博客
汇集技术深度解读、产品动态与最佳实践，持续分享 Data + AI 领域的工程洞察
MatrixOne Git4Data 技术详解（四）：数据版本控制全景——MatrixOne、lakeFS、DVC、Neon、Dolt 到底有什么不同
Git4Data 系列（四）：画一张数据版本控制的全景地图。'git for data' 这个词被 DVC / Git LFS、lakeFS、Iceberg / Delta + Nessie、Snowflake / Neon、Dolt 一起用，但它们说的并不是同一件事。本文用五个问题立框架，按版本控制所在的层次分成四个种类（每类配一张架构图），再用一张 git 原语完整度矩阵把各家的 git 语义对齐，最后标定 MatrixOne 的准确坐标与诚实边界。
MatrixOne Git4Data 技术详解（四）：数据版本控制全景——MatrixOne、lakeFS、DVC、Neon、Dolt 到底有什么不同
Human in the Loop，不该只停留在“一个人”
Human in the Loop，不该只停留在“一个人”
从 Human in the Loop 到 Team in the Loop，本文通过一次真实 Debug 场景，展示 Memoria 如何利用 Branch、Diff、Review、Apply 和 Rollback，将 Oncall、Dev、Ops 与 Agent 接入同一条共享记忆链路，实现团队上下文的审查、接力与可追溯管理。
MatrixOne Git4Data 技术详解（三）：MatrixOne 架构及 Git4Data 原理解析，快照、Diff、Merge 凭什么这么快
MatrixOne Git4Data 技术详解（三）：MatrixOne 架构及 Git4Data 原理解析，快照、Diff、Merge 凭什么这么快
Git4Data 系列（三）：打开引擎盖。快照、克隆、diff、merge 凭什么在 TB 级数据上这么快——从 MatrixOne 的存储架构（不可变对象 + 元数据目录），到只读增量的 diff/merge、三方合并的真假冲突自动判定。讲清版本控制为何是存储引擎的自然产物，而非叠加上去的一层功能。
向量索引入核，驾驭亿级向量数据：MatrixOne × NVIDIA cuVS GPU 加速实践
向量索引入核，驾驭亿级向量数据：MatrixOne × NVIDIA cuVS GPU 加速实践
MatrixOne 深度集成 NVIDIA cuVS 与 RAFT，将向量索引构建、量化压缩和向量检索全面迁移至 GPU，在 8800 万级向量数据集上实现最高 19 倍索引构建加速和超过 200 倍检索性能提升，为企业级 AI 应用提供高性能混合查询能力。
MatrixOne Git4Data 技术详解（二）：从零跑通所有 Git 原语
MatrixOne Git4Data 技术详解（二）：从零跑通所有 Git 原语
Git4Data 系列（二）：手把手、可直接复制运行的实操。装好 MatrixOne，灌进一百万行数据，把所有 Git 原语——快照、克隆、分支、行级 diff、带冲突策略的合并、cherry-pick、任意时间点恢复——在表 / 库 / 租户 / 集群四个粒度上跑一遍，并用实测数字证明：版本控制的成本与数据量无关。
Snowflake 的 AI 标签终于贴牢了，数据公司的底蕴也终于在 AI 浪潮下凸显了
Snowflake 的 AI 标签终于贴牢了，数据公司的底蕴也终于在 AI 浪潮下凸显了
一位老 Snowflake 人的 Summit 2026 现场观察：这家公司如何终于把 AI 标签贴牢，以及绕了一大圈之后，它“数据公司”的底蕴为何在 AI 时代头一回真正凸显。
MatrixOne Git4Data 技术详解（一）：海量数据的 Git 时刻
MatrixOne Git4Data 技术详解（一）：海量数据的 Git 时刻
Git4Data 系列（一）：版本控制为何是软件生产力被低估的引擎，数据为何还停在“SVN 时代”，以及 MatrixOne 如何让海量数据的分支、合并、回退做到秒级、近乎零成本——海量数据的 Git 时刻。
什么是AI Native的组织，它该具备什么样的特点
什么是AI Native的组织，它该具备什么样的特点
当个人生产力被AI大幅放大，传统组织结构为何难以承接新的生产力？本文从人、知识、流程三个维度出发，探讨AI-Native组织应具备的核心特征与未来演进方向。
当简历筛选不再靠“人肉海选”，MOI 如何把招聘初筛变成一条完整智能链路
当简历筛选不再靠“人肉海选”，MOI 如何把招聘初筛变成一条完整智能链路
介绍 MOI 简历智能筛选方案如何打通招聘初筛全链路，解决简历格式杂、信息难结构化、筛选口径不一致、结果难复用等痛点，通过多模态解析、JD 对齐、智能评分与排序、结果看板输出，实现简历筛选的高效化、标准化、可沉淀，助力企业在大批量招聘场景下提升初筛的效率与质量。
重写组织源代码,我们怎么走向 AI-Native
重写组织源代码,我们怎么走向 AI-Native
探讨矩阵起源在AI时代的组织转型实践，分享如何通过GitHub、Agent协作与端到端工作模式，打破组织协作瓶颈，构建AI-Native生产力飞轮。
‘一线开发者分享：我用 Memoria 开发了一个全栈项目，它能记住什么，不能记住什么’
‘一线开发者分享：我用 Memoria 开发了一个全栈项目，它能记住什么，不能记住什么’
以 store-app 项目为例，记录 Memoria 在实际开发中的使用体验、价值与局限。
当寻源比价不再靠“人肉拼接”，MOI 如何把采购分析变成一条完整智能链路
当寻源比价不再靠“人肉拼接”，MOI 如何把采购分析变成一条完整智能链路
介绍 MOI 寻源比价智能体如何打通采购分析全链路，解决采购需求结构化难、数据分散、分析不一致、结果复用性弱等痛点，通过智能解析、多源数据融合、供应商评估与报告自动生成，实现采购分析高效化、标准化、可沉淀，助力企业提升采购决策效率与质量。
70 个人,一群 AI:矩阵起源组织重构笔记系列——第一篇：我们不能变成一人公司,所以只能把组织重写一遍
70 个人,一群 AI:矩阵起源组织重构笔记系列——第一篇：我们不能变成一人公司,所以只能把组织重写一遍
文章以行业从 GenAI 到 AI Agent 的转型为背景，复盘了团队从 "产品融入 AI 生态" 到 "组织适配 AI 时代" 的五个阶段，剖析了 AI 带来的个体生产力爆发与组织协作瓶颈的矛盾，提炼出 "AI 是放大镜而非印钞机" 等核心认知，为探讨 "AI Native 组织该如何构建" 奠定基础，兼具技术创业公司的实践细节与组织管理的深度思考。