主流AI平台擅自共享用户数据，隐私控制权严重缺失。

NVIDIA Megatron-LM高危漏洞可致远程代码执行，v0.12.1紧急修复。

<blockquote><p>文章介绍了微信公众号的新功能，即作者可在“订阅号助手”App上回复“谢谢”以回应用户的点赞，这一更新旨在增强作者与用户之间的互动粘性，为内容创作者带来更多操作空间。</p> </blockquote>  微信公众平台的心思又开始活络了起来。 据郭静的互联网圈观察，日前，“订阅号助手”App进行了新版本更新，其功能介绍中提到称：支持对用户的点赞发送感谢。  目前，安卓版和iOS版均可以使用该功能，只需要将“订阅号助手”App更新到最新的3.4.2版即可。 根据我的测试后发现，该功能并不仅限于粉丝之间，普通用户也可以点赞，只要用户对微信公众号作者的某篇文章点赞后，作者即可在后台点击“谢谢”与用户互动。  作者点击“谢谢”按钮后，用户的“公众号”主频道中会收到系统推送“1条通知”，“XXX谢谢你的赞”。   从上述公众号作者与用户之间的交互来看，微信的目的很明确，即增强用户与微信公众号作者的粘性，其逻辑链路是：用户点赞→公众号作者回复感谢→用户收到“谢谢”提示通知。如果是普通公众号的“感谢”倒也无所谓，如果是一些名人大号，他对某位用户随手点击的“谢谢”，可能会让粉丝激动很久，“瞧，XXX对我回复谢谢了诶。” 可能有用户会觉得，留言回复不是效果更好吗？事实上微信公众平台在设置点赞、分享、在看、留言几个按钮的时候，有着不同的考量，并且，“点赞”是设计在第一个按钮之上。 与留言功能相比，点赞的交互关系更轻，有的作者会设置“仅关注后才可以留言”，可用户并不想关注该账号，可能就算了，这样就没有更进一步的交互痕迹。而点赞功能则更轻，不需要用户关注，用户可能就是“手滑”点赞，这样也算，说明你看了这篇文章，有的用户也认为留言太麻烦，点赞就很随意，也不需要门槛，不需要读懂/没读懂。 “订阅号助手”增加“谢谢”功能后，作者端就多了更多的操作空间，以前在后台看到其他用户点赞可能就划过去了，现在看到用户的点赞后，可能就会进一步与之“互动”，点击“谢谢”回馈，而用户发现自己随手点赞的文章作者竟然对他回复“谢谢”，其对公众号作者的好感度也会大大增加，这种简单的产品交互背后，是一种“善”的理念在正向循环。 郭静的互联网圈观察发现，一篇文章被公众号平台算法推荐后，数据最高的一般是“转发量”，其次是留言量和点赞量，在看的数据最低，可能因为该按钮排在第三位。点赞作为排在第一的按钮，其本身权重相对就高一些，所以，微信公众平台这次增加点赞功能的互动，也是蛮有意义的一次微创新。 微信公众号文章破圈后出现一个现象，即很多来自全国各地、五湖四海的用户的点赞、在看、留言，这些陌生用户的层级显然也各不相同，过去作者无法与陌生的友好的点赞用户互动，现在可以通过“谢谢”产生进一步的互动关系，对于这些陌生的友好的点赞用户，微信公众号作者可能也显现出一定的“人味儿”。 所以，作为公众号作者不能只想着没事儿就“砸锅”，一有不爽就对平台各种喷，动不动就“XXX要死了”，一方面，微信公众平台又不是他一个人的平台，所有喜好全都围着他一个人转；另一方面，类似于从订阅制走向个性化算法推荐路线的平台多了去了，平台肯定是先想办法让自己活得更好，才有机会让作者生存，就像原来搜索引擎时代的排序一样，搜索引擎会经常更改排序规则，站长们也没说搜索引擎如何如何。 当然，用户点赞→公众号作者回复感谢→用户收到“谢谢”提示通知这一套逻辑链条，一定是建立在真实数据之上的，如果本身数据都不是真实的，即点赞的用户不是真实的，那么，作者与点赞者的互动也没有意义，这取决于双方都是真实、鲜活的人，有“人味儿”，互动起来才有意义，做的假数据肯定没效果。 或许，也不能高估公众号作者与点赞者之间的这种互动，有些用户看不懂这些互动，有些用户可能是手滑点赞，有些用户可能对所谓的“谢谢”没所谓。 总之，你很难评估公众号文章背后所产生的链接与信任度关系，究竟对方看了你的文章之后是什么态度，究竟你的文章有多大的影响力，一切都是未知的。 对于公众号作者而言，唯有对内容本身保持敬畏之心，才是正道；否则，光看数据的话，会让心态失衡，另外，一些不太友好的陌生网友平台也会让人心态失衡，还是“点赞——谢谢”这种比较简单的产品交互让人更舒服。 本文由人人都是产品经理作者【郭静】，微信公众号：【郭静的互联网圈】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

