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

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

logo

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 😆

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

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.)