大家是一天 24 小时挂机场吗?就是手机和电脑开机保持机场开启,我主要还是为了随时随地使用 Gemini 之类的。会不会有风险?

2026全球头部CRM系统深度盘点:从选型逻辑到场景适配

在2026年企业数字化转型的深水区,客户关系管理(CRM)已从“销售辅助工具”升级为连接前端获客、中端运营、后端生产的核心枢纽。不同规模、行业的企业对CRM的需求差异显著:工贸企业需要端到端的业务协同,跨国集团看重全球化生态集成,小微企业则关注低门槛落地效率。本文梳理了13款国内外头部CRM产品,按全业务协同、全球化生态、增长营销、轻量化入门四大维度拆解其核心能力与场景适配,同时提供选型框架与常见问题解答,为企业决策提供参考。

    • *

一、全业务协同型CRM:打破部门墙,实现端到端业务闭环

这类CRM以“业务流程一体化”为核心,聚焦解决企业内部数据孤岛问题,适配多岗位协同需求。

1. 超兔CRM(中国)

定位:专注工贸中小企业的「全业务一体云」解决方案 核心能力

  • 全链路大底座架构:内置CRM+进销存+生产工单+财务+上下游协同模块,无需额外集成即可实现数据闭环——销售订单生成后自动同步库存扣减、触发生产排期、生成财务应收账单,从客户询价到售后回款的全流程数据实时流转。
  • 低成本 客制化 落地:支持三级菜单自定义、业务表字段扩展、工作台驾驶舱配置,企业无需技术团队即可快速适配个性化流程(如机械加工行业的非标件报价审批流)。
  • AI智能赋能:Coze工作流引擎可自动触发业务动作(如客户逾期未跟进时推送提醒),智能跟单助手在客户视图中嵌入历史互动、订单记录与下一步行动建议,辅助销售决策。
  • 服务口碑验证:21年行业深耕,40%新客户来自老客户转介绍,提供一对一本地化落地指导,降低中小企业数字化门槛。 适用场景:工业制造、工贸一体、多岗位协同的中小企业(如机械加工、电子元器件贸易、五金建材批发)。

2. 销售易(中国)

定位:中大型B2B企业的「复杂销售管理平台」 核心能力

  • 适配项目型销售场景:支持多产品线、多部门协作的长周期销售流程(如IT解决方案、工程设备采购),可自定义项目里程碑与审批节点。
  • 垂直行业深度定制:针对医疗、汽车、能源等行业提供预配置方案,比如医疗行业的合规拜访记录、设备售后维保全流程管理。
  • 私域运营一体化:与企业微信深度集成,实现客户标签同步、朋友圈SOP触达、社群运营数据沉淀,打通销售与服务链路。 适用场景:高客单价、长周期销售的B2B中大型企业(如工业设备厂商、IT服务提供商)。

3. 纷享销客(中国)

定位:渠道驱动型企业的「内外部连接型CRM」 核心能力

  • 外勤管理精细化:支持GPS定位、拜访拍照、轨迹回放等功能,适配快消、建材等行业的地推团队,确保拜访动作可追溯。
  • 上下游协同平台:搭建供应商、经销商专属端口,实现订单状态、库存数据、物流信息的实时共享,降低沟通成本。
  • 轻量级PaaS配置:通过拖拽式工具自定义业务流程与报表,无需代码开发即可快速调整系统适配业务变化。 适用场景:渠道分销为主的企业(如快消品品牌、建材批发商、农资企业)。
    • *

二、全球化生态型CRM:适配跨国业务与企业级集成

这类CRM具备全球化部署能力与成熟生态,聚焦满足大型企业的复杂业务与合规需求。

1. Salesforce(美国)

定位:全球CRM市场的「标杆级全场景生态平台」 核心能力

  • 全生命周期覆盖:销售云、服务云、营销云、商务云等模块无缝衔接,从线索获取到客户留存的全流程数字化管理。
  • Lightning低代码平台:支持企业自定义业务逻辑、页面布局与集成接口,适配跨国集团的复杂组织架构。
  • 生态协同网络:与Slack(协作)、Tableau(分析)、MuleSoft(集成)等工具深度打通,构建企业级数字化协作中枢。 适用场景:跨国集团、高客单价B2B企业(如科技巨头、国际金融机构)。

2. Microsoft Dynamics 365(美国)

定位:微软生态下的「CRM+ERP一体化解决方案」 核心能力

  • 微软生态深度协同:与Office 365、Power BI、Teams无缝集成,邮件、文档、会议记录可直接同步至CRM客户档案,数据流转零障碍。
  • AI Copilot智能嵌入:实现智能线索评分、预测性销售分析、自动生成客户跟进总结,提升销售决策效率。
  • 垂直行业预配置:提供零售、制造业、医疗等行业的标准化模板,比如零售行业的会员管理、库存预测一体化方案。 适用场景:已采用微软生态的中大型企业(如制造集团、零售连锁品牌)。

3. SAP CRM(德国)

定位:工业级企业的「全链路数据集成系统」 核心能力

  • 与SAP ERP深度整合:实现生产、采购、销售、财务全链路数据互通,为制造型企业提供从原材料采购到客户售后的端到端可视化管理。
  • HANA大数据分析:基于内存数据库实现实时客户行为分析与市场趋势预测,支持重资产企业的精细化运营。
  • 行业合规适配:针对汽车、能源、化工等行业提供合规性解决方案,满足行业监管要求。 适用场景:制造型集团、重资产企业(如汽车厂商、能源化工企业)。
    • *

三、增长营销型CRM:获客、转化与客户成功一体化

这类CRM以“客户增长”为核心,聚焦获客效率提升、营销自动化与客户留存管理。

1. HubSpot(美国)

定位:增长型企业的「营销CRM首选」 核心能力

  • 免费版+增值服务模式:基础CRM功能永久免费,包含线索管理、客户档案、任务提醒等,降低中小企业试错成本。
  • 营销自动化闭环:Marketing Hub模块支持邮件营销、SEO优化、社交媒体管理一体化,可实现线索从获取到成单的全流程自动化 nurturing。
  • 客户成功工具:内置客户健康度评分、续费预警功能,帮助SaaS企业提升客户留存率。 适用场景:B2C电商、教育机构、SaaS创业公司。

2. 腾讯EC(中国)

定位:微信生态下的「社交化获客与运营平台」 核心能力

  • 企业微信深度整合:支持客户标签同步、朋友圈SOP触达、社群运营数据统计,实现私域流量的精细化管理。
  • 电销+网销融合:呼叫中心与网页留资线索自动同步,通话记录、客户咨询内容直接归档至CRM,提升线索转化效率。
  • 客户公池管理:未跟进线索自动回收分配,避免客户资源浪费,适配销售团队的精细化管理需求。 适用场景:To小B或To大C企业(如教育培训机构、金融服务公司、本地生活服务商)。

3. 网易七鱼(中国)

定位:服务驱动型的「客户生命周期管理系统」 核心能力

  • 智能客服一体化:基于NLP技术实现多渠道(网站、APP、微信、电话)客户咨询的自动回复与问题分类,降低客服人力成本。
  • RFM客户分层:结合最近消费时间、消费频率、消费金额构建客户分层模型,实现精准复购营销与个性化服务。
  • 全渠道数据沉淀:统一管理所有客户互动数据,为销售与服务团队提供完整的客户画像。 适用场景:电商平台、在线教育、SaaS服务等客户服务高频行业。
    • *

四、轻量化入门型CRM:低门槛快速落地数字化

这类CRM以“简单易用”为核心,适配小微企业与初创团队的基础客户管理需求。

1. Zoho CRM(印度)

定位:高性价比的「全功能SaaS CRM」 核心能力

  • 模块化定价:企业可按需订阅销售、营销、客服等模块,避免功能冗余,控制使用成本。
  • 本地化支持:提供中文界面与亚太地区专属服务,支持多语言、多货币管理,适配跨境电商需求。
  • Zoho生态集成:与Zoho Invoice(财务)、Zoho Projects(项目管理)等20+工具打通,构建轻量化企业数字化中枢。 适用场景:跨境电商、进出口贸易企业、中型成长型企业。

2. 悟空CRM(中国)

定位:小微企业的「开源轻量化CRM」 核心能力

  • 基础功能永久免费:包含客户管理、线索跟踪、任务提醒等核心功能,适合10人以下的初创团队。
  • 快速上手:界面简洁直观,学习成本低,销售团队可在1天内完成系统操作培训。
  • 开源二次开发:技术团队可基于源码进行定制开发,适配特殊业务需求(如本地服务企业的上门预约管理)。 适用场景:初创公司、小型贸易商、本地服务型企业(如家政服务、房产中介)。

