utilizing a selective forwarding unit, the platform efficiently routes media streams between participants and agents, ensuring low-latency communication and secure, token-based authentication for all connections. The platform distinguishes itself through it

FoundationDB is an ACID-compliant distributed transactional key-value store. It functions as a scalable database engine that ensures strict serializability and data consistency across a cluster of servers using a shared-nothing architecture. The system is distinguished by its multi-region replication capabilities, allowing data to be synchronized across different datacenters for high availability and disaster recovery. It utilizes optimistic concurrency control to manage distributed transactions and employs a majority-based coordination system to maintain cluster state. The platform provides

This project is an infrastructure as code tool designed to automate the lifecycle management of Amazon Web Services resources. It functions as a cloud resource provisioner that enables users to define, version, and deploy infrastructure components through declarative configuration files. The system operates by reconciling the current state of a cloud environment against a desired configuration, calculating the necessary delta operations to achieve convergence. It utilizes a directed acyclic graph to resolve resource dependencies and determine the optimal execution order for changes, ensuring

Atlantis is a GitOps deployment tool and infrastructure as code orchestrator that synchronizes cloud resources with a git repository using pull request comments. It serves as a policy-based infrastructure gate and automation system for Terraform, executing plans and applies directly from version control to coordinate deployments across multiple projects and environments. The system differentiates itself through a lock-based concurrency model that prevents simultaneous modifications to the same project or workspace. It features server-side policy validation to intercept plan outputs for compli

LanceDB is a vector database and columnar data store designed to function as a versioned dataset manager and vector search engine. It serves as a high-performance backend for indexing and retrieving high-dimensional embeddings, providing the foundation for machine learning data pipelines. The system distinguishes itself through a combination of cloud-native object storage and immutable version tracking, allowing for data time-travel and reproducible AI experiments. It integrates hybrid search capabilities, merging dense vector similarity with BM25 full-text search and SQL-like scalar filters

Hazelcast is a distributed data platform that combines an in-memory data grid with a stream processing engine to support real-time analytics and event-driven applications. It functions as a partitioned, distributed key-value store that replicates data across cluster nodes to provide low-latency access and high availability. The platform also serves as a distributed SQL query engine, allowing users to execute standard SQL statements against both in-memory datasets and external data sources. What distinguishes Hazelcast is its use of a distributed consensus subsystem to maintain strongly consis

opennextjs-aws est un adaptateur d'infrastructure serverless et un outil de déploiement qui transforme les artefacts de build Next.js en paquets compatibles pour l'hébergement sur AWS Lambda et S3. Il fonctionne comme un adaptateur de déploiement qui mappe les sorties spécifiques au framework vers des fonctions serverless et du stockage d'objets. Le projet se distingue par l'implémentation d'optimisations spécifiques au serverless, y compris un gestionnaire de cache qui synchronise la régénération statique incrémentale et les caches de récupération (fetch) via S3 ou DynamoDB. Il dispose d'un optimiseur de démarrage à froid (cold start) qui utilise la minification de bundle et le réchauffement programmé des fonctions pour réduire la latence, ainsi qu'un pipeline d'optimisation d'images dédié pour récupérer les fichiers sources depuis S3 et les distribuer via CDN. Le système couvre un large éventail de capacités, y compris l'intégration de middleware edge, la revalidation en arrière-plan basée sur des files d'attente et la distribution de routes multi-cibles. Il gère également le trafic via le routage CDN, l'injection de données de géolocalisation et le streaming de réponses serveur pour améliorer le temps jusqu'au premier octet (TTFB). L'outil fournit des options de personnalisation étendues pour les pipelines de build, les comportements des adaptateurs et la logique serveur afin de prendre en charge des besoins architecturaux variés et des structures monorepo.

next-learn est une collection de ressources éducatives et d'implémentations de référence pour créer des applications web full-stack. Il sert de ressource d'apprentissage et de tutoriel pour le framework Next.js, fournissant du code de démarrage et des projets d'exemple qui démontrent le rendu côté serveur et l'écosystème basé sur React. Le projet fournit un modèle web full-stack qui présente une implémentation complète de l'intégration de base de données, de l'authentification des utilisateurs et de la logique côté serveur. Il inclut des exemples de référence pour l'optimisation des performances web, démontrant spécifiquement l'utilisation des composants serveur, des actions serveur et du routage dynamique. La base de code couvre une large surface de capacités full-stack, notamment la gestion des données via des requêtes et mutations côté serveur, le contrôle d'accès basé sur l'identité via des route guards, et l'architecture de navigation utilisant le routage par système de fichiers. Il implémente également diverses stratégies de rendu, l'optimisation des ressources pour les images et les polices, et le stylage de l'interface utilisateur.

Ce projet est un guide pédagogique structuré et un programme pour maîtriser l'infrastructure en tant que code (IaC). Il fonctionne comme un guide de provisionnement cloud et un matériel de formation DevOps, fournissant un ensemble de leçons et d'exercices pratiques pour déployer et gérer les ressources cloud via une configuration déclarative. Le programme couvre le développement de modules réutilisables, l'orchestration de multiples environnements utilisant des espaces de travail et la gestion de fichiers d'état distants avec des mécanismes de verrouillage. Il inclut également des instructions sur la gestion des secrets cloud pour sécuriser les données sensibles. Le matériel couvre les capacités fondamentales de l'infrastructure en tant que code, incluant la configuration du fournisseur, la paramétrisation pilotée par les variables et l'utilisation de logique dynamique et de fonctions pour des configurations flexibles. Il aborde en outre le provisionnement des ressources et la récupération de données externes.

Ce projet est un framework de traitement de données tabulaires haute performance pour R, conçu pour gérer des jeux de données massifs avec efficacité mémoire et vitesse. Il fournit une structure de données améliorée qui utilise la sémantique de référence et la modification sur place pour effectuer des transformations complexes sans la surcharge de copies d'objets inutiles. La bibliothèque se distingue par ses optimisations architecturales de bas niveau, incluant le traitement parallèle multi-threadé, le tri basé sur radix et l'analyse de fichiers mappés en mémoire. En déchargeant les routines critiques de manipulation et d'agrégation de données vers du code C compilé, elle permet une exécution rapide des tâches qui seraient autrement coûteuses en calcul. Son moteur principal prend en charge des opérations relationnelles avancées, telles que les jointures non-équi, glissantes et à intervalles chevauchants, parallèlement à l'indexation secondaire automatique pour accélérer l'accès répété aux données. Au-delà de ses capacités de traitement principales, le projet offre une suite complète d'outils pour la gestion du cycle de vie des données. Cela inclut des utilitaires d'ingestion et de sérialisation à haute vitesse avec détection automatique de type, ainsi qu'un support spécialisé pour l'analyse de séries temporelles et l'agrégation multidimensionnelle. Le framework est conçu pour évoluer, permettant aux utilisateurs d'effectuer des opérations complexes de regroupement, de filtrage et de remodelage sur des jeux de données contenant des milliards de lignes tout en maintenant la stabilité et les performances du système.