MoreRSS

site iconafoo | 王福强修改

连续创业者,20多年互联网与金融技术经验,前阿里巴巴高级技术专家,现福强科技CEO,分享技术、管理、商业和AI知识。
请复制 RSS 到你的阅读器,或快速订阅到 :

Inoreader Feedly Follow Feedbin Local Reader

afoo | 王福强的 RSS 预览

2025 年 AI 小结 与 2026 年 AI 展望

2025-12-24 00:00:00

2025 年 AI 小结 与 2026 年 AI 展望 -王福强的个人博客:一个架构士的思考与沉淀

2025 年 AI 小结 与 2026 年 AI 展望

王福强

2025-12-24


以下所有内容均福强老师个人观点,有失偏颇也好,胡说八道也罢,总之概不负责真假对错,各位看官自行甄别。

2025 年度重要 AI 概念

MCP

这个年度给某运营商全国CIO培训的时候提到过,我标注成非正常颜色只是因为我觉得这个是常识了。

Agent

嗯,都在喊Agent 元年,所以,Agent 肯定算是2025 年度概念。

从 Claude Skills 到 Agent Skills

Skills这个概念之所以重要在于,它以 AI Agent 友好的方式提供了能力的“模块化”支持。这东西的重要性就算是传统软件研发也能理解,因为模块化、复用/重用、服务化、单元化…, 所有这些概念的本质,其实就是模块化。

开始只是 Claude 一家在自己的Agent里用并分享出来,后来各家企业纷纷采纳,所以,到今天,直接升级成了Agent Skills规范,这样,AI产业界就都可以从中受益了,互联互动,总是可以避免不必要的重复建设,让用户受益的。

相对于Agent,我更喜欢Skills这个年度概念,因为它更工程务实。

Context Engineering

这个概念也是2025年里一个重要的AI概念,相对于Prompting Engineering, Context Engineering已经从一个点扩展为去关注系统性的大模型curate策略和方案了。

而之所以前面说Skill是个好东西就在于,它其实就是Context Engineering这个大概念下的一个最佳实践。

Context Engineering如果算概念和口号,那Skill算最佳实践和落地举措。

当然,这个大概念下,也同样覆盖了 Memory 管理这些相关概念和举措。

生成式UI

咋说呢?

就是顺带一提吧,我觉得没(自)媒体吹的那么玄乎,响应的, 我也没觉得像A2UI这些概念有多好,用肯定会有人用,就跟菜系一样,不同人不同口味而已,我不感冒。

A2A和Multi Agent也属于我不感冒的一类, 它俩的出现也早于A2UI。

Vibe Everything

这个就有意思了, Vibe Everything 是我总结的

从Vibe Coding这个概念开始,

什么Vibe Workflow啦, Vibe Dashboard啦, Vibe UI啦(包含了Vibe Dashboard这类更具体的场景), 总之就是动动嘴,剩下的活儿交给AI干就行了。

尤其是下面会提到,巨头们在2025年争抢AI语音输入法这块阵地,也是为Vibe Everything争抢入口。

大模型

大模型继续酣战

海外亮眼的有:

  • Claude家的Sonnet4.5/Opus4.5等
  • Open AI的GPT 5.2
  • Google家的Gemini3和Nana banana pro
  • xAI的Grok4.1
  • 还有一些周边厂家,比如Mistral还在继续参与游戏

国内亮眼的有:

  • 阿里的Qwen3
  • 字节的
  • GLM4.7, 主打一个对标claude家的代码模型第一名
  • Minimax的M2/M2.1
  • Kimi K2
  • 小米也刚发布了Mimo flash, 我用它折腾了一天半的keenotes开发,怎么说呢,效果上跟claude家的代码模型还是有不少差距

AI Agent框架

这个其实没啥太大新意了,自己习惯什么、熟悉什么计算机语言就选相关的框架就好了。

比如你熟悉python,那老牌儿的langchain这些肯定ok

假如你熟悉java,那从Spring AI 到 langchain4j,甚至是Spring框架之父新搞的Embabel也值得一试(个人不喜欢,因为对annotation没啥好感,哈哈哈)

AI Agent 平台

开源的:

  • 老牌n8n值得信赖(新出了个致命的安全漏洞,记得升级哟)
  • dify
  • coze(从闭源到开源)

还有很多不同公司AI Agent平台,像google的gems, lovable, v0这些,都算。

其它 AI Agent 规范与实践

除了前面提到的Agent Skills,再提一个durable streams,大家可以看看

AI商业

反正各行各业都在拥抱AI,我也不是啥行业都熟悉,就简单罗列了些,大家随便看看吧:

里面投入精力最多是向量数据库,因为如果你关注我时间比较长,应该知道我写了个KVectors向量数据库,所以,过程中肯定不少精力耗费在向量数据库这个细分领域。

2026的 AI 会怎么样

说实话,

真不知道,

反正方向是没问题的。

且行且看吧~




「福强私学」来一个?