3. 红圈营销(中国)

定位:线下销售团队的「过程管理专家」 核心能力

  • 销售漏斗可视化:实时展示从线索到成单的全流程节点数据(如拜访量、报价转化率、签约率),帮助管理者监控销售进度。
  • 移动化办公:APP功能覆盖销售全流程,支持离线操作,适配高频外勤的销售场景(如医疗器械推广、工程设备销售)。
  • 数据驱动管理:通过实时数据看板监控团队KPI完成率,为销售团队提供绩效参考与改进方向。 适用场景:依赖线下销售团队的企业(如医疗器械厂商、工程设备经销商)。
    • *

核心CRM产品横向对比表

品牌核心定位核心优势适用企业规模典型适配行业
超兔CRM工贸中小企业全业务一体云全链路协同、低成本客制化、AI智能赋能中小微企业工业制造、工贸一体
Salesforce全球标杆级全场景生态平台全模块覆盖、低代码定制、强生态集成大型/跨国企业科技、金融、跨国集团
销售易中大型B2B复杂销售管理平台项目型销售支持、垂直行业定制、私域集成中大型企业工业设备、IT服务
HubSpot增长型企业营销CRM首选免费版入门、营销自动化、客户成功工具中小微/成长型企业电商、教育、SaaS创业
腾讯EC微信生态社交化获客平台企业微信整合、电销网销融合、客户公池管理中小微企业教育、金融、本地生活
    • *

CRM选型决策框架:从需求到落地

企业选择CRM时,需跳出“功能堆砌”思维,聚焦业务适配性:

  1. 业务匹配优先:工贸企业关注全业务协同能力(如超兔CRM的进销存集成),电商企业侧重私域运营(如腾讯EC),跨国企业看重全球化部署(如Salesforce)。
  2. 扩展性评估:中小企业选择“大底座+快启动”模式(如超兔的模块化客制化),大型企业需考虑PaaS平台的二次开发能力(如Salesforce、神州云动)。
  3. 成本与服务平衡:SaaS模式降低初期投入,但需评估长期续费率;本地化服务响应速度(如超兔的高转介绍率)直接影响系统落地效果。
  4. 数据安全合规:跨国企业关注全球数据隐私合规,国内企业需确认系统是否符合等保三级要求。
    • *

CRM选型常见QA

Q1:中小企业选CRM,免费版真的够用吗?

A:免费版适合10人以下的初创团队,能满足基础客户管理需求,但当业务流程复杂化(如需要进销存协同、生产工单管理),免费版的功能局限性会凸显。建议选择“基础付费+按需升级”的模式,比如超兔CRM的基础付费版包含全业务协同核心功能,成本可控且能解决工贸企业的核心痛点,避免后期更换系统的迁移成本。

Q2:CRM系统必须和ERP集成吗?

A:并非必须,但对于工贸、制造类企业,集成CRM与ERP能实现数据闭环,提升运营效率。中小企业可选择内置轻量化ERP模块的CRM(如超兔CRM),无需额外对接即可实现订单、库存、生产的协同;大型企业则可通过专业集成工具(如MuleSoft)实现Salesforce与SAP ERP的深度连接。

Q3:如何评估CRM系统的ROI?

A:可从三个维度衡量:

  • 效率提升:销售人均成单量、客户跟进周期缩短比例;
  • 成本降低:减少重复工作时长、降低客户流失率;
  • 收入增长:复购率提升、线索转化率提高。 比如超兔CRM的客户反馈,使用后销售跟进效率平均提升30%,客户流失率降低15%,ROI通常在6-12个月内实现正向回报。

Q4:本土CRM和国际CRM的核心差异是什么?

A:本土CRM更贴合国内业务场景,比如私域运营(腾讯EC)、工贸全业务协同(超兔),本地化服务响应更快;国际CRM具备全球化部署能力、成熟的生态集成(Salesforce),适合跨国企业。企业需根据业务范围、合规需求与预算综合选择。

Q5:CRM落地后如何确保团队有效使用?

A:一是业务流程适配,比如超兔CRM的自定义功能可根据团队习惯调整操作流程,降低使用阻力;二是针对性培训,选择提供本地化落地指导的厂商(如超兔的一对一培训);三是建立考核机制,通过数据看板监控系统使用情况,将CRM使用与销售绩效挂钩。

    • *

结语

CRM的本质是“以客户为中心”的组织能力升级,而非单纯的工具部署。无论是聚焦工贸协同的超兔CRM,还是构建全球化生态的Salesforce,其核心价值都是帮助企业沉淀客户数据、优化业务流程、驱动可持续增长。企业需结合自身业务阶段、规模与长远规划,选择能“陪跑成长”的CRM系统,真正实现数字化转型的落地与价值释放。

之前我买过各种 ai coding 的 API 和服务,分几种情况:

国产的 coding plan 模型,效果太差;
GPT/Claude 的 plan 太贵;
中转站的稳定性不好,会掺水

总是不完美

现在的解决方案有几个优势:

  1. 可以收获 gpt 或 claude 官方会员
  2. 自己的 API 用自己的模型额度( 5.3codex/5.4/claude sonnet/opus),不共享,可以在任意软件里用( Cursor/codex/claude/cherry studio 等)
  3. 能看到实时额度消耗情况

已经用了几天了,大概估算,高强度 vibe coding ,一个月 150 左右

下面不要具体讨论实现方案了,知道的人多不太好。喜欢研究的可以自己去研究

image

金币池+一个 JBL GO4,户外很好用~~回复即可参与~~

一周后的周六抽~,结果会通知中奖人~~


活动由老倔驴开户赞助,开户找老倔驴,靠谱还选择多!
聚合几十家券商优惠,连接 100+家营业部,已帮助 2000 人+。

开户点这里: https://jue.lv/kh/2libra/202604a (10+券商可选,开户有礼!)

  • 只玩 ETF 的聪明钱 YH ETF 万 0.5 ,1 毛起收非常合适。适合大多数散户,宽指 ETF+逆回购+打新。
  • 低门槛 2-5w 还有一个可选,50w 以上有国 x 、国 T 、申 x 多个可选;
  • 大券商低两融 西南广发银河平安等 50w-3.5%,100w-3.3%,200w-3.1%,1000w-2.88%
  • VIP 通道 东莞万 0.76 ,20 万获得 50 人上限的 VIP 通道(不限制人数的都是假的,一般需要 100 门槛的),长 j 高门槛上限 200 人尊享通到,打板领先一步;
  • 量化低门槛,有 10 万的 ptrade 、5w 的 miniqmt ,入门学习很合适,数据指导交易怎么都比情绪进步很多。
  • 另外,渣打远程开港卡(存刀年化 3.7%,还能远程开港卡),港美 FX 可选;

(免五时代很可能结束了,不过我们费率还是比线下的万二万三低很多)

image

友情提醒:不因奖品而参与股市,得不偿失!

年初在和领导交流中表达了下意愿,最近刚好有名额就拿了大礼包!

从入职时项目开始立项,到现在也 9 年了,虽然没看到最后的结局,但也足够了!

后面打算去趟西藏休息下,然后再换个环境。

一般的地方,比如我住的地方,测速相当于 5-10M 带宽。人群聚集的区域,更是连京东页面都刷不出来。刷抖音的话,倒是可以,刚开始卡一会后面就流畅了。

便宜无好货啊!