中东网络战升级：GPS欺骗、虚假警报、加密货币攻击与IP监控交织成致命威胁！

中东网络战升级：GPS欺骗、虚假警报、加密货币攻击与IP监控交织成致命威胁。

<blockquote><p>文章深入探讨了长期从事基础功能型工作的产品经理所面临的职业困境，包括对创业、晋升和面试的影响，并提出了破局的思考方式与建议，旨在帮助“打螺丝”的产品经理突破思维局限，实现职业发展。<br/> 标签：产</p> </blockquote>  最近在思考产品人的价值与现状，几点心得与诸位探讨交流，不同意见尽管拍砖。本文中提及的“打螺丝”取自行业常用用语，不构成任何主观上的贬低。 ## 现状 我想绝大多数产品经理，都想有一番作为，想做一个成功的产品，但往往在现实工作中多数人的工作就是“打螺丝”，不论几千还是1万多还是2-3万月薪的B端产品，无论在什么行业做什么系统，其实主要工作无外乎被动接受需求，然后围绕系统流程做功能写文档画原型，接着就是与开发同学扯皮，甚至有些产研团队对产品的要求是“即使一个加字段的需求也要在文档中写清楚”。 前端： 这个字段的输入限制、显示长度、字段的排序、宽度、字体、颜色… 后端： 是从哪个数据库哪张表取值，应该调哪个接口取值，取值的逻辑是什么。如果需要新增字段，应该插入到哪个表，这个字段的类型和长度应该是多少………这样做的优势确实能让这个产品很懂技术，写出的文档能让即使不懂业务只识代码的开发，也能根据文档来写代码。 劣势就是把这个产品经理长期困于细节琐事，把更多的时间花在了配合开发，而对需求的洞察和分析能力会逐渐减弱。就好比一个本来可以挺优秀的职场人，一天天困在家干家务。 ## 危害 创业体制之外没有任何一份工作是稳定的，任何一个产品经理迟早都得出来自己干，或者开个店子、或者做一个项目、或者回去继承家业…….但功能型产品由于脑子中缺乏对需求的洞察和分析，会造成独立思考问题、看透问题本质的能力很弱，那么往往在创业之路经常出现下面问题：盲目跟风，看到别人做啥就去做，结果自己汤都喝不到拍着脑袋去投钱开店，结果没几个月就得转让容易被教他赚钱、带他赚钱的收割 ## 晋升 大家可以回忆一下，你现在或曾经的大领导，懂系统功能的细节吗，但人家为啥能坐上那个位置，是不是【底层逻辑】比咱们多数人要强，是不是比较能写、能讲？能深入思考决策【做什么、有啥用】。 而功能型产品由于满脑子是功能流程、字段细节，导致在领导的眼中其缺乏全局性，不懂得站在业务全局的角度来规划统筹产品从而驱动业务，难以给产品带来活力，也就难以升职加薪了。面试 这种功能型工作内容带给产品同学最直接的危害，就是面试时张嘴就是脱离业务，聊各种功能流程、功能细节，无法上升到业务和方案的高度，感觉就是掉到螺丝堆里去了，那么就特别容易被面试官定义为功能型产品，其思维格局不够，也就难以拿下18K以上的薪资。  ## 破局 所有的技能都是容易学、容易教的，最难的是思维的突破，因为这个是刻在骨子里的，是长期以来的思考习惯形成的，上面的问题表面上是工作方式、怎样写、怎样讲的问题，本质是思考的深度与维度。 关于深度：面对一个问题/需求，能不能深入思考出其本质，这个需求是否是伪需求，如果是真需求，那么能不能洞察其本质，也就是看透规律。比如当你去买衣服，问店员好不好看，别人店员难道说不好看吗？还有些人去买辣椒，居然问这个辣椒辣吗？ 关于维度：面对一个需求多数人第一感觉就是思考在系统层面应该怎样做，此时应该上升一个维度，比如这个需求对业务、对客户、对公司分别有什么价值，这个价值的成本是多少，咱们做这个需求是否划算。 比如这个需求对系统有什么影响，怎样避免今天打一个补丁、过几天又打一个补丁，然后有一天补丁贴满了就得重构系统了，也就是得从全局来统筹规划 ## 结尾 以上破局之道是很难在工作中落地的，因为我知道多数产品团队的产品经理，都是被动接受业务方、客户、领导的需求，而且这些需求常常是模糊的语句，需要产品人与需求方反复沟通确认，也还有些需求方是一天一个想法的，经常变动需求，然后又恨不得今天提一个需求明天就能发布上线，这就导致很多产品经理真的是疲于应付这种工作环境，难以做一个真正的产品经理。 因此把自己限制于打螺丝的地步，其实多数是外界原因，但咱们得知道这样做的危害，懂得怎样提升自己来破局，毕竟咱们迟早是得出来面试或创业的。 本文由人人都是产品经理作者【供应链产品老兵】，微信公众号：【产品老兵杰哥】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