「福强私学」, 一部沉淀了个人成长、技术与架构、组织与管理以及商业上的方法与心法的百科全书。

footer img for kb.afoo.me

开天窗,拉认知,订阅「福报」,即刻拥有自己的全模态人工智能。

订阅「福报」
Copyright © 王福强个人版权所有 - Since 2004 (Everything is homebrewed with Pandoc and Markdown, little Scala also included.)

“斩杀线”只反映了单侧单向…

2025-12-24 00:00:00

“斩杀线”只反映了单侧单向… -王福强的个人博客:一个架构士的思考与沉淀

“斩杀线”只反映了单侧单向…

王福强

2025-12-24


这几天频繁看到一个词儿叫“斩杀线”

我还纳闷为啥呀?

这词儿啥意思呢?

我就随手问了下Grok, 它给我的回复是这样的:


“斩杀线”是一个源于游戏的网络术语,主要有两种常见用法:

  1. 游戏原意(最常见的来源):
    • 在各种游戏(如《魔兽世界》、《炉石传说》、《英雄联盟》(LOL)、《王者荣耀》、《DNF》等)中,指敌方单位(英雄、怪物、BOSS)的血量降到一个特定临界值时,可以被玩家的一套技能组合或特定大招瞬间击杀(秒杀)的血量阈值。
    • 例如:
      • 《英雄联盟》里,盖伦、诺手、派克等英雄的大招有百分比斩杀效果,当敌人血量低于一定比例时,就能直接处决。
      • 《王者荣耀》里,召唤师技能“终结”(以前叫“斩杀”)造成已损失生命值14%的真实伤害,当敌人血量剩约12-13%时,就能用它收割。
      • 玩家常说“进入斩杀线”意思是血量危险了,一不小心就被秒;高手会精确计算伤害,预判是否能一套带走对手。
    • 这个词强调“一旦跨过这条线,就没悬念了,直接死”。
  2. 近期网络热梗延伸(尤其是2025年底在中国社交平台流行):
    • 借用游戏概念,比喻现实生活(特别是美国社会)中,一个人的财务或生活状态到达某个临界点后,会触发连锁反应(如失业+大病+债务+失去住房),迅速从普通中产滑落到底层(破产、无家可归),几乎无法翻身。
    • 常称为“美国斩杀线”或“中产斩杀线”,用来调侃或批评美国的社会保障薄弱、医疗昂贵、容错率低等问题。一旦“掉血”到这条线,就被“系统一套连招秒杀”。

原来就是下坠方向上不可逆的那个点(或者说线)啊…

但大家为啥只关注这个点和线呢?

其实全貌应该是“雪锦霜花”线啊,只有雪上加霜这个方向上到了那个点,才不可逆的,但大多数时候你还是可以在“雪锦霜花”之间颠倒颠啊!

Never give up,bro~




「福强私学」来一个?

「福强私学」, 一部沉淀了个人成长、技术与架构、组织与管理以及商业上的方法与心法的百科全书。

footer img for kb.afoo.me

开天窗,拉认知,订阅「福报」,即刻拥有自己的全模态人工智能。

订阅「福报」
Copyright © 王福强个人版权所有 - Since 2004 (Everything is homebrewed with Pandoc and Markdown, little Scala also included.)

M4芯片上跑了下KVectors向量数据库的性能测试,没想到…

2025-12-02 00:00:00

M4芯片上跑了下KVectors向量数据库的性能测试,没想到… -王福强的个人博客:一个架构士的思考与沉淀

M4芯片上跑了下KVectors向量数据库的性能测试,没想到…

王福强

2025-12-02


正好前阵子有哥们儿给了我台M4,就用它来跑下KVectors向量数据库的性能测试,预期肯定比我这老Intel款MBP强,但强到我看到这个结果还是好好数了下数字的个数🤣

search 10000 vectors in 4399 milli
press any key to exit...