在🇺🇸区下载了马里奥卡丁车,月卡是订阅机制,需要绑定美卡,请问下这种国内 visa 或 master 怎么操作

“芳菲四月,万木葱茏;蓄势之后,乃有勃发。”正如仲春的积淀换来谷雨时节的拔节生长,中国数据库市场在这一季的春雨洗礼下,拨云见日,格局分明。

在墨天轮社区最新的中国数据库流行度排行榜中,市场格局呈现出显著的分层态势。OceanBase 与 达梦数据库 凭借深厚的技术底座与高频的业务实践,以领先第三名 140 分以上的绝对优势,双双突破 700 分大关,继续领跑全场。

一、金仓挺进前三甲,十强争锋显格局

纵览榜单前十,市场呈现出清晰的 “3+3+4” 阶梯式分布:

  • OceanBase与 达梦紧咬不放:两者不仅双双突破700分大关,更以领先第三名140分以上的绝对优势,拉开差距。
  • 金仓数据库、PolarDB与 GoldenDB 表现稳健,它们在各自的擅长领域持续深耕,构成了市场的中坚力量。
  • TiDB、GBASE、TDSQL 、GaussDB及YashanDB等厂商在云原生、金融核心等特定赛道持续发力。

image.png{{{width="auto" height="auto"}}}
图1:排行榜前十数据库产品得分情况

本月 OceanBase 以 763.72 分蝉联榜首,其核心动力源于技术创新与学术荣誉的深度共振。3月6日发布的 4.4.2 LTS 版本,标志着其正式进入 TP/AP/AI 一体化融合的新阶段。该版本不仅在单机分布式集成上持续进化,更首次在单一内核中实现了事务处理、实时分析与 AI 向量能力的深度融合。

工程层面的突飞猛进,也离不开OceanBase在底层理论的持续突破。其与浙江大学联合研发的 CoLA(协同日志异常检测)框架,在近期斩获了国际顶会 VLDB 2025 的“年度最佳论文”奖。该研究巧妙地利用“大小模型协同”机制,由小型模型负责高效过滤,大语言模型作为“专家”进行精准判定与根因解释,解决了工业界长期存在的日志检测效率与可解释性矛盾。这一荣誉不仅代表了其在 AIOps 领域的国际领先地位,更预示着数据库自愈技术正从实验室走向大规模生产环境

作为国产数据库的领军企业,达梦数据库在本月再次证明了其作为“国家队”在极端场景下的不可替代性。在 2026 年全国两会期间,达梦圆满完成了信息平台的安全运行保障任务,通过 7*24 小时的全方位值守与专项技术支持,展示了其在高安全、高可用领域的深厚积淀。这种稳定性并非空中楼阁,而是源于其在复杂业务场景中的反复磨砺。

近期,达梦在全国多家三甲医院核心系统的成功上线,成为其行业深耕的有力注脚。针对医疗机构因集团化医改产生的数据孤岛难题,达梦提供了以 DM8 为核心,配合数据共享集群(DMDSC)与数据守护集群(DMDataWatch) 的全栈方案。在新疆某三甲医院及福州两家总医院的实践中,达梦不仅支撑了 HIS、LIS、PACS 等 40 余个核心业务系统,更实现了业务的“零中断”平滑迁移。通过前端响应与后端驻场的双重保障体系,达梦证明了国产数据库完全具备在超大规模医疗场景下,替代传统商业数据库并提供金融级高可用性的技术实力。

本月金仓数据库排名上升一位,成功进军前三。作为中国数据库领域的开拓者,金仓 100% 的核心代码自主率再次得到了权威背书,其自主创新历程被正式收录于国家级智库丛书 《中国基础软件》。在技术演进方向上,金仓牵头编制的**《融合型数据库技术研究报告》**为行业提供了明确的技术路标,强调了基于统一内核架构原生融合多种数据模型的重要性。

其核心产品 KingbaseES V9 则是这一理念的工程化实践。该版本通过“负载、多模、智能、软硬协同”的四维融合,解决了企业面临的架构内耗难题。无论是在在一汽集团的落地案例,还是在常德市第二人民医院的实践,这种从“响应查询”到“理解意图”的技术跨越,正推动金仓从传统的关系型数据库向更智能的数智底座演进

金篆信科GoldenDB 本月在金融与通信两大高地持续输出影响力。在金融领域,中标 中国光大银行 1598.38 万元的原厂服务项目,充分体现了头部金融机构在完成规模化部署后,对其原厂技术支撑能力的深度信任。

在通信行业,河北移动核心 BOSS 域报表数据库的成功替换,则展现了 GoldenDB 在分析型处理(AP)场景下的强适配能力。项目投产后,不仅解决了每月初月结出账的时效性难题,更在部分复杂查询性能上实现了 10%-20% 的逆势提升。这一案例为全国移动省公司的信创升级提供了可复用的技术范式,实现了从“能用”到“好用”的质变。

腾讯云 TDSQL在架构演进上展现了极强的进化能力。其近期发布的 Boundless 架构采用了计算存储分离与多主(Multi-Master)设计,实现了极致的弹性扩展。此外,Boundless 展现了极强的生态包容性,在兼容 MySQL 协议的基础上实现了对 HBase API 的深度支持,为拥有海量历史数据的企业提供了一条低成本、平滑的国产化迁移路径。通过架构层面的“做减法”,TDSQL 正在为企业构建起面向 AI 时代的数智化中枢。

作为前十榜单中坚持纯自研内核的代表,YashanDB近期在西北金融赛道取得显著突破。凭借扎实的自研技术和全周期服务,其先后入围 乌鲁木齐银行集中式数据库采购并中标 哈密市商业银行相关项目。在 AI 生态构建方面,崖山同样走在了行业前列。其行业首发的 YashanClaw(AI 智能插件) 配合近期举办的应用挑战赛(👉点击查看赛事详情),展示了自研内核在向量处理与智能交互方面的原生优势。

YashanDB 正在不断拓宽国产数据库的应用边界,力求在金融全面国产化转型的进程中贡献更具爆发力的“崖山力量”

二、群雄并起开新径,各踞赛道绘蓝图

在头部厂商激战正酣的同时,处于排名中段的活跃选手同样交出了极具技术含量的答卷。从多主共享内存的突破,到工业时序模型的范式演进,这些厂商正凭借差异化的技术路径,在金融核心、工业物联网及 AI 超融合等关键赛道上,精准地开辟出属于自己的专业领地。

image.png{{{width="auto" height="auto"}}}
图2:本月亮点数据库得分情况

openGauss 在本月发布的 7.0.0-RC3 创新版本中实现了关键的架构跨越。该版本最核心的特性是 oGRAC(openGauss Real Application Cluster) 的正式亮相。作为 openGauss 体系下首个多主共享存储架构版本,oGRAC 通过构建共享内存服务,实现了跨节点的事务一致性与页面缓存同步,解决了传统主备架构在写扩展性上的瓶颈。这种“多读多写”的资源池化设计,标志着 openGauss 具备了在金融、电信核心交易场景中提供透明扩展的能力,为国产数据库市场提供了对标国际顶尖商业数据库的多主集群方案。

位列榜单第 15 位的 KaiwuDB 本月在技术荣誉与开发者生态上双向发力。其开源项目 KWDB 荣获“2025 年度上海开源创新卓越成果奖”特等奖,展现了在大规模基础软件研发领域的积累。随后,KaiwuDB 获得“2025 年度中国 AIoT 行业创新小巨人企业”称号,成为榜单中唯一入选的基础软件企业。为了进一步优化用户体验,其社区发布了轻量级交互式平台 Playground v1.0.0。该平台基于 Docker 容器技术,通过可视化环境诊断与一键脚本安装,解决了用户在安装与运维环节的痛点,构建了从学习到开发的完整链路。

第 18 名的 Apache IoTDB,本月凭借技术认证与模型演进提升了品牌号召力。该产品近日成功通过工信部“首版次软件评测”,成为本轮唯一通过该国家级评测的工业时序数据库,为其在电力、能源等信创核心底座的地位提供了权威背书。在技术层面,最新发布的 1.3.3 版本 引入了关系型表模型(Table Model),改变了以往单一的树状建模方式,使传统 SQL 开发者能更快速地接手工业时序数据管理。同时,增强后的 AINode 智能节点 实现了内核侧的时序预测,进一步强化了其“存算推一体”的能力。

本月排名上升 7 位至第 31 位的 IvorySQL,发布了基于 PostgreSQL 18.3 内核的 5.3 正式版本。该版本不仅同步了最新的内核增强与漏洞修复,更针对云原生场景进行了深度优化,新增了容器化部署、浏览器在线体验及 IvorySQL Cloud 等功能。作为主打兼容 Oracle 的开源数据库,IvorySQL 通过提供全平台安装包和 10 个关键 PG 扩展的支持,进一步提升了在多架构环境下的适配能力,为企业从传统商业数据库向开源生态迁移提供了更平滑的路径。

排名从 74 位大幅上升至 42 位的 九有数据库,近期宣布完成 A+ 轮融资,引入了松禾创投、青蒿资本等知名机构。九有数据库成立于 2021 年,核心团队由北京大学教授及前甲骨文专家组成,专注于打造新一代超融合 AI 数据库。该产品旨在解决 AI 场景下多模态数据分散存储的难题,实现数据的统一管理与联动(点击查看九有产品时间线)。其在 2023 年及 2025 年连续获得融资,反映了资本市场对其“多模态超融合”技术路径以及在银行、保险等行业应用前景的看好。

