还在为 RAG 应用维护两套数据库（SQL + 向量库）？

2025-11-18 14:48

还在为 RAG 应用维护两套数据库（SQL + 向量库）？你的开发架构可能已经过时了 OceanBase 刚刚开源 seekdb，用一套引擎搞定“向量+全文+SQL”混合检索，彻底省去多库同步的维护成本。简单说，做 RAG（给 AI 外挂知识库）最烦的是数据割裂。以往你得在 MySQL 查库存，再去向量库查相似度，中间还得写代码同步数据。seekdb 相当于把这两个脑子合二为一，一次查询直接出结果。 🔹 极简 MVP 配置对独立开发者极度友好，不再需要庞大的集群。最低 1 核 CPU + 2GB 内存即可跑通，支持 pip install 一键安装。既能做嵌入式数据库（像 SQLite），也能做 Server 端部署。 🔹 真混合搜索能力核心价值在于“语意”与“逻辑”的实时结合。场景举例：你可以用单条指令查出“近 7 天注册（SQL 标量）且行为模式类似黑产样本（Vector 向量）”的用户。这种查询以往需要跨系统拼接，现在只有毫秒级延迟。 GitHub：https://github.com/oceanbase/seekdb #AI基础设施 #独立开发 #RAG优化 #OceanBase #数据库技术

还在为 RAG 应用维护两套数据库（SQL + 向量库）？

更多动态

节省 95% 算力成本，单卡 4090 就能跑赢千亿级模型的推理方案

微博开源 VibeThinker-1.5B，用“频谱到信号”新范式证明：逻辑推理能力不靠堆参数，而靠精细化的训练策略。原理其实像“特种兵特训”：先通过多位专家模型蒸馏，让模型见识各种解题思路（Spectrum）；再用 MGPO 算法奖励那些“极少数但正确”的路径（Signal），专攻数理逻辑，而非死记硬背。 🔹 以小博大：在 AIME 24/25 数学测试中，1.5B 参数的分数（80.3/74.4）超过了 671B 的 DeepSeek R1，证明小模型足以胜任复杂推理。 🔹 成本极低：后训练全流程仅耗资 $7,800（约 5.6 万人民币），相比大模型动辄几十万刀的投入，把微调门槛降到了个人开发者可接受的范围。 🔹 部署友好：支持 PyTorch 和 GGUF，单张消费级显卡（如 RTX 4090）甚至端侧设备即可本地流畅部署，延迟降低 42%。 👨‍💻 配置建议：推理时推荐 Temperature 设为 0.6 或 1.0，Top-p 0.95，Max Context 设为 40,960 token 以确保长思维链（CoT）完整输出。 🔗 模型下载：huggingface.co/WeiboAI/VibeThinker-1.5B #AI工作流 #本地部署 #边缘计算 #VibeThinker

别再手动比价了，谷歌 AI Flight Deals 已全球铺开

，再不用就慢一步它用 Gemini 2.5 理解“冬天美食之都”这类“人话”需求，帮你搜全球优惠航班。 Gemini 2.5 就像个懂行的旅行助理，把你的模糊想法转成搜索参数，在 Google Flights 实时库里捞数据。使用与避坑： 1️⃣ 适合谁：灵活出行者。没定日期和目的地，纯找灵感和洼地价格。 2️⃣ 怎么用：直接在（https://google.com/flights）用自然语言描述，比如“10 天滑雪之旅，直飞优先”。 3️⃣ 关键局限 (Beta)：不适合“刚需”。搜感恩节 SFO-LAS 这种特定行程，传统搜索更好。AI 也可能误判（实测搜“潜水+骑行”推荐了高山）。 4️⃣ 进阶提示：结果优先按“节省百分比”排。它还能跟 Google Maps 和 Canvas 联动做完整行程规划（目前美国桌面端 AI Mode）。这不仅是搜索，更是谷歌在垂直领域整合 AI Agent 的一步。官方工具：https://google.com/flights #AI旅行 #Google #FlightDeals #生产力工具 #信息差

claude申诉失败了。

订阅费也没法儿退，我甚至怀疑申诉邮件就是钓鱼的，有追踪IP地址。 dhh是美国开发者，前段时间来深圳交流，演示了自己怎么用claude code。目前最稳妥的方式就是参考dhh方法，把Claude code放在海外机器上，用tailscale远程连接使用。那就得租一台有家宽的海外机器，在那台机器上注册和登录claude。

分享下现在的纯手机端工作流。

九月底前我都是坐在电脑前开着terminal指挥着pi，跑多subagent，最后再自己看diff，提pr，经常一坐就是一天。九月底，我工作流改成在手机端用hermes指挥pi，完全解决了久坐电脑前的痛苦，用到现在还挺舒服。 Hermes用旗舰模型（gpt-6-astra/opus-5.5），pi尽量不装插件，用中端模型（ds-v4.1-flash/sonnet/terra），二者间用a2a通讯。 hermes负责分析issues，拆分成多个小任务，然后给每个小任务创建worktree，并在里面派遣pi去完成小任务。每个pi完成任务都会通知hermes，由它判断提pr还是返工给pi。基本逛一天景点，或一觉醒来十几个pr搞好了，舒服得很。就是过程太黑盒了，心路历程有点像早期的vibe coding，那会diff至少自己会看一下，现在diff也黑盒，完全交给旗舰模型，属于盒中盒了。如果没数据焦虑，其实可以直接用grok-bot或者chatgpt-dot，开箱即用，里面内置了grok-cli和codex，原生agents通讯。弊端就是数据不在本地，有监管，万一被封号一切归零。