平均0.4毫秒 😆 (依然是基于100万向量的sift small数据集,从中查询10000条向量的相似向量)

不过这个性能结果还算符合预期啦,毕竟之前在老款Intel芯片的MBP上跑IVF_FLAT索引测试,结果也是1.1毫秒 ~ 1.3毫秒这个区间, M4再怎么样硬件性能上要好的多得多。

不过M4在IVF_RABITQ索引的向量集合测试上折戟了,我还不确定是为啥:

=> M4 上kvectors IVF_RABITQ性能测试

search 10000 vectors in 381487 milli // without indexing 
press any key to start to build index
...
search 10000 vectors in 206182 milli
press any key to exit...

为啥感觉性能还不如intel款的老MBP测试的性能?! 我记得之前是13毫秒左右,这个直接干到了20毫秒左右。

向量压缩后做ANNS反而慢了?!

可能百万级别不值得搞向量压缩和ANNS?

又或者我的RABITQ压缩算法还有很大的改进空间?

Anyway,埋头拉磨的模式该休一休了,后面得多想想怎么让KVectors这款产品给客户创造价值,让客户愿意埋单 🤣




「福强私学」来一个?

「福强私学」, 一部沉淀了个人成长、技术与架构、组织与管理以及商业上的方法与心法的百科全书。

footer img for kb.afoo.me

开天窗,拉认知,订阅「福报」,即刻拥有自己的全模态人工智能。

订阅「福报」
Copyright © 王福强个人版权所有 - Since 2004 (Everything is homebrewed with Pandoc and Markdown, little Scala also included.)

KVectors向量数据库准备开源啦~

2025-11-16 00:00:00

KVectors向量数据库准备开源啦~ -王福强的个人博客:一个架构士的思考与沉淀

KVectors向量数据库准备开源啦~

王福强

2025-11-16


前阵子老王说

KVectors可以搞开源+商业服务的模式

虽然这个产品从一开始构思、设计到实现就没考虑过开源

但“听人劝吃饱饭”嘛

这几天简单思考了下

决定这样…

开源版 KVectors 向量数据库(kvectors-oss)

开源版KVectors向量数据库是最初版设计和实现,当时的设计前提是:

  1. 模型更新迭代太快,向量数据库中的向量可能因模型变更原因需要全量重新处理和存储;
  2. 数据衍生系统,所以,数据变更可以通过从原始数据源重新加载;
  3. 阶段性重新构建索引以提高性能与数据的新鲜度;

在这些前提下, 最初版的KVectors向量数据库的存储是APPEND_ONLY的,也就是只追加,不提供更新与删除等操作。(这也是前阵子金总说要基于这版打造商业方案,我心里没底儿的原因,因为还没经过实际场景检验。)

当然,除了APPEND_ONLY向量存储,还支持TRANSIENT类型的向量存储,这更多是便于测试或者用完即弃的场景。

向量索引方面,最初版支持如下索引类型:

  1. FLAT索引
  2. HNSW索引

看起来很少,对吧?

但其实这两个索引 + APPEND_ONLY 向量存储 已经可以满足大部分场景的需求,要知道头部向量数据库产品weaviate,其实也就是支持这两种索引,虽然它声称可以支持三种,但其实就是FLAT和HNSW再根据数据的生命周期再组合一下。

如果配合应用架构设计,这一版的KVectors向量数据库基本可以满足8成以上 AI 场景需求。

企业版 KVectors 向量数据库(kvectors-enterprise)

企业版 KVectors 向量数据库会在开源版基础上在如下方面进行增强:

  1. 更多的向量索引类型。除了支持开源版支持所有向量索引类型,企业版KVectors向量数据库还支持如下向量索引(Scala 版 IVF 索引和 IVF_RABITQ 索引,完全自主设计与实现!):
    • IVF(IVF_FLAT)
    • IVF_RABITQ
    • LSH
    • 更多…
  2. 更强劲的向量存储引擎
    • 支持全面CRUD操作的向量存储引擎与向量集合, 既允许用户极速向KVectors向量数据库注入高维向量,又支持根据业务场景对向量的数据与元信息进行更改。
  3. 更全面的商业服务与支持
    • 除了提供开箱即用的极速向量数据库产品,还为用户提供AI智能体与技术体系内的架构咨询与商业支持。
    • 总之,力求客户的钱花得值!

后续工作




「福强私学」来一个?