纵观 2026 年 4 月的中国数据库流行度榜单,国产数据库已经走出了一味模仿和协议兼容的初期阶段,正式步入“深水区”与“无人区”。一方面,以 OceanBase、达梦、金仓为代表的头部厂商,正通过内核级的融合架构,在金融、医疗、政务等命脉行业实现从外围到核心系统的全面渗透,证明了国产底座的可靠性;另一方面,openGauss、IoTDB、KaiwuDB 等活跃势力,则通过 oGRAC 多主架构、原生 AI 节点及多模态超融合等原创技术,尝试在 AI 时代和工业物联网赛道实现“换道超车”。

三、专家解读

为了帮助大家更好地理解榜单背后的行业动态,【中国数据库流行度排行榜】解读每月特邀国产数据库领域的资深专家进行深度解读。他们将结合榜单数据,分析行业发展趋势,剖析技术演进方向,为从业者和关注者提供专业、前瞻的参考视角。本期我们邀请到刘华阳老师带来分享。

image.png{{{width="auto" height="auto"}}}

刘华阳:互联网餐饮SAAS公司数据库部门负责人,18年数据库从业者,爱好者,曾任DBA ,DBA 架构师,DBA Team leader ,数据库产品经理,现任互联网餐饮SAAS公司数据库部门负责人,PostGreSQL ACE、Austindatabases 公众号写手;熟悉 PolarDB PostgreSQL、MySQL、MongoDB、SQL Server 等数据库。

坦诚地说,撰写此类评述并非易事,但近期行业格局的波动引人关注,分享几点关于国产数据库“变”与“不变”的思考。

【关于“不变”:OceanBase 的全栈实力】
在墨天轮最新的排名中,OceanBase 继续稳居榜首。其第一名的位置之所以难以撼动,除了权威评价体系的认可,更核心的竞争力在于其产品的全场景覆盖能力

OceanBase 并不局限于分布式架构,而是实现了单机与分布式的高度融合;在部署方式上,兼顾了线下私有化与云端交付;在商业策略上,则通过“商业+开源”双轮驱动。更值得称道的是其在生态教育上的重投入——从详尽的文档到系统的视频培训,完善的再教育体系为开发者构建了极高的粘性。

【关于“变”:云原生与行业深耕】
变化呢,PolarDB下降了一个名次,不过这动摇不了它“云原生数据库的一哥”的称呼,从产品丰富的程度,产品功能的多变,以及产品在云市场上的市场占有率,从目前的状态上来看,其云原生国产数据库NO.1的地位是无可撼动的。

另一个显著变化是金仓数据库(Kingbase)的排名跃升。梳理其近期的动作可见端倪:3 月份,金仓在湖南湘江新区医疗体系中成功实现国产化替代,有效解决了高并发下的系统卡顿痛点;在江苏泰兴的智慧交通项目中,其“时序+GIS多模一体化”方案也展现了卓越的性能。此外,金仓还牵头编写了信通院《融合型数据库技术研究报告》,这种“行业落地成果+权威认证”的结合,为其排名上升提供了坚实支撑。

【新势力观察:开源的力量】
在榜单中,IvorySQL 的异军突起同样值得关注。作为一个纯粹的国产开源数据库,它在资源投入与社区运营上表现亮眼。从去年到今年连续在济南举办国际级 PG 技术盛会,IvorySQL 已成为上半年的行业焦点。技术层面上,它将 Oracle 兼容性做到了商业级水平,为计划迁移至开源体系的用户提供了极具竞争力的选项。同时,它紧跟 PG 社区的迭代节奏,于 2026 年 3 月迅速发布了基于 PG 18.3 的 5.3 版本,并将其捐赠给开源原子开源基金会,这种拥抱开源的胸怀令人敬佩。

此外,KaiwuDB 展现出的极高社区活跃度也预示着其在用户推广方面的决心

国产数据库百花齐放,限于篇幅,今日暂且聊到这里,其余产品期待后续再作交流。


相关阅读

原文链接https://www.modb.pro/db/2041784816790757376

欲了解更多可浏览墨天轮社区,围绕数据人的学习成长提供一站式的全面服务,打造集新闻资讯、在线问答、活动直播、在线课程、文档阅览、资源下载、知识分享及在线运维为一体的统一平台,持续促进数据领域的知识传播和技术创新。

很多人一听到数据挖掘,脑子里冒出来的第一反应就是高深、复杂、像算法工程师才会碰的东西。

但真相其实没那么玄乎。

对企业来说,数据挖掘说白了不是在挖数据本身,而是在挖数据背后的规律、关系、异常和趋势。 你看到的是一堆订单、库存、用户行为、设备日志,企业真正想挖出来的,却是哪些客户快流失了,哪条产线要出问题了,哪类商品应该一起卖,哪个环节正在偷偷拉低利润。

所以,数据挖掘的重点从来不是数据多不多,而是你能不能从数据里找出对业务有用的东西。

今天这篇文章,我就想讲清楚企业的数据挖掘到底在挖掘什么。

一、数据挖掘到底在挖什么

先把这个概念说简单一点。

数据挖掘,不是做报表,也不是把图画得更好看。它更像是在一堆已经发生过的业务数据里,找出人眼不容易直接看出来的规律,然后拿这些规律去指导下一步决策。

企业做数据挖掘,通常是在挖四类东西。

1.规律

比如老客户通常在什么时间复购,什么产品经常被一起买,哪种营销方式转化更高。这类规律看起来普通,但一旦找到了,就能直接影响运营动作。

2.关系

比如销量下滑,到底是价格问题、区域问题、渠道问题,还是库存问题。数据挖掘会把看似分散的数据串起来,帮企业找到真正相关的因素。

3.异常

有些问题平时靠人盯根本盯不出来。比如某个门店突然退货率上升,某台设备的能耗开始异常波动,某批客户的活跃度突然下降。数据挖掘就是帮企业早点发现这些不正常的信号。

4.趋势和预测

过去的数据不只是用来复盘,更是用来判断未来。比如预测销量、判断客户流失风险、预估库存需求,本质上都属于数据挖掘在往前看。

说到底,数据挖掘挖的不是一堆数字,而是业务问题的答案。

但问题也来了。很多企业不是不想挖,而是根本挖不动。不是因为不会建模型,而是因为前面的基础就没打好。

这也是为什么,很多企业刚开始聊数据挖掘,最后却绕回了数据集成、数据治理这些基础工作。因为如果底层数据都没打通,再好的分析方法也只能建立在一堆碎片信息上。

二、企业做数据挖掘,难的往往不是分析,而是数据根本用不起来

很多人以为数据挖掘的门槛在算法,其实对大多数企业来说,真正的门槛根本不在那。

难点往往出在三个地方。

  1. 数据太散: 销售系统有一份数据,财务系统有一份数据,生产系统、ERP、CRM、MES里又各有各的口径。表面上看企业数据很多,真到要分析时才发现,同一个客户在不同系统里名字都不一样,同一个指标每个部门算法也不一样。数据没法拼起来,挖掘自然也就无从谈起。
  2. 数据质量不行: 很多企业的数据不是没有,而是不干净。缺失、重复、延迟、格式混乱,这些问题一多,分析结果就会偏。你以为是在做科学决策,实际上可能只是把错误数据算得更漂亮而已。
  3. 数据准备太慢: 业务今天提需求,数据团队先找表、对口径、清洗、加工,来来回回折腾几天,等结果出来,业务窗口都过去了。数据挖掘本来是为了帮助决策提速,最后却卡死在数据准备阶段。

这也是很多企业常见的尴尬。明明买了BI,做了看板,建了数据库,但真正涉及深一点的分析时,还是只能靠人工拉表、Excel拼数、临时救火。

所以企业做数据挖掘,最现实的问题不是会不会挖,而是有没有一套稳定的数据底座,能把分散的数据接进来、理顺、统一,再持续供给后面的分析和模型使用。

三、数据挖掘怎么落地,关键不是一步到位,而是先把底子打牢

如果把数据挖掘理解成从数据里找答案,那企业真正要做的,不是上来就追求复杂模型,而是先把几个关键环节跑通。

1.接入数据

企业的数据往往分散在多个业务系统里,先把这些数据稳定、持续地汇到一起,后面的分析才有基础。这个阶段最怕靠人工搬运,因为一旦业务系统多起来,维护成本会越来越高,也很难保证时效。

2.整理数据成能分析的样子

原始数据通常很乱,字段命名不统一,时间格式不一致,主键对不上,甚至同一个指标在不同部门口径不同。这个时候就需要做清洗、转换、合并和标准化,不然挖出来的东西很可能一开始就是歪的。

