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（九）·AI 训练实践篇：数据集发布与泄漏——别让离线指标骗了你
Git4Data 系列（九）：训练/验证/测试集的切分，是决定离线评估可不可信的一步。以一个风控模型为例，用 SQL 检测并防住时间、实体、重复、预处理、目标五类数据泄漏；再用库级快照把样本与切分清单一起冻结成可复现、可审计、可回退的版本，并对比业内其他做法。SQL 在 MatrixOne 4.1.0 上实测。
MatrixOne Git4Data 技术详解（九）·AI 训练实践篇：数据集发布与泄漏——别让离线指标骗了你
MatrixOne Git4Data 技术详解（八）·AI 训练实践篇：从数据进入到模型迭代——Git4Data 能力如何贯穿机器学习全流程
MatrixOne Git4Data 技术详解（八）·AI 训练实践篇：从数据进入到模型迭代——Git4Data 能力如何贯穿机器学习全流程
Git4Data 系列（八），AI 训练实践篇开篇：先建立机器学习全流程的坐标系。从数据接入、质量门禁、清洗标注、特征工程、训练/验证/测试集发布、模型评估，到上线监控与反馈重训，逐环节说明 snapshot、branch、diff、merge、cherry-pick、restore 与 PITR 能解决什么、不能解决什么，并以一个持续迭代的风控模型完整串联。配套脚本在 MatrixOne 4.1.0 上实测。
投标团队最苦的活，我们用 AI Agent 重做了一遍
投标团队最苦的活，我们用 AI Agent 重做了一遍
介绍 MatrixOrigin 如何将招标 Excel 解析、企业知识库检索、逐条技术应答、证据引用、人工审核与结果回填整合为一套可验证、可追溯、可持续迭代的投标 Agent 工作流，并通过金标数据集、回归测试和可观测体系持续提升投标应答的准确率与处理效率。
Agent 正在成为新的“智能手机”和“智能汽车”
Agent 正在成为新的“智能手机”和“智能汽车”
Agent 正在重演智能手机、智能汽车的数量曲线，很快会超过人。但真正被低估的资产，是每个 Agent 不停产生的 Agent Trace——PB 级、高强度、现有系统被迫丢掉 86% 的数据。为什么 Trace 是纠错、记忆、训练的数据飞轮，以及企业为什么需要一层为 Trace 而建的数据基础设施。
MatrixOne Git4Data 技术详解（七）·数据运维实践篇：Write-Audit-Publish——给 ETL 流水线装一道发布门禁
MatrixOne Git4Data 技术详解（七）·数据运维实践篇：Write-Audit-Publish——给 ETL 流水线装一道发布门禁
Git4Data 系列（七），数据运维实践篇收官：Write-Audit-Publish（WAP）。新数据先落 staging 分支、跑一组 SQL 审计门禁、再一次原子 MERGE 发布——脏批次在门口就被拦下，生产表全程零感知。含真实场景、三步落地、以及和直接灌/蓝绿改名/staging+INSERT/事务/DQ 工具等方案的详细对比。全部 SQL 在 MatrixOne 4.0.0-rc3 上实测。
MatrixOne Git4Data 技术详解（六）·数据运维实践篇：数据协作开发——像合并代码一样合并数据
MatrixOne Git4Data 技术详解（六）·数据运维实践篇：数据协作开发——像合并代码一样合并数据
Git4Data 系列（六），数据运维主题：数据协作开发。多个人要同时改同一张表时怎么办——多人并行清洗主数据、把数据改动做成可评审的 PR、在分支上开发大改造而主线照常服务——用每人一条分支、行级 DIFF 评审、三方 MERGE、冲突策略（FAIL/SKIP/ACCEPT）与 cherry-pick 实现。全部 SQL 在 MatrixOne 4.0.0-rc3 上实测。
MatrixOne Git4Data 技术详解（五）·数据运维实践篇：误操作急救——从手滑 UPDATE 到误删整表，都能秒级回退
MatrixOne Git4Data 技术详解（五）·数据运维实践篇：误操作急救——从手滑 UPDATE 到误删整表，都能秒级回退
Git4Data 系列（五），实践篇第一站「数据运维」：一份误操作急救手册。用一张订单表把四类最常见事故从头走一遍——手滑 UPDATE、ETL 跑错、应用 bug 慢性脏写、误删整表——讲清事前快照、行级 DIFF 看清损失、整表回滚 vs 定点修复、以及 PITR 兜底。全部 SQL 在 MatrixOne 4.0.0-rc3 上实测。
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
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。
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。