2025-09-13 00:00:00
blocking了半个月，终于通过读原始代码解决了KVectors绕不过去的一个大坑…
之前总是segment fault， 这错误让我这种对操作系统和硬件比较打怵的人来说，有点儿抓瞎😂
不过，这个问题不解决，一直block在那儿也不行，给依赖类库也提交了issue，作者没屌我，可能觉得问题太小儿科，或者海外工作节奏比较闲适? 🤪
问AI其实更无解，最后只能自己啃依赖库的源代码，昨天发现苗头儿，今天修改验证后，一切OK了 ✅
用Sift的数据集做的测试（128维向量）
从100万条向量数据中查询1万条简单跑了下，数据看起来还可以， 平均6.3毫秒
而且是在2019年的老 MacbookPro 上跑的…
#KVectors #向量数据库
开天窗，拉认知，订阅「福报」，即刻拥有自己的全模态人工智能。
2025-09-10 00:00:00
当站在客户企业与供应商的视角之外
看技术浪潮的起起伏伏
或许会觉得什么数据中台、数据治理都是扯淡之举
但其实这多少有些事后明 🤪
当时当刻，能做出那个决策的，也都不是傻子。
想当初，我也觉得我是真心为企业好
但最后发现确实我本将心向明月，明月只喜欢沟渠
原本大中小型企业不同阶段的决策（不只是限于架构）是不一样的
但明月就是喜欢大（嗯，我也喜欢大）
从来没意识到说，这么大的裤衩子，我这小体格子貌似穿上了也拉胯，还跑不快…
40T的数据在几十年前或许是大数据
要搞啥集群
今天，可能一个节点就搞定了
时代不一样了，但很多人观念还停留在几十年前
就像有CEO说他新搞的数据库比业界同类产品快10-100倍没人信一样
因为benchmark的基准不一样了
很多人也没意识到
没见过就是没见过
没意识到就是没意识到
要见过、要意识到
就得付出代价
不撞撞南墙又咋知道是墙硬，还是自己的意志更坚定呢🤪
我现在训练自己绝对不多嘴给任何人建议
你要找我咨询，付费就行了
反正你可以不找我，找我出外勤，我肯定收费。
我肯定不替你交学费
好心？
滚犊子吧，没掉进坑里，谁tmd知道你是好心提醒？ 还是有財想自己隐匿下，又或者老子天命，你不行，又不能说明我不行😎
记得很多年前曾仕强说
中国人有个毛病，不信邪
这路上明明写着此路不通，TA一定得走过去，直到真的发现走不通，才相信。 否则，TA就是觉得TA不一样，TA运气好，说不定TA走的时候，路就通了呢
所以，别跟人性较劲。
嗯，今天教师节， 感觉又有点儿好为人师了，🤣
开天窗，拉认知，订阅「福报」，即刻拥有自己的全模态人工智能。
2025-09-09 00:00:00
AGI 即 Artificial General Intelligence， 人工通用智能
In the context of technology and AI research, this refers to a hypothetical machine intelligence with the ability to understand, learn, and apply its intelligence to solve any intellectual task that a human can.