3.开展分析和挖掘

到了这一步,企业才会开始去看客户分群、商品关联、销量预测、流失预警、异常识别这些问题。也就是说,数据挖掘不是一个孤立动作,它前面其实站着一整条数据链路。

四、企业真正想要的数据挖掘价值,到底体现在哪

企业做数据挖掘,不是为了显得自己数字化,也不是为了多学几个模型名字。它最后一定要落到业务价值上。

  1. 决策更准。 过去很多判断靠经验或拍脑袋,数据挖掘能用数据支撑决策,比如判断客户流失风险、区域投资源值不值得,或者哪些商品组合更有潜力,挖掘出的依据更清晰、更可靠。
  2. 动作更快。问题发现得越早,调整成本越低。像设备异常、库存风险、销量波动这些问题,提前识别就能避免事后补救的高成本。
  3. 增长更有方向。数据不仅能发现问题,还能找出机会,比如重点运营哪些客户,哪些商品可能成为爆款,哪些流程可以优化。这些隐藏的增长点往往藏在历史数据中。

但一个事实是,挖掘的价值大小,很多时候并不取决于模型有多复杂,而是底层数据是否稳定、完整、可靠。 这也是越来越多企业优先做数据基础建设的原因。

五、写在最后

所以,数据挖掘到底挖掘的是什么。

挖的不是一堆冷冰冰的数字,而是数字背后的业务规律、风险信号、增长机会和决策依据。

对企业来说,数据挖掘当然重要,但别一上来就把注意力全放在模型和算法上。大多数时候,真正决定你能不能挖出价值的,不是你会不会用多高级的方法,而是你的数据能不能先接起来、理顺、用起来。

先把地基打稳,再谈往上建楼,这才是企业做数据挖掘更靠谱的路径。

编者注

本文首发于 Nikita Prokopov 的个人博客,原文 It’s hard to justify Tahoe icons,少数派经作者授权转载、翻译。

在编译过程中,我们参考了作者 @Nullpinter  的译文版本(发布于该作者的个人博客)的标题和部分二级标题,在此表示感谢。正文内容为少数派编辑部独立编译。

如果你希望隐藏菜单中的图标,不妨在 macOS 自带的终端中输入以下命令:

# 隐藏 macOS 菜单中的图标。输入完以后回车,并重启 Mac 电脑
defaults write -g NSMenuEnableActionImages -bool NO

# 还原 macOS 菜单中图标的默认值,即显示。输入完以后回车,并重启 Mac 电脑
defaults delete -g NSMenuEnableActionImages


在读 1992 年版的《Macintosh 人机交互指南》(Macintosh Human Interface Guidelines)的时候,我发现了这张精美的插图:

随附的说明是:

时间快转到 2025 年,Apple 发布了 macOS Tahoe。最主要的变化?当数每个菜单选项都加上了不讨喜、容易使人分心、难以辨认、杂乱无章、支离破碎、让人感到疑惑和沮丧的图标(这是 Apple 自己的说法,可不是我编的!):

Sequoia → Tahoe

这就很糟糕了。但为什么呢?我们不妨深入探讨一下!

免责声明:本文混合了来自 macOS 26.1 和 26.2 版本的截图,均取自系统预装的 Apple 原生应用。截图前未修改任何系统设置。

图标应当具有区分度

图标的主要功能是帮助你更快地找到所需内容。

或许这听起来有违直觉,但给所有东西都加上图标却是错误的做法。与众不同的东西往往更加显眼,但如果所有东西都有一个对应的图标,那谁都没办法从中脱颖而出。

同样的道理也适用于颜色:黑白图标看起来很整洁,但并不能帮你更快地找到目标!

微软曾深谙此道:

在下图右侧版本的菜单中,你会发现定位「保存」(Save)或「共享」(Share)的速度要快得多:

右边的菜单看上去更清爽,也更整洁。

如果是彩色版本效果则会更好(文本与图标分离得更清晰,找起来更快):

我知道你可能不喜欢它的样子,我也不喜欢,毕竟要把这些图标处理好并非易事。但背后的原则是依然成立的:即便这个色彩选用未经实际设计的粗糙版本,也是更易用的。

应用间的一致性

具备一致性(consistency)的图标才是真正有用的图标,毕竟在找到这些图标之前,我得先掌握它们的它们大概都有什么共性。

例如在看到「剪切」(Cut)命令和它旁边的图标长什么样之后,那我下一次找寻「剪切」操作时或许就会省点功夫直接去找这个图标:

Tahoe 在这方面表现如何呢?请看「新建」图标的「五十度灰」:

我甚至把它们收集在了一起,好让这种荒谬感更加显而易见。

诚然,其中一些图标所代表的操作与其他不同,所以图标也有差异。但如果说创建「智能文件夹」和创建「日记条目」是两码事,下面这些又该如何解释呢?

或者这些:

还有这些:

还是别找借口了吧。

「打开」这个操作也是一样:

「保存」也是:

是的,其中一个保存图标竟然是个勾选的标记,而且它们甚至连箭头的方向都统一不了!

再看看「关闭」按钮:

「查找」(有时叫搜索,有时叫筛选):

「删除」(出自剪切-拷贝-粘贴-删除操作):

「最小化窗口」:

这些图标所对应的都不是什么生僻又特殊的功能,相反它们所代表的都是基础操作,是垒砌操作系统的基石。这些操作每个应用都有,并且布局上也总在相近的位置。它们看起来不应该有这么多花样!

应用内的一致性

图标也用于工具栏(toolbars)。从概念上讲,工具栏中的操作与通过菜单调用的操作是完全相同的,因此应该使用相同的图标。所以实现起来的方式也应该是最简单的:在同一个应用内、甚至通常同时出现在屏幕上的图标,保持一致能有多难呢?

那我们看看「预览」:

「照片」:同样的用了上述两种图标,但这次调换了一下顺序¯_(ツ)_/¯

「地图」和其他应用在「缩放」功能上的图标选用也常有差异:

图标复用

和完全不具备一致性类似的,另一个大忌是将同一个图标用于不同的操作。想象一下:我已经学会了下面这个图标代表「新建」:

并且我打开另一个应用也看到了它。「太棒了,」我想,「我知道这个图标是什么意思了」:

上当了吧!

你可能会想:好吧,下面这个图标代表「快速查看」:

有时候确实如此,但在另一些时候,这个图标的意思是「显示已完成项」:

有时候下面这个图标意味着「导入」:

但有时候它也代表着「更新」:

与上面提到的一致性问题类似,图标复用问题不仅发生在不同应用之间。有时你可以在工具栏看到这个图标:

然后在同一个应用的菜单里,发现同一个图标代表了别的东西:

有时完全相同的图标会在同一个菜单中相遇。

有时还会贴在一起。

有时它们甚至会将一整串相同的图标排成列:

这显然对谁都没帮助。如果所有图标都一样,用户很难快速定位到菜单项,也不会正确理解其背后所指代的功能。

目前为止图标复用最惨烈的案例是「照片」应用:

感觉那个负责为每个菜单项选择一个对应图标的人,可能头发都已经掉光了。

理解万岁。

细节要素过多

审视图标时,我们通常能包容它们在最终落地环节中的一些微小差异。例如下面这些理论上来说各不相同的路标,实际上都在帮助我们理解同一件事:

图标也是如此:如果你在一个地方画了一个飞出盒子的箭头,在另一个地方也画了同样的内容,但箭头的角度、描边的宽度,或者一个是实心的另一个不是,都不影响我们将这两个图标理解为同一个意思。

比如指望下面这个两个图标表达完全不同的两个意思是在想什么呢?得了吧!

两个仅仅在字号上有细微差别的字母 A:

铅笔代表「重命名」,但稍粗一点的铅笔就代表「高亮」?

方向不同的对角线箭头?

占据 2/3 空间的三个点 vs. 占据全部空间的三个点。认真的吗?

颜色更深的点?

一张因纸角是否折叠,或纸上是否有线条而改变含义的纸?

但「大 Boss」还得是箭头。下面这些箭头的意义各不相同:

按上面这张图的道理,用户必须专业到足以区分圆圈被挤压的程度、箭头从顶部向右还是底部向右出发,以及箭头末端各延伸了多长。

我在乎这些细节吗?说实话,不在乎。如果 Apple 能将这里的连续性一以贯之地应用到图标上,我或许会试试。但 Apple 指望我在一个地方区分「新建」的两种图标样式,同时又要我在另一个地方留意这种微小的细节?