<blockquote><p>这篇文章深入剖析了 Agent（智能体）与 Workflow（工作流）的区别，从设计理念、技术实现到应用场景，详细阐述两者在自动化与 AI 应用中的不同角色与优势，以及它们融合发展的趋势。</p> </blockquote>  在现代自动化、AI应用和系统集成中极其关键、却常被混淆的概念。 理解它们的本质区别，对于设计高效、智能的系统架构至关重要。 ## 01 Agent（智能体）：具备自主决策能力的智能实体 ### （一）定义与核心特点 Agent是一个具备一定智能的实体，能够感知环境、自主决策并执行行动。 它通常基于AI技术（如机器学习、强化学习等），核心特点如下： 1、动态决策 不依赖于固定的步骤和流程，而是根据实时感知到的环境信息进行推理和判断，从而做出动态的决策。 例如，一个智能客服Agent在与用户对话过程中，能根据用户输入的内容、情绪以及过往对话记录，灵活选择回复策略，可能直接回答问题，也可能查询知识库，甚至转接人工客服。 2、环境交互 可以与所处的环境进行交互，通过传感器等获取环境数据，同时通过执行器对环境产生影响。 以自动驾驶汽车中的Agent为例，它通过摄像头、雷达等传感器感知路况、交通信号等环境信息，然后控制汽车的行驶速度、方向等，对环境做出反馈。 3、目标导向 被赋予明确的目标，其所有的感知、决策和行动都是为了实现这些目标。 比如，一个投资Agent的目标可能是在一定风险范围内实现投资收益最大化，它会实时分析市场数据，做出买卖决策以朝着目标前进。 ### （二）技术实现基础 实现Agent依赖于一系列复杂的AI技术： 1、机器学习与强化学习 用于让Agent从环境中学习经验，不断优化自身的决策策略。 通过大量的数据训练，Agent能够掌握不同情况下的最优行动方式。 例如，AlphaGo通过强化学习，在与自己的大量对弈中学习到高超的围棋策略。 2、自然语言处理（NLP） 当Agent需要与人类通过自然语言进行交互时，NLP技术至关重要。 如智能语音助手Agent，通过NLP技术理解用户的语音指令，并生成自然流畅的回复。 3、感知与行动模块 感知模块负责从环境中获取信息，如视觉传感器、听觉传感器等；行动模块则负责将决策转化为实际行动，如机械臂控制、API调用等。 ### （三）实际案例 1、智能客服Agent 在电商、金融等行业广泛应用。 例如，某电商平台的智能客服Agent，每天要处理海量的用户咨询。 当用户询问 “某款商品什么时候有货” 时，它能快速分析问题，查询商品库存数据库，然后准确回复用户预计的到货时间。 如果用户问题较为复杂，它还能根据对话情况，转接至最合适的人工客服，大大提高了客服效率和用户满意度。 2、智能家居控制Agent 可以根据用户的生活习惯和环境变化，自动控制家居设备。 比如，当用户晚上回家时，智能家居Agent通过人体传感器感知到用户的存在，自动打开灯光、调节室内温度到适宜状态。 它还能学习用户在不同时间段对设备的使用习惯，如晚上10点后自动将电视音量调低等。 ## 02 Workflow（工作流）：预定义任务序列的流程化管理 ### （一）定义与核心特点 Workflow是指一系列按照预定义规则和顺序执行的任务或步骤，通常用于描述业务流程或操作的结构化执行路径。其核心特点包括： 1、固定流程 任务的执行顺序和逻辑在设计阶段就已确定，具有明确的先后顺序和依赖关系。 例如，在一个软件开发项目中，常见的工作流可能是 “需求分析 -&gt; 设计 -&gt; 编码 -&gt; 测试 -&gt; 部署”，每个阶段都有明确的输入和输出，并且必须在前一个阶段完成后才能进入下一个阶段。 