MoreRSS

site iconafoo | 王福强修改

博客 架构 创业 思考 杭州
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。
RSS: https://afoo.me/feeds.xml
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

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

logo

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

福强老师的 AI 通识课

footer img for kb.afoo.me
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

logo

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

福强老师的 AI 通识课

footer img for kb.afoo.me
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

logo

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

福强老师的 AI 通识课

footer img for kb.afoo.me
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向量数据库完成IVF_RABITQ索引的支持啦～

2025-11-11 00:00:00

KVectors向量数据库完成IVF_RABITQ索引的支持啦～ -王福强的个人博客：一个架构士的思考与沉淀

logo

KVectors向量数据库完成IVF_RABITQ索引的支持啦～

王福强

2025-11-11

有点儿意想不到

写完代码直接跑测试

居然直接过了

没有任何运行期异常 🤪

测试结果跟个人的预期算是相符合吧

将SiftSmall一百万条向量数据灌入KVectors向量数据库之后

在没有构建索引之前先跑了一遍检索

作为对比指标

结果是这样的：

search 10000 vectors in 2280907 milli

然后花了7、8分钟构建索引：

完成 向量集合:ivf-rabitq-test-collection 总共 999999 向量的全量索引构建， 耗时： 0 天 0 小时 7 分钟 25 秒，索引名称：1762832256798

索引构建完成之后

重新跑一遍检索

结果是这样的：

search 10000 vectors in 342093 milli

跟之前纯粹的IVF_FLAT（或者叫IVF_LITE）索引相比

性能劣化了，从个位数毫秒到现在三十几毫秒

但也是合理的

因为IVF_RABITQ索引面向的是1亿～10亿这个规模的向量数据集

百万向量可能很多时候一个是clusters数量不多，另外一个就是很多计算都耗费在计算上了（跑的时候忘了加--add-modules jdk.incubator.vector虚拟机参数了）

但也只是猜测哈

因为后半段基于IVF_RABITQ索引的检索在跑的时候

金总跑过来要看看我新搬的办公室

就陪他溜达了会儿

也就没看到JConsole里CPU的消耗

在没有构建索引之前，纯粹full-scan的时候，CPU消耗其实不大：

Anyway

至此， 2025年双十一之际

KVectors向量数据库已经正式支持了如下几种业界主流的向量索引：

  1. FLAT
  2. HNSW
  3. HNSW+PQ
  4. IVF
  5. IVF_RABITQ
  6. LSH

软著申请提交后处于待审查状态

等再打磨打磨就可以开卖了🤪

当然，有对产品背后机理感兴趣的企业

也有系列企业培训哟（橙子科技已经连续采买了3期）

更多关于KVectors向量数据库的信息，欢迎访问福强科技官网了解「https://keevol.cn/#kvectors」

「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

福强老师的 AI 通识课

footer img for kb.afoo.me
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.)

Claude Code后端模型服务切换三式

2025-11-06 00:00:00

Claude Code后端模型服务切换三式 -王福强的个人博客：一个架构士的思考与沉淀

logo

Claude Code后端模型服务切换三式

王福强

2025-11-06

今天TVP群里有同学分享了自己使用claude code在各大模型服务之间辗转腾挪的实践方法，

恰好这几天看到点儿相关的信息和实践，

简单整理下分享给大家。

前情铺垫

大家都知道claude code是anthropic公司开发的命令行AI开发工具

它默认后端大模型接的是anthropic自己家的模型，

从最早就比较惊艳的 Claude sonnet3.5 到 现在的 Claude sonnet 4.5

后来各大模型厂商以及MaaS服务厂商为了兼容Claude系模型

对外提供的大模型服务API就跟Claude系模型的API兼容了

而兼容带来的好处就是

claude code这个工具可以无缝切换到这些模型

尤其是anthropic这家公司对大中华区一贯严格封堵的情况下

要想原汁原味

门槛还是挺高的

好在有了这些兼容的大模型API

大中华区起码可以享受到claude code的优质服务

配合后端其它大模型服务

也能媲美“特斯拉”了

使用脚本切换 claude code 后端模型服务

TVP群里有同学分享了他的最佳实践：

总结下来就是，

针对不同模型服务，

独立针对其创建claude code启动脚本：

截图内容版权归 TVP Leoobai 所有

使用脚本函数切换 claude code 后端模型服务

这个算是上一个方法的另一种实现思路，都归属于本地无中间服务器方案。

在.bashrc或者.bash_profile(甚至.profile)里针对不同的大模型服务商，定义不同的claude code启动函数，类似于(作者举例哈，没测试过，领悟思想就可以了🤣)：