抱歉,看完上面这一切之后,这已经是信任问题的范畴了。

细节过多

图标理应在一定距离外也易于识别。每个图标设计师都知道:太细即是禁忌。为了特定的美学追求偶尔可以包容,但你不能依赖细节。

Tahoe 菜单里的图标就可以说是太细了。它们中的大多数都容纳在 12×12 像素的正方形内(因为 Retina 屏幕的原因实际分辨率为 24×24),而且由于许多图标不是正方形,这些图标的某些尺寸往往小于 12 个像素。

这可没有多少发挥的空间!要知道 Windows 95 的图标甚至都是 16×16 的。如果我们按同时代最具代表性的每英寸 72 点的 DPI 来计算,我们能得到一个物理大小为 0.22 英寸(5.6 毫米)的图标——而在配备 254 DPI 屏幕的现代 MacBook Pro 上,Tahoe 的 24×24 图标换算下来为 0.09 英寸(2.4 毫米)。24 固然比 16 更大,但实际效果却是这些图标的面积变成了原来的四分之一!

模拟 72 DPI 下的 16×16(左)与 254 DPI 下的 24×24(右)的物理尺寸对比

所以当我看到下面这个菜单时:

我有些纠结了。我知道这些图标各不相同,但我很难分辨它们具体画的是什么。

即使放大 20 倍也依然是一团糟:

还有这三个不同的图标:

难道我应该在这里分清楚加号和星标吗?

有些线条比其他线条厚了半个像素,这竟然也是决定图标意义的关键:

这画的是箭头?

还是笔刷?

看,这里有个小照相机。

它甚至有一个更小的取景器,如果你放大 20 倍就几乎清晰可见了:

还有这里。一个方框,方框里有一个圆,圆里面还有小到只有 2 个像素高度的字母 i:

没看见?

我也没看见。但它确实有个 i……

还有下面这个居然是一个窗口!它甚至有「红绿灯」按钮!真是太可爱了:

请记住:这些都是 retina 像素,是真实像素的 1/4。乔布斯本人曾说过它们理应是不可见的。

It turns out there’s a magic number right around 300 pixels per inch, that when you hold something around to 10 to 12 inches away from your eyes, is the limit of the human retina to differentiate the pixels.

但 Tahoe 的图标却指望你能看清它们。

像素网格

当发挥空间有限时,每个像素都至关重要。审慎对待每一个像素,才能做出好的图标。

在 Tahoe 的图标这里,Apple 决定使用矢量字体来替代老式的位图(bitmaps)。这为 Apple 节省了资源——绘制一次,随处可用,并且还具备尺寸、显示分辨率和字宽上的灵活性。

但这样做是有代价的:字体很难在垂直方向上精确渲染,比如它们的尺寸无法直接与像素一一对应,描边宽度也无法与像素网格(pixel grid)形成 1 对 1 映射等。所以这些矢量字体虽然随处可用,但处处都模糊且平庸:

Tahoe 图标(左)及其像素对齐版本(右)

可用的像素越多,或图形越简单,它们的观感自然也会更好一点。

iPad OS 26 vs macOS 26

但「复杂的细节」和「微小的图标尺寸」是个致命的组合。在 Apple 发布 380+ DPI 的 MacBook 之前,我们仍然得在像素网格这件事情上多加留意。

令人困惑的隐喻

图标还可以有另一个功能:帮助用户理解命令的含义。

例如,在知晓特定使用上下文(移动窗口)的前提下,这些图标比文字更能快达意:

但这些图标发挥作用的前提是,用户必须理解图标上画的是什么。它必须是用户熟知对象和计算机操作之间的清晰转化(如垃圾桶 → 删除),是被广泛使用的符号、易于理解的图示。《人机交互指南》(HIG)指出:

比如最低级的错误是对对象的错误呈现。例如这是选中操作实际看起来的样子:

但选中操作的图标长这样:

老实说,我这篇随笔前前后后写了一个星期,但我至今完全不理解它为什么长这样。无边记/预览应用中有一个类似的对象,但它代表的一个文本框:

它在 SF Symbols 中也被叫做 character.textbox

那为什么它变成了「全选」的隐喻?我猜这可能是一个失误。

另一个地方则在 Mac 上使用了 iOS 的文本选择样式作为隐喻!

有些概念对应显而易见或约定俗成的隐喻。在这种情况下,不使用它们也是一种错误。例如书签:

Apple 出于某些原因选择了一本书:

有时你也有现成的界面元素可以用于图标,但这种做法也容易给用户造成混淆。比如长方形里的点看起来像输入密码而不是权限编辑:

再比如这里的图标显示的是「勾选」,但实际动作却对应「取消勾选」。

这是糟糕的情况:图标不仅没有提供帮助,反而主动误导了用户。

构建一个对象加上某种指示符的双层级图标也很诱人,比如一个复选框加一个叉号,意思理应是「删除复选框」:

或者一个用户加一个复选标记,意思理应「选择用户」:

所以不幸的是这类图标构造很少真的有效。用户不会根据你提供的积木来造句,他们根本没有兴趣去解这些谜。

寻找隐喻(metaphors)很难,相对来说名词比动词隐喻更好找,但菜单项大多是动词。「打开」这个操作看起来像什么?为什么会像一个指向右上角的箭头?

我并不是说 Apple 搞错一个显而易见的「打开」的隐喻,事实上确实没有这种隐喻。但这其实也是关键:如果你找不到好的隐喻,不使用图标比使用一个糟糕的、令人困惑或违背直觉的图标要好。

我喜欢通过一个游戏来测试隐喻的质量。即去掉标签,试着猜测含义。不信你试试:

只要够努力就能给每个操作找到一个完美对应的图标,这事儿纯属痴心妄想。这是一场从一开始就注定失败的战斗,再多的资金或「管理层决策」都无法改变这一点。这当中的问题百分之百也都是自找的。

话虽如此,我还是要在该表扬的地方表扬 Apple。他们选得好的那些隐喻,确实是非常直观:

成对操作

在所有令人困惑的隐喻中,有一个场景尤为特别:为那些功能完全相反的成对操作选择隐喻。比如撤销/重做、打开/关闭、左/右。

如果这些图标使用相同的隐喻,那效果是极好的:

因为这能节省你的时间和认知资源。学会一个,就能举一反三。

正因如此,为相互关联的成对操作使用不同的隐喻也是一个常见错误:

或者这里:

另一个错误是在没有成对操作的地方制造关联。比如「返回」和「查看全部」?

Tahoe 中有些菜单同时存在这两个错误。例如「显示/隐藏」缺少成对操作的关联性,而「已完成/子任务」之间却有:

「导入」与「共享」互为成对操作,而不是「导出」:

图标中的文字

再次引用 HIG:

HIG 的作者反对将文字作为图标的一部分。所以像这样的:

或者这样的:

至少在 1992 年是行不通的。

我表示同意,但 Tahoe 有更严重的问题:完全由文字组成的图标。比如这个:

很难分清「不应被字面阅读的、抽象的隐喻式图标文字」在哪里结束,而真正的文本又从哪里开始。图标和菜单操作文本在这里使用相同的字体、相同的颜色,那我该如何区分它们呢?图标在这里反而成了障碍:A...完成?Aa 字体?这些操作到底是什么意思?

我也许能理解下面这两个图标:

里面的点应该代表着什么,由此推导出下面这个图标的思维过程也可以理解:

但是这个图标呢?

没有任何装饰、没有任何效果,就是纯文本的 Abc,认真的吗?

文本转换

有人可能会认为使用图标来演示文本转换是个好主意。

比如当你看到这个:

或者这个:

或者这个:

仅凭图标就能理解文本会发生什么变化,图标即操作。

另外 BIU 对应的操作(加粗、斜体、下划线)在文本处理领域已有共识,那这样做似乎没有缺点?

不完全是。问题还是一样——文字图标看起来像文字而不是图标。此外,这些图标也是多余的,取第一个字母并重复一遍有什么意义?「Bold」(加粗)这个词本身就是以字母「B」开头的,读起来也不拗口,为什么要出现两次?当你再看它时:

它甚至作为快捷键提示又被重复了一次……

这个菜单其实有一个更好的设计方案:

而且 Apple 至少在 33 年前就知道了。

图标中的系统元素

操作系统当然会为了自己的目的使用一些视觉元素。比如窗口控件、大小调整手柄、光标、快捷方式等。在图标中使用这些元素也是错误的。

不幸的是,Apple 也掉进了这个陷阱。他们重复使用了箭头。

快捷键符号:

HIG 甚至有一个专门针对省略号(ellipsis)的章节,说明在菜单以外的其他地方使用是多么的危险。

而这正是 Tahoe 所面临的问题。

图标打断了阅读

如果没有图标,你可以直接从上到下扫视菜单,只读头几个字母。因为它们都是对齐的:

macOS Sequoia

但在 Tahoe 中,有些菜单项有图标、有些没有,所以它们的对齐方式也不一样了:

有些项目可能既有复选标记又有图标,或者只有其中一个,或者两个都没有,于是我们就遇到了这样的情况:

麻了。

特别提名

这个菜单值得单独拿出来说一说:

不同的动作使用相同的图标、没有显而易见的隐喻、不知为何让第一个图标比第二和第三个稍小一点。恭喜!它集齐了所有缺点。

HIG 还有参考价值吗?