2、规则驱动 依赖预设的规则和条件来决定任务的执行路径。 这些规则可以是简单的条件判断，如 “如果订单金额大于1000元，则需要经理审批”，也可以是复杂的业务逻辑。 通过规则引擎来判断和执行相应的流程分支。 3、可预测 由于流程和规则都是预先设定好的，所以工作流的执行结果具有较高的可预测性。 只要输入条件确定，输出结果就是可预期的。 这使得工作流在处理一些对准确性和稳定性要求较高的任务时具有明显优势。 ### （二）技术实现方式 1、流程管理工具 常用的有BPMN（业务流程建模符号）、Airflow、GitHub Actions等。 BPMN提供了一套标准的图形化符号来描述工作流，方便业务人员和技术人员进行沟通和理解。 Airflow主要用于数据处理工作流的编排和调度，它可以将复杂的数据处理任务拆分成多个步骤，并按照预定的顺序和依赖关系进行执行。 GitHub Actions则专注于软件开发过程中的自动化工作流，如代码提交后的自动测试、构建和部署等。 2、编程语言中的条件和循环逻辑 在编写工作流相关的代码时，常常使用编程语言中的条件语句（如 if – else、switch）和循环语句（如 for、while）来实现流程的控制和任务的重复执行。 例如，通过if语句判断某个条件是否满足，从而决定执行不同的任务分支。 ### （三）实际案例 1、企业财务报销工作流 员工在提交报销申请后，工作流会按照预设规则进行流转。 首先，系统会自动检查报销单据是否填写完整、金额是否符合规定等。 如果通过初步检查，报销申请会流转到部门经理处进行审批。 经理根据公司的财务政策和实际情况进行审批，如果同意则提交到财务部门进行最终审核和付款；如果不同意，则退回给员工修改。 整个流程清晰、规范，大大提高了财务报销的效率和准确性。 2、制造业生产流程工作流 在汽车制造工厂中，从原材料采购、零部件加工、整车组装到质量检测，每个环节都遵循严格的工作流。 例如，零部件加工完成后，需要经过质量检测环节，只有检测合格的零部件才能进入下一个整车组装环节。 通过这种标准化的工作流管理，确保了产品质量的稳定性和生产效率的提升。 ## 03 Agent和Workflow的区别 ### （一）设计理念差异 1、确定性与适应性 Workflow 设计时假定任务的执行路径是已知的，步骤之间的依赖关系清晰。 它更像一个 “剧本”，每个 “角色”（任务）按部就班地演绎。 例如，在文档审批工作流中，明确规定了 “员工提交 -&gt; 经理审批 -&gt; 存档” 的流程，无论环境如何变化，这个顺序一般不会改变。 Agent 设计时充分考虑动态环境，赋予其感知和决策能力。 它更像一个 “演员”，能根据现场情况即兴发挥。 比如，一个处理用户请求的Agent，可能根据对话内容、用户情绪以及当时的系统负载等多种因素，灵活选择直接回答、查询数据库、调用其他工具或转接人工处理等不同的策略。 2、规则驱动与目标驱动 Workflow 依赖预设的规则和条件来执行任务，执行路径由开发者硬编码。 它是按照既定的规则一步一步地推进流程，对规则的遵循性很强。 例如，在一个订单处理工作流中，如果订单金额超过一定阈值，就必须经过特定的审批流程，这是由预先设定的规则决定的。 Agent 以目标为导向，通过学习或推理选择实现目标的最佳路径。 它关注的是如何达成最终目标，而不是局限于具体的规则和步骤。 例如，一个智能物流配送Agent的目标是在最短时间内将货物送达客户手中，它会综合考虑交通状况、车辆可用性、货物重量等因素，自主规划最优的配送路线，而不是遵循固定的配送流程。 3、控制权归属 Workflow控制权在设计者手中，执行者（人或系统）只是按规则操作。 整个工作流的流程和决策逻辑都是在设计阶段确定好的，运行过程中缺乏自主性和灵活性。 例如，在一个自动化的生产线上，每个工序的操作和顺序都是预先设定好的，设备只能按照这个既定的流程进行工作。 Agent控制权部分移交到Agent自身，它有一定的自主权。 Agent可以根据环境变化和自身的判断，自主决定采取何种行动来实现目标。 