function glm() {
    export ANTHROPIC_AUTH_TOKEN=... # GLM的API key
    export ANTHROIC_BASE_URL=... # GLM的服务地址
    ...
    claude --dangerously-skip-permissions
}

function kimi(){
    ANTHROPIC_AUTH_TOKEN="xxx" ANTHROIC_BASE_URL="xxx" claude --dangerously-skip-permissions
}

function deepseek(){
    ...
}

这样，你每次只要在命令行敲 glm 或者 kimi 或者 deepseek 或者 …

就能启动使用不同大模型服务的claude code了。

使用独立的集中切换大模型服务中继与路由

比如你可以本地启动一个localhost上的claude code兼容的大模型服务，

然后claude code只连这个localhost上的大模型服务地址就可以了，

然后这个本地跑的大模型服务允许配置多个远程的claude code兼容的大模型服务，

想用哪个作为当前要用的大模型服务，就配置哪个是current就可以，甚至根据路由算法进行分发。

这种代理服务，你可以配合大模型自己vibe一个出来，

比如TVP群有同学也分享了他的类似工具：

你也可以用github上开源的项目，

既然这种需求那么强烈，

肯定已经有人搞了

比如： https://github.com/BenedictKing/claude-proxy

最后

happy vibe coding 🤪

我虽然知道这些路子，但其实我还是古早手工写代码多些，哈哈哈

「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

福强老师的 AI 通识课

footer img for kb.afoo.me
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向量数据库赋能企业智能升级：大模型与向量数据库在“千人千面”商品推荐中的应用与实践

2025-11-04 00:00:00

KVectors向量数据库赋能企业智能升级：大模型与向量数据库在“千人千面”商品推荐中的应用与实践 -王福强的个人博客：一个架构士的思考与沉淀

logo

KVectors向量数据库赋能企业智能升级：大模型与向量数据库在“千人千面”商品推荐中的应用与实践

王福强

2025-11-04

背景：橙子科技的推荐系统困扰

橙子科技作为综合平台电商，拥有百万级 SKU 商品库，涵盖 3C 数码、家居服饰、美妆护肤等全品类商品。其传统推荐系统基于关键词匹配与静态规则划分，在业务快速扩张中逐渐暴露三大核心问题：