我多次提到 HIG,你可能会想:一份 1992 年的界面手册在今天还有参考价值吗?计算机经历了巨变,我们不也该套用一份新的原则、设计和规范吗?

是,也不是。比如如何让图标适应黑白显示器的建议已经过时了。但设计规则——只要是好的规则——在今天依然适用,因为它们是基于人、而不是计算机的运作方式才提出来的。

人类不会每年发布一个新版本,我们的记忆力不会翻倍,我们的视力也不会变得更敏锐。注意力的运作方式一如既往。视觉识别、运动技能——这一切都和 1992 年一模一样。

所以没错,在我们直接与脑机接口相连之前,HIG 将永远具有参考价值。

结语

在我看来,Apple 选择了一项不可能完成的任务:为每个菜单项添加一个对应图标。而事实上根本没有足够多合理的隐喻来支撑这样的做法。

即便是有,这项任务的前提本身也值得商榷:所有东西都有图标,并不意味着用户能更快地找到他们想要的东西。

即便前提成立,我仍然希望我能说:考虑到目标宏伟,他们已经尽力了。但这也不是事实:他们在一致性地应用隐喻以及图标本身的设计方面,做得实在很糟糕。

Apple 成功地在一个操作系统版本中集齐了图标设计中的常见错误,而我希望这篇文章能帮助大家避免它们。我热爱计算机、热爱界面设计、热爱视觉交互。看到 30 年前就已经人人可用的好设计共识在今天被完全忽视或抛弃,让我感到很难过。

往好的方面想:拥有比 Apple 更好设计已经没那么难了!让我们为此干杯。新年快乐!

来自 SF Symbols:一个正在打电话的笑脸

注释

在审阅本文时,有人向我推荐了 Jim Nielsen 的文章,他的观点与我不谋而合。我认为这是我们的推论背后存在某种共同真理的迹象。

另外请注意:Safari 的「文件」菜单自 26.0 以来变得更糟了,以前它只有 4 个图标,现在有 18 个!

感谢 Kevin、Ryan 和 Nicki 阅读本文的草稿。

更新:鸣谢

> 关注 少数派公众号,解锁全新阅读体验 📰

> 实用、好用的 正版软件,少数派为你呈现 🚀

    前几年做梦总能各种奇奇怪怪的,相当于梦里探险了,比如地球坍塌破碎,踩着碎块一步步奔月,比如一望无际的草原上,钻入云端的异形图腾柱,比如半夜爬山看到各种若隐若现的山崖和奇花异草,比如开车到海里欣赏奇奇怪怪的鱼飞起降落

    这两年做梦要么工作要么乱七八糟生活琐事

    再一个,哪个 AI 工具能把梦里的景象更好的画出来?

    🧳 一个用 Codex 做的旅游规划小网站

    前段时间用 Codex 做了一个旅游规划网站,算不上什么大项目,但做下来还挺有意思的,就拿出来和大家分享一下,也顺便记录一下整个过程。


    🤔 为什么会做这个项目?

    其实原因很简单——信息太碎了

    平时出去玩,最麻烦的不是“没地方去”,而是各种信息分散在不同平台:

    • 📍 攻略在小红书
    • 🍜 吃饭看点评
    • 🗺 路线靠地图
    • 🏨 住宿还要单独查

    最后经常变成:
    👉 开一堆页面 + 脑子里拼路线 = 依然很乱


    💡 我的想法

    所以我就在想:
    有没有一种更省事的方式?

    👉 只需要输入几个关键信息,就能直接生成一份可参考的行程

    比如:

    • 去哪个城市
    • 玩几天
    • 预算多少
    • 和谁一起
    • 想要什么风格(休闲 / 特种兵 / 美食 / 打卡 等)

    然后系统直接给你一版“能用的”行程,而不是让你每次都从零开始拼。


    🏗️ 项目是怎么做的?

    整个项目其实就是围绕这个思路搭建的:

    🧠 大模型

    • 使用:通义千问
    • 主要负责:
      • 行程生成(每天怎么玩)
      • 路线顺序安排(先去哪后去哪)
      • 推荐住宿区域
      • 控制整体节奏(轻松 or 紧凑)


    🗺️ 地图能力

    • 使用:百度地图 API
    • 负责:
      • 地点检索
      • 坐标转换
      • 地图打点
      • 路线展示


    🎨 前端设计思路

    前端没有做成传统“工具页面”,而是尽量往这个方向靠:

    ✍️ 更像一个「旅行委托单」,而不是一个表单系统

    希望用户在使用的时候,感觉是在规划一次旅行,而不是在填后台数据。


    🌐 项目地址

    👉 l.chi588.com


    🙈 最后

    前端可能有点“直男审美”,大家轻喷 😅
    如果有任何建议或者想法,也欢迎交流~

    斯坦福大学 38% 的学生是残疾人 🤡🤡🤡

    一个社会的良性运转,必须要守住底线。否则,精致利己主义的「聪明人」越来越多,总会有那么一天 —— 老实人不够用了。

    老实人不够用了


    老实人不够用了

    上个月刷到卢诗翰的一条微博,里面提到的一组神奇的数据,看完直接让人颠覆认知:2025 年,美国斯坦福大学有 38% 的学生是残疾人

    微博 @卢诗翰
    https://weibo.com/3276099007/QxsqnrYpV

    数据出自美国《大西洋月刊》 2025 年 12 月 2 日深度报道《Accommodation Nation》
    https://www.theatlantic.com/magazine/2026/01/elite-university-student-accommodation/684946/

    640

    没有看错,不是 3.8%,是整整 38%,将近四成的顶尖名校学生,都顶着「残疾人」的身份。

    要知道,斯坦福是全球顶流高校,能考进去的无不是万里挑一的聪明人,这群智商超群的年轻人,怎么会有近一半人残疾?

    答案一点都不温情,反而充满了人性的现实:这不是真的残疾率高,而是 「聪明人」把福利规则,玩成了专属自己的捷径

    斯坦福对残疾学生有明确的福利倾斜,宿舍分配就是最典型的例子。早年学校宿舍分配有一套默认规则,女生优先选新宿舍、单人间,男生住剩下的老宿舍、多人间,这套规则运行多年相安无事。后来 LGBT 平权运动兴起,按照性别区分被严格禁止,于是改成按年级分配,高年级优先,新生只能先将就。

    但这条规则之外,留了一条看似充满善意的特殊通道:残疾人优先

    残疾学生行动不便,需要低楼层、带电梯、空间宽敞的新宿舍,需要单人间避免舍友干扰,这些需求合情合理,任谁都挑不出毛病,毕竟关爱弱势群体,是最基本的道德底线。

    可问题就出在「残疾人」的定义上。按照美国《残疾人法案》,残疾不单单指肢体缺陷,心理缺陷同样被纳入范畴。多动症、注意力缺陷、抑郁症、焦虑症等等,只要通过心理医生的简单测试,拿到诊断证明,就能被认定为心理残疾,顺利搭上这条特殊通道。

    斯坦福的学生有多「聪明」?他们一眼就看穿了这个规则漏洞。

    既然反对不了这项充满「大爱」的政策,既然法律认可心理残疾,既然诊断证明不难拿到,那最简单的办法就是:打不过就加入

    我也去看心理医生,我也确诊心理残疾,我也享受优先选宿舍、住单人间新宿舍的福利。于是,短短几年间,斯坦福的残疾学生比例一路飙升,从个位数涨到了 38%。

    而同期美国全社会真正的残疾人比例,不过 3%-5%。

    这组对比数据无比讽刺:政策初衷是照顾那 3%-5% 真正需要帮助的弱势群体,最后却被这么多「聪明人」钻了空子,鸠占鹊巢。

    那谁在吃亏?吃亏的是剩下 60% 的老实人

    他们守规矩,不屑于用这种方式钻漏洞,只能住着老旧的宿舍,挤着双人间,默默承担规则被扭曲后的代价。

    照这个趋势下去,今年 38%,明年可能就是 48%、58%,直到某一天,全校 98% 的学生都是「残疾人」,这套看似公平的规则,会彻底沦为一纸空文,彻底失去原本的意义。

    640 (1)