「福强私学」, 一部沉淀了个人成长、技术与架构、组织与管理以及商业上的方法与心法的百科全书。

footer img for kb.afoo.me

开天窗,拉认知,订阅「福报」,即刻拥有自己的全模态人工智能。

订阅「福报」
Copyright © 王福强个人版权所有 - Since 2004 (Everything is homebrewed with Pandoc and Markdown, little Scala also included.)

AI、开源与微服务:老王两个观点,谈谈个人想法

2025-11-12 00:00:00

AI、开源与微服务:老王两个观点,谈谈个人想法 -王福强的个人博客:一个架构士的思考与沉淀

AI、开源与微服务:老王两个观点,谈谈个人想法

王福强

2025-11-12


在我还混过一段时间大中华区运维圈的时候,

有“南王北萧”的江湖称号

这里的老王就是当时的“南王”

现在是优维的老总

“感觉有用,但用处不大”

背景是成哥的SRE群里有人讨论AI到底有没有用

老王说:“感觉有用,但用处不大”

蚂蚁的一位同学说:“非常非常有用, 一天都少不了”

这里我觉得有意思的点是,

老板可能吃老王观点的比较多,

职场人士则是后面的观点比较多,

至于为啥,

自己想🤭

“开源+企业版和企业服务”

背景是群里聊到kvectors向量数据库,

我说还没想好怎么卖,

老王说: “开源+企业版和企业服务”

咋说呢

这确实过去的经典打法,

但我从一开始就没想走这条路,

为什么呢?

一个是时代变了

一个是成本结构不一样

再一个,前面有杭州智总的前车之鉴,

我也得清楚什么是自己的优势、什么又是自己的劣势,

如果劣势补不上,

起码别把自己的优势也扔了…

微服务

发现到了AI时代,

很多同学依然喜欢用微服务来打比方,

其实,

微服务没啥问题

中台也没啥问题

但小马想拉大车,

通常成了问题。




「福强私学」来一个?

「福强私学」, 一部沉淀了个人成长、技术与架构、组织与管理以及商业上的方法与心法的百科全书。

footer img for kb.afoo.me

开天窗,拉认知,订阅「福报」,即刻拥有自己的全模态人工智能。

订阅「福报」
Copyright © 王福强个人版权所有 - Since 2004 (Everything is homebrewed with Pandoc and Markdown, little Scala also included.)

看了方三文对话段永平完整视频,谈几点给我的启发和感想

2025-11-12 00:00:00

看了方三文对话段永平完整视频,谈几点给我的启发和感想 -王福强的个人博客:一个架构士的思考与沉淀

看了方三文对话段永平完整视频,谈几点给我的启发和感想

王福强

2025-11-12


经营企业与投资企业

你不懂企业,搞投资其实也投不明白(就算赚钱了,也只是撞大运)。

智者迟疑

你看段的观点很多时候不会很确定的讲,绝对不会很绝对的非黑即白,看不懂的就是看不懂,不会用自己的hindsight(事后诸葛亮)来渲染最初决策的迟疑和忐忑。

没有差异化,就没有超额利润

但差异化又很难维持,没有差异化就是卷,卷完剩下的,才能开始赚钱。

关于AI和泡沫

跟我前几天的观点类似

  • https://mp.weixin.qq.com/s/LLPIc5A0fP5uGtxbYdwWlA?scene=1
  • https://x.com/afoo_me/status/1986621585919529032

阿朱说明年可能AI泡沫,我倒是比较乐观。就算是泡沫,也会是回调。AI的趋势是不可逆的,只要电力和算力成本将来下落,AI的普及会是everywhere现在能源和算力标品对于AI的普及,还是太“贵”了。

关于效率

效率的观点我是认同的,我一直觉得可口可乐其实就是靠效率构建了自己最稳定的护城河。

了解自己在竞争态势中的位置

段说:“不要觉得自己就是天选之子”,哈哈哈,但年轻人都是“我命由我不由天”,所以…🤪




「福强私学」来一个?

「福强私学」, 一部沉淀了个人成长、技术与架构、组织与管理以及商业上的方法与心法的百科全书。

footer img for kb.afoo.me

开天窗,拉认知,订阅「福报」,即刻拥有自己的全模态人工智能。

订阅「福报」
Copyright © 王福强个人版权所有 - Since 2004 (Everything is homebrewed with Pandoc and Markdown, little Scala also included.)