  1. 覆盖率不足：中长尾商品（占比超 75%）因标题描述碎片化，传统检索召回率仅 58%，大量优质商品无法触达目标用户；

  2. 动态响应滞后：商品价格波动、库存变化需 4 小时才能同步至推荐列表，促销期间常出现 “已售罄商品仍推荐” 的尴尬场景；

  3. 个性化精准度低：依赖人工配置的推荐规则，无法捕捉用户潜在需求（如 “敏感肌适用的保湿精华” 这类语义需求），导致用户转化率长期低于行业均值。

为突破瓶颈，橙子科技选择KVectors 向量数据库与自研大模型结合，打造新一代智能推荐系统，核心目标直指 “全商品覆盖、实时动态适配、精准流量分配”。

核心解决方案：KVectors 驱动的智能推荐架构

技术架构设计：三层次协同体系

1 特征提取层

采用 “文本 + 视觉” 多模态特征转换：

  • 文本端：通过 Qwen3 模型将商品标题、参数、用户评价转换为 embedding 向量，精准捕捉 “抗初老”“轻薄透气” 等语义信息；

  • 视觉端：基于 Qwen3-VL 提取商品主图、详情图的视觉特征，解决 “同款不同名” 的匹配难题；

  • 向量融合：通过注意力机制将多模态向量融合为最终embedding 特征向量，写入 KVectors 数据库。

2 存储与检索层（KVectors 核心应用）

针对百万级商品规模设计优化方案：

  • 索引策略：对爆款商品（TOP 20%）采用 HNSW 索引，实现 < 10ms 低延迟检索；对长尾商品采用 IVF 索引，内存占用降低 62%；

  • 动态更新：通过 KVectors 的增量写入接口，商品价格、库存变更实现秒级同步

  • 混合查询：支持 “向量相似度 + 标量过滤” 混合检索，可快速筛选 “价格 < 500 元且相似度 Top 10” 的精准结果。

3 推荐决策层

大模型与 KVectors 协同运作：

  • 需求理解：大模型解析用户 query（如 “送给妈妈的抗皱面霜”），生成用户兴趣向量；

  • 多轮召回：先通过 KVectors 召回 Top 200 相似商品，再结合用户实时行为（如当前浏览、加购记录）二次筛选；

  • 动态排序：基于 “相似度得分 + 实时转化率 + 库存状态” 构建排序模型，输出最终推荐列表。

关键优化策略：直击三大核心痛点

覆盖率提升：打破长尾商品壁垒

传统关键词检索依赖 “精确匹配”，而 KVectors 的向量检索可捕捉语义关联。例如，用户搜索 “适合秋冬的保湿外套” 时，系统能召回标题含 “加绒加厚”“防风保暖” 的相关商品，而非仅局限于 “保湿” 关键词商品。同时，通过冷启动加速机制，新上架商品在 24 小时内即可通过初始特征向量进入推荐池，解决 “新品零曝光” 问题。

动态率优化：实时适配业务变化

基于 KVectors 的流处理能力，构建 “商品状态 - 推荐列表” 联动机制：

  • 当商品库存低于 10 件时，自动降低推荐权重；

  • 促销活动启动后，1 分钟内完成活动商品的特征加权与推荐位升级；

  • 用户行为实时反馈：点击某款商品后，后续推荐列表中同类商品相似度阈值自动下调 15%，增强关联性。

实时性保障：支撑高并发场景

KVectors 的分布式架构通过以下设计满足实时需求：

  • 按商品品类分片存储，单分片容量控制在 150 万条，避免热点问题；

  • 利用缓存层暂存高频访问的用户兴趣向量，查询响应时间缩短 40%；

  • 大促期间通过弹性扩容，单节点支撑峰值 20 万 QPS 无服务降级。

效果：数据驱动的业务增长

技术指标显著提升

指标 优化前 优化后 提升幅度
商品推荐覆盖率 58% 93% +60.3%
商品状态更新延迟 4 小时 2 秒 -99.9%
推荐列表响应时间 650ms 95ms -85.4%
长尾商品点击率 1.2% 3.8% +216.7%

业务价值持续释放

  1. GMV 大幅增长：精准的流量分配使高转化率商品曝光占比提升 35%，整体 GMV 增长 42%，其中长尾商品贡献 GMV 占比从 12% 升至 27%；

  2. 运营效率提升：人工配置推荐规则的工作量减少 70%，运营团队可将精力聚焦于活动策划而非规则维护；

  3. 用户体验优化：推荐列表 “猜你喜欢” 的点击率提升 58%，用户平均浏览时长增加 23%，复购率提升 8.5 个百分点。

核心价值总结：KVectors 的技术赋能逻辑

  1. 从 “精确匹配” 到 “语义理解”：向量检索突破传统检索的局限性，实现商品与用户需求的深度对齐；

  2. 从 “静态规则” 到 “动态适配”：秒级数据更新与实时行为反馈，让推荐系统紧跟业务与用户变化；

  3. 从 “流量集中” 到 “全域激活”：通过长尾商品覆盖与精准推荐，释放全品类商品的商业价值，最终实现 GMV 增长与用户体验的双赢。

关于KVectors向量数据库

KVectors 向量数据库是福强科技为AI场景打造的新一代技术产品，

采用全精度向量搜索与ANN索引等不同手段，

满足不同 AI 应用从测试到海量向量数据的全场景存储与检索(万、百万、千万、亿级全覆盖)。

不但搜索时延可以与业界头部向量数据库的毫米级对等(一百万向量中搜索一万向量平均时延 1.1毫秒/ms(IVF索引) ～ 6.8 毫秒/ms(HNSW索引)，还只是在消费级硬件上)，

而且API设计更加用户友好， 易接入、易部署、易运维。

已经在客服知识库、电商以图搜图、商品推荐等多个场景成功落地。

当然，通用RAG场景，更是不在话下。

欢迎更多有类似AI人工智能相关业务需求的企业了解和洽谈合作：

https://keevol.cn/#kvectors

「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

福强老师的 AI 通识课

footer img for kb.afoo.me
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.)