    这组数据,让我瞬间想起多年前一件被全网骂翻的事。

    早年房价飞涨,国家大力推行廉租房、保障房,本意是给低收入群体一个安身之所,让穷人能有地方住。当时有位专家提出一个看似「反人性」的建议:廉租房不能建太好,格局要差,采光要差,甚至不能配独立卫生间,每一层楼建一个公共厕所就行

    备注:我网上查了一下,相关出处有茅于轼、薛兆丰两个版本,不太确定当初的论点渊源,因此不在此处指名道姓了,就用「某位专家」指代一下吧。

    这话一出,全网炸锅。所有人都骂他冷血、脑残,质问「穷人就不配在家里上厕所吗?穷人就不能住好房子吗?」,专家被喷得体无完肤,这个建议也被当成笑柄。

    可今天我回过头来看,发现这位专家,才是真正看透人性、懂现实的明白人。

    如果廉租房建得宽敞明亮、配套齐全,有独立卫生间、好采光,看上去是对穷人好,可结果只会是:真正的穷人住不上,「聪明人」挤破头抢占

    怎么定义「穷人」?按工资收入?很多有钱人收入根本不体现在工资单上。按名下财产?不少老赖名下无车无房,照样过得潇洒。无论设定什么样的审核标准,总有一群「聪明人」能找到漏洞,开着大奔领救济金、住着豪宅抢保障房,这类新闻我们看得还少吗?

    只有把福利资源设计得「有缺陷」,让那些钻空子的有钱人不屑一顾,白给都不想要,这一点点微薄的福利,才能真正落到最需要的穷人手里。

    这不是刻薄,这是最接地气的务实,是看透人性之后的无奈选择,也是避免好心办坏事的唯一办法。

    其实这两个案例,说透了一个很现实的道理,@卢诗翰 称之为:老实人经济学

    它的核心逻辑很残酷:所有规则的风险和成本,最终都由老实人来分担;而那些钻规则漏洞的「聪明人」,总能牺牲群体利益,换取个人私利

    不管是高校的福利政策,还是社会的保障制度,设计初衷都是为了公平、为了帮扶弱者,可人性的自私,总会让这些好政策慢慢跑偏。

    制定规则的人,总习惯用最大的善意去揣测人心,觉得人人都会守规矩,觉得弱势群体能被妥善照顾,却忽略了总有一群「聪明人」,擅长把善意的规则,变成利己的工具。

    而那些坚守底线、不愿投机取巧的老实人,既不会钻空子,也不想违背良心,最后只能默默承受规则扭曲后的代价,成为整个体系里的「接盘侠」。

    我们做金融行业的,对这个道理感受更深。市场里总有投机者钻制度漏洞、规避风险获利,而坚守价值投资、守规矩的投资者,往往要承担市场波动、规则不完善带来的额外成本,本质上,也是老实人在为「聪明人」的投机买单。

    所以,不管是政策设计,还是产品方案,从来都不能只讲情怀、只谈善意,更要直面人性的弱点,不惮以最坏的恶意去揣度人心。

    不要给「聪明人」留下钻空子的空间,不要把规则建立在「人人都会自觉守规矩」的幻想上,要提前预判到投机行为,用最严苛、最务实的条款,堵住每一个可能被利用的漏洞。

    只有这样,那些真正需要帮助的人,才能拿到本该属于他们的福利;那些守规矩的老实人,才不用一直吃亏。

    一个社会的良性运转,必须要守住底线。否则,精致利己主义的「聪明人」越来越多,总会有那么一天 —— 老实人不够用了


    全文链接 老实人不够用了

    原文链接:https://www.nocobase.com/cn/blog/weekly-updates-20260416

    汇总一周产品更新日志,最新发布可以前往我们的博客查看

    NocoBase 目前更新包括的版本更新包括三个分支:mainnextdevelop

    version.png

    main :截止目前最稳定的版本,推荐安装此版本。

    next:包含即将发布的新功能,经过初步测试的版本,可能存在部分已知或未知问题。主要面向测试用户,用于收集反馈和进一步优化功能。适合愿意提前体验新功能并提供反馈的测试用户。

    develop:开发中的版本,包含最新的功能代码,可能尚未完成或存在较多不稳定因素,主要用于内部开发和快速迭代。适合对产品功能前沿发展感兴趣的技术用户,但可能存在较多问题或不完整功能,不建议在生产环境中使用。

    main

    main.png

    v2.0.37

    发布日期:2026-04-14

    🚀 优化

    • [undefined]

      • 为法语 README 添加目录 (#9037) by @saraTabbane
      • 在 README.zh-CN.md 中添加目录 (#9038) by @gaston98765
      • 新增阿拉伯语文档首页翻译 (#9043) by @gaston98765
      • 文档:新增 get-started 入门页面的阿拉伯语翻译 (#9044) by @gaston98765
    • [client] 添加表单必填校验开关 (#9060) by @jiannx

    🐛 修复

    • [utils] 为服务端发送 HTTP 请求增加安全控制,以避免可能的 SSRF 隐患 (#9079) by @mytharcher
      参考文档:环境变量

    v2.0.36

    发布日期:2026-04-10

    🐛 修复

    • [client] 子表格添加多对多报错 (#9070) by @jiannx
    • [flow-engine] 修复外部数据源多对一字段无法在表格区块中添加 (#9068) by @jiannx
    • [通知管理] 修复站内信通知在工作流场景下的发送性能问题,降低同步发送路径阻塞 (#9066) by @mytharcher

    v2.0.35

    发布日期:2026-04-09

    🐛 修复

    • [client] 修复子表格的数据选择按钮打开的弹窗中无法正确解析上级项变量值的问题。 (#8996) by @gchust
    • [数据表字段:代码] 修正代码字段的 UI 类型 (#9061) by @2013xile

    develop

    develop.png

    v2.1.0-alpha.16

    发布日期:2026-04-14

    🚀 优化

    • [undefined]

      • 在 README.zh-CN.md 中添加目录 (#9038) by @gaston98765
      • 为法语 README 添加目录 (#9037) by @saraTabbane
    • [server] 完善插件管理相关的 Swagger API 文档 (#9080) by @2013xile

    🐛 修复

    • [AI 员工] 修复 AI 员工对话中异常消息不显示问题 (#9097) by @cgyrock
    • [权限控制] 更新权限管理的 swagger 文档,增强 MCP 服务 (#9096) by @Andrew1989Y

    v2.1.0-alpha.15

    发布日期:2026-04-10

    🎉 新特性

    • [区块:树] 新增树筛选区块 (#9016) by @jiannx
    • [认证:API 密钥] 添加 pm listgenerate-api-key 命令 (#9076) by @chenos
    • [AI 员工]

      • 为 AI 员工新增数据聚合查询工具与业务分析报告工具 (#9040) by @2013xile
      • 为 AI 员工增加基于 LLM 的联网搜索工具 (#9032) by @cgyrock
    • [迁移管理] 支持 migration 命令 by @chenos
    • [邮件管理] gmail 支持邮件别名发送 by @jiannx

    🐛 修复

    • [flow-engine] 修复外部数据源多对一字段无法在表格区块中添加 (#9068) by @jiannx
    • [client]

      • 子表格添加多对多报错 (#9070) by @jiannx
      • 修复子表格的数据选择按钮打开的弹窗中无法正确解析上级项变量值的问题。 (#8996) by @gchust
      • 修复批量编辑操作会弹出不正确的未保存确认消息的问题 (#9054) by @gchust
      • 修复通过弹窗子表格添加记录后提交表单时会出现错误的二次确认弹窗的问题。 (#9035) by @gchust
      • 修复 ctx.request 无法覆盖 Authorization 头信息。 (#8850) by @gchust
    • [data-source-manager] 修复从数据库同步字段后部分字段类型未正确更新的问题 (#9046) by @2013xile
    • [通知管理] 修复站内信通知在工作流场景下的发送性能问题,降低同步发送路径阻塞 (#9066) by @mytharcher
    • [数据表字段:代码] 修正代码字段的 UI 类型 (#9061) by @2013xile
    • [工作流:HTTP 请求节点] 清理工作流 HTTP 请求节点的结果结构,避免暴露请求配置;新节点默认仅返回响应数据,并为失败请求增加调试日志。 (#9024) by @mytharcher
    • [AI 员工]

      • 修复中断 AI 员工推理过程会导致服务崩溃的问题 (#9031) by @cgyrock
      • 修复配置 APP_PUBLIC_PATH 后,子路径访问下 AI 员工上传文档失败的问题 (#9034) by @cgyrock
      • 修复在 Dashscope 上使用用 Deepseek 或 MiniMax 模型报错问题 (#9033) by @cgyrock