也就是AI到了一个人能干的事儿，它也能干的程度。
LLM 即 Large Language Model, 大语言模型，现在一般都简单称“大模型”
属于NLP（自然语言处理）范畴内的工程结晶，而NLP又只是AI这个大范畴里的一小块。
Small to Medium-Sized Business , 中小型企业
这几天尹总在群里表达了自己被AI伤透了心的“愤慨”之情：
我越来对LLM越没信心了，还是感觉传统比较靠谱。
其实，相对来说，大模型还是带来了一些不小的变动， 不要因噎废食嘛，预期太高，还是因为搞营销的这帮人把AGI抬的太高了，但实际上现在的大模型远没有达到AGI的水平。
昨天恰好在梳理一张图：
其实今天要用好大模型，最主要的一个关键点是： 先要搞清楚自己的目的（对大模型来说是task）， 然后再根据task挑选适合的（大）模型。
有的模型是一个模型只负责处理一个task，有的模型是一个模型可以处理多个task，但不管怎么样，先task，再模型，而不是先模型，再task
这几天TVP的架构师群里恰好也在讨论一个话题，就是Vibe Coding到底在企业里落地的怎么样了
发现很多做ToB的企业，反而在用小模型，哈哈哈
这倒是跟我的体验一致的，从理论上可以跟企业将明白现在哪些事情（用AI）可以做了
但具体落地的时候，大模型的使用成本对于企业来说（尤其是SMB）其实还是会很“敏感”， 前阵子调研文本与图像嵌入的轻量级模型，其实也是因为成本这方面的原因。
还有就是，工程领域跟情绪价值领域对大模型的要求也是不一样的。
情绪疗愈对话可以让大模型从“固定话术”池子里随机应变， 无关事实，只要让魔镜前面的人觉得自己是这个世界上最美的女人就行了。
但工程领域不行，工程领域要的是事实与确定性。
所以，即使现在AIAD（AI辅助开发）已经很让开发人员沸腾了，但还是会通过设计研发流程（比如加入AI相互review以及人工审核与审计）来规避概率性系统天生的缺陷可能导致的问题。
但不管怎么样，这东西确实带来了研发效率的提升（适合得当的话）。
所以，最后搬出n年前谈AI的一个观点作为结尾： push it to the limit， 即使这货有这样那样的缺陷。 🤪
我说的不因噎废食，是这个意思。
开天窗，拉认知，订阅「福报」，即刻拥有自己的全模态人工智能。
2025-09-05 00:00:00
前几天有老总问：
飞书很重视知识管理，但都是从文档中检索，感觉还不够智能。是不是用你这数据库后能解决？@王福强@福强科技
他提到的“你这数据库”是指我上个月开始折腾的 KVectors 向量数据库。
我的回复是：
解决不了，智能是个系统工程 ；）
只能说， 向量数据库属于构建智能系统的一份子，但你让它单个挑大梁成就整体智能，那有点儿太难为他了。
而且，从打算搞KVectors开始，我就没期望说它能支撑起整个AI的天。
它就只专注一个点，向量的管理（存储与相似度检索），甚至于向量的生成它的不管🤣
它存在的唯一目的，就是能够快糙猛（其实也没那么糙）地满足小众场景里的AI需求，比如相似问题的重复回答、用AI技术重新实现的以图搜图等等。
要说通用智能和“足够”智能，这投入可就大了去了，岂是我这种 one-man army 可以干的事情？
要知道，越通用的方案，往往越需要更多的抽象和拼接，投入和周期都是无法准确估算的，没有点儿马云老师那种远见，谁tmd干这么砸钱？
我老早就说了，什么AI IaaS、AI PaaS甚至MaaS，让大厂去搞得了，SMB凑啥热闹嘛， 搞搞应用、搞搞业务场景AI化不香吗？
技术只是商业活动中一环，或者一种能力，但商业活动还有很多因素需要融合，从这个角度来说，KVectors跟通用AI智能的关系，倒是有点儿跟技术和商业的关系很像了。
一个是点，一个是面或体，不可同日而语。
不过可以同台唱戏🤣
其实向量数据库的选择挺多的， 我在给企业做向量数据库培训的时候，PPT的第一页就把所有常见的产品罗列出来了：
只是技术选型拿来用，基本上差不多的，latency上差不了多少毫秒。
但假如你想知道底层机理以及周边所有的AI基础设施和理论，那能挖的东西就多了去了。
一个点深挖下去，也可以很深的🤪
哦，对了，这个培训对企业开放，欢迎感兴趣的企业洽谈预约。
开天窗，拉认知，订阅「福报」，即刻拥有自己的全模态人工智能。
2025-08-22 00:00:00
从这个月初（2025年8月初）开始筹划和编写KVectors的第一行代码，今天用Sift的一百万向量数据集对AnnIndexVectorCollection做了个简单的测试（10亿那个数据集太大，我这2019年的老MacbookPro肚量不够，放不下🤣），怎么说呢？
构建索引的速度出乎我的意料，可能之前也没有具体的标准，反正不到六分钟， 100万向量就压缩和索引完成：