例如，在一个智能投资组合管理Agent中，它可以根据市场行情的实时变化，自主调整投资组合，而不需要人工的实时干预。 ## （二）技术实现差异 1、实现工具不同 Workflow 通常使用流程管理工具（如BPMN、Airflow、GitHub Actions 等）或编程语言中的条件和循环逻辑来实现。 这些工具和逻辑主要用于描述和控制任务的流程顺序、依赖关系以及条件分支等。 Agent 依赖AI框架（如TensorFlow、LangChain）或规则引擎，结合感知、推理和行动模块来实现。 AI框架用于训练和优化Agent的智能模型，规则引擎用于制定决策规则，感知模块获取环境信息，推理模块进行决策分析，行动模块执行决策结果。 2、技术基础复杂度不同 Workflow 基于流程图、状态机或脚本等技术，复杂度相对较低。 其重点在于对任务流程的组织和管理，通过简单的条件判断和顺序执行来完成工作。 例如，一个简单的文件审批工作流，可以通过绘制流程图的方式清晰地展示流程步骤，实现起来相对容易。 Agent 涉及机器学习、自然语言处理、强化学习等复杂的AI技术，复杂度较高。 需要处理大量的数据、进行复杂的模型训练和优化，以实现智能的感知、决策和行动能力。 例如，开发一个能够理解和回答各种复杂问题的智能客服Agent，需要运用自然语言处理技术对用户问题进行理解和分析，使用机器学习算法训练模型以生成准确的回答，技术难度较大。 3、人类干预程度不同 Workflow 通常需要人为触发或监督。 在工作流的关键节点，可能需要人工进行审批、确认等操作，以确保流程的正确性和合规性。 例如，在财务报销工作流中，经理的审批环节就需要人工参与。 同时，在工作流出现异常情况时，也需要人工进行干预和处理。 Agent 可独立运行，减少干预。 一旦训练和配置完成，Agent可以在一定程度上独立地感知环境、做出决策并执行行动，不需要持续的人工监督。 例如，自动驾驶Agent在正常行驶过程中，可以自主应对各种路况和交通情况，无需人工实时操控。 当然，在一些复杂或异常情况下，可能仍然需要人工进行适当的干预和调整。 ## （三）应用场景差异 1、处理任务类型不同 Workflow 适合处理结构化、重复性高的任务。 这些任务具有明确的流程和规则，通过预先定义好的工作流可以高效、准确地完成。 例如，企业中的财务报销流程、人事招聘流程、文件归档流程等，都是典型的适合用Workflow处理的任务。 Agent 擅长处理复杂、不确定性高、需要灵活决策的任务。 在这些任务中，环境变化多样，难以用固定的流程和规则来应对，而 Agent的自主决策和动态调整能力能够更好地适应这种情况。 例如，智能客服处理用户的各种复杂问题、自动驾驶汽车应对复杂的路况、投资决策系统根据市场变化实时调整投资策略等。 2、对环境变化的适应性不同 Workflow 对环境变化的适应性较差。 由于其流程和规则是预先设定好的，当遇到流程外的情况或环境发生较大变化时，可能无法正常运行，需要人工进行干预和调整。 例如，在一个传统的订单处理工作流中，如果突然出现一种新的订单类型或特殊的客户需求，原有的工作流可能无法直接处理，需要对流程进行修改和优化。 Agent 对环境变化具有较强的适应性。 它能够实时感知环境的变化，并根据这些变化及时调整自己的决策和行动。 例如，智能家居Agent可以根据季节、天气、用户习惯等环境因素的变化，自动调整家居设备的运行模式，提供更加舒适和便捷的服务。 3、对个性化需求的满足程度不同 Workflow 在满足个性化需求方面相对较弱。 因为工作流是按照统一的流程和规则来处理任务的，难以针对每个用户或情况进行个性化定制。 虽然可以通过一些参数配置来实现一定程度的灵活性，但总体上个性化程度有限。 例如，在一个企业的培训工作流中，所有员工都按照相同的培训流程进行学习，很难根据每个员工的具体情况和需求进行个性化的培训安排。 Agent 能够更好地满足个性化需求。 它可以根据用户的历史数据、偏好、当前状态等信息，为每个用户提供个性化的服务和解决方案。 例如，推荐系统Agent可以根据用户的浏览历史、购买记录等信息，为用户精准推荐符合其兴趣和需求的商品或内容。 ## 04 Agent和Workflow的融合趋势 尽管Agent和Workflow在很多方面存在差异，但在实际应用中，它们并非完全相互独立，而是呈现出融合的趋势。 1、Agent增强工作流 在传统工作流中嵌入Agent，让某些步骤更具智能性。 例如，在一个文档审核工作流中，原本的人工审核步骤可以引入智能审核Agent。 这个Agent可以利用自然语言处理技术自动分析文档内容，检查语法错误、逻辑一致性等问题，并给出初步的审核建议，大大提高审核效率和准确性。 2、工作流协调多个Agent 多个Agent可以被组织成一个工作流，各自负责不同的任务，通过工作流来协调它们之间的协作关系。 比如，在一个复杂的项目管理场景中，有负责需求分析的Agent、负责资源分配的Agent、负责进度跟踪的Agent等。 通过工作流将这些Agent的工作进行有序编排，明确它们之间的输入输出关系和执行顺序，从而实现整个项目的高效管理。 3、优势互补提升效率 工作流提供了清晰的流程框架和稳定性，确保任务按照一定的规则和顺序执行；而Agent则为系统带来了智能性和灵活性，能够处理复杂的决策和环境变化。 两者结合，可以使系统既具有可预测性和可控性，又具备应对复杂情况的能力，从而提升整体的工作效率和质量。 例如，在一个电商订单处理系统中，工作流负责管理从订单生成到发货的整体流程，而在其中的客服环节，可以引入智能客服Agent 来处理用户的咨询和投诉，实现了流程管理和智能服务的有机结合。 ## 最后 Workflow是结构化的流程引擎，它精于将预定义的、线性的任务序列高效、可靠地自动化执行，追求的是流程的稳定性和可预测性。 而Agent则是智能的决策实体，它拥有感知环境、理解目标、规划行动并自主决策的能力，其核心价值在于处理不确定性、适应动态变化和展现目标驱动的主动性。 选择Agent还是Workflow，并非孰优孰劣的判断题，而是场景驱动的适配题。 当流程固定、规则清晰时，Workflow是提升效率的利器。 当面对复杂、多变、需要判断与交互的情境时，Agent的智能与灵活性则不可或缺。 理解它们的本质区别——Workflow重在“流程编排”，Agent重在“智能代理”——是我们在构建自动化、智能化系统时做出明智架构选择的关键。 本文由人人都是产品经理作者【伍德安思壮】，微信公众号：【时间之上】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

6月24日，数据库厂商OceanBase在其OB Cloud见面会上对外透露，其云数据库OB Cloud已实现AI能力的开发部署及生态集成，并已服务零售、金融、物流等行业的数十家头部企业。 此前，OceanBase在4月发布会上，对外宣布全面其拥抱AI时代的战略，将致力于构建Data x AI能力，面向AI时代推动一体化数据库向一体化数据底座演进。其中，OB Cloud作为其自研的原生分布式数据库，将全面拥抱向量检索、PowerRAG 等 AI 能力并提供一站式数据服务。  OceanBase副总裁、公有云事业部总经理尹博学在会上表示，通过多模向量一体化，原生支持向量、标量、空间、文本等多模数据的混合检索，能够简化AI应用复杂度，从而形成OceanBase在AI领域优势。 据OceanBase在会议上披露，从整体的性能上来看，OB Cloud上面的向量性能已经达到主流开源数据库数据库的水平。其中，向量算法是OB纯粹自研，向量算法库VSAG已经开源。  而在融合检索方面，OB Cloud在多项指标的表现也超越了云原生向量库Milvus，实现了同级别的性能领先。  此外，OceanBase还在见面会上透露，目前其已经实现与LlamaIndex、LangChain、Dify、支付宝百宝箱等60余家AI应用开发与生态开放平台实现深度集成，并支持大模型生态协议MCP。 而此前备受关注的PowerRAG产品现也已经上线预览版，用户可以实现在公有云上快速体验0门槛构建现代RAG应用的能力。 （雷峰网）

互联网迈入“全家桶”时代。

“土”到极致便是“潮”。

小米AI眼镜的发布，一定程度上可能成为行业的一个重要参照点，未来市场会更加集中，也会加速出清部分厂商。