我在设计构建索引的触发方法上添加了webhook支持， 这样，大数据集的索引构建可以异步在后台跑，跑完了可以选择发个通知，同时，为了省事，也可以直接上线构建完成的新索引（生产环境建议验证索引后再手动enable新索引）：
def buildFullIndexAsync(enableAfterBuildSuccess: Boolean = true, webhook: Option[URL] = None): CompletableFuture[Void]反而查询结果更出乎我意料，mmd，居然 100+ 毫秒的时延， 不应该啊！ 虽然我也没怎么正经的做性能测试：
想了下才发现问题在哪儿，原来是每个查询向量的加载牵扯了文件系统的IO，而我把这些时间也给平均进去了，怪不得呢…（果然没正经做测试😂）
至此， KVectors分别支持了三大类Vector Collections:
基本满足了测试、小数据量以及大规模向量数据的索引与相似性检索需求。
KVectors的定位就是只做向量数据库：
之所以定位就是因为，我始终认为大模型与算力的生意是大厂拼杀大战场，跟SMB没啥关系，SMB要么做AI应用，要么就找个能抓住的点。
另外，为什么用Java/Scala写呢？
也是因为Java Vector API经历了七八轮incubator，也该进入正式发布了，基于Java Vector API，我们可以充分利用现代CPU的SIMD特性，极大加快向量相似性计算。
除此之外， KVecvtors还用了一些业界比较先进的思想和实践，比如HNSW和DiskANN算法
这其实也是为啥我能不到一个月就搞定这个产品原型的原因了，站在了巨人的肩膀上🤪
希望后面可以让KVectors在智能客服、知识库、推荐系统等场景发光发热。
██╗ ██╗ ██╗ ██╗ ███████╗ ██████╗ ████████╗ ██████╗ ██████╗ ███████╗
██║ ██╔╝ ██║ ██║ ██╔════╝ ██╔════╝ ╚══██╔══╝ ██╔═══██╗ ██╔══██╗ ██╔════╝
█████╔╝ ██║ ██║ █████╗ ██║ ██║ ██║ ██║ ██████╔╝ ███████╗
██╔═██╗ ╚██╗ ██╔╝ ██╔══╝ ██║ ██║ ██║ ██║ ██╔══██╗ ╚════██║
██║ ██╗ ╚████╔╝ ███████╗ ╚██████╗ ██║ ╚██████╔╝ ██║ ██║ ███████║
╚═╝ ╚═╝ ╚═══╝ ╚══════╝ ╚═════╝ ╚═╝ ╚═════╝ ╚═╝ ╚═╝ ╚══════╝Make Java Great Again！
开天窗，拉认知，订阅「福报」，即刻拥有自己的全模态人工智能。
2025-08-19 00:00:00
今天有老总谈到他职业生涯一段经历，被女领导穿小鞋，干了8个月走人的经历
同样资深老炮儿魏博就很赞赏，觉得职业生涯后期就应该采取保守策略
嗯，怎么说呢？
其实，很多总结真没啥意义。
你会发现
你的每一段短期经历的总结其实都是狭隘的
假如你认同我之前说的，企业一大，职场就是一个黑暗森林
那就很自然的可以理解，去他喵的策略和道理，其实到最后都只看你遇到一个什么样的人！
遇到从小就有安全感的上司，TA才不care你靠专业上位这种事儿，甚至于TA也很清楚，专业能力再强，跟升职也没必然联系，所以，这种人是不会给你穿小鞋儿的；
但假如你遇到一个没有安全感的人，那给你穿小鞋的概率就陡增了，尤其是看重拿结果的企业和上司，你专业能力强，TA 专业能力弱，这时候专业能力就有可能成为被攻击的点，虽然这tmd跟专业能力也没啥关系🤣
关系这东西是包含三个因素的：
啥？ 你不知道我在说啥？ 嘿嘿，其实我在用图论举例：
每个人作为自己的主节点，在一段关系里只能把控自己一端，而另一段在别人那里，TA也对这段关系同样施加影响，所以，除非你这个节点的权重和影响力足够大，否则，弱势的一方很多时候是被影响的， 这其实也是很多人被穿小鞋儿很不忿的原因，因为自己处在弱势一端。
遇到好的节点（领导），TA给你施加的是好的影响，反之，则是穿小鞋儿的影响🤣
只不过，这个好的判断标准，其实，还是从弱势节点视角出发判断的，至于对方节点施加影响的初衷到底是什么，其实，只有对方节点自己知道🤪
另外：
糟糕的环境会把普通人变坏、阴毒:所以不能指望人，要指望制度、文化[得意]
其实，读过我的《极简管理课》 的同学都知道，制度和文化，其实原本就是环境的一部分，而环境，也是人塑造的。
老板的价值观，其实就是企业的价值观，老板想要塑造什么环境，自然会选择什么样的制度来塑造它，也会选择塑造什么样的企业文化来巩固它。
开天窗，拉认知，订阅「福报」，即刻拥有自己的全模态人工智能。
