如果您想保存重要的短信和完整的聊天记录，用于存档、安全保存或方便迁移到新设备，就必须了解如何从 iPhone 复制短信。虽然简单的复制粘贴可以处理短片段，但复制整个聊天记录通常需要更专业的技巧。为了解决这个问题，我们总结了 5 种安全的方法。那么，让我们开始吧。

快速浏览以下5种方法：

第一部分：如何使用 iReaShare iPhone Manager 将 iPhone 中的短信复制到电脑

使用iReaShare iPhone Manager软件是高效专业的选择导出、保存和打印短信（SMS 和 iMessage）到电脑并保存为可读格式的方法之一。您可以自由预览和选择短信，然后将其导出为 HTML、TXT 或 CSV 等可读格式。之后，您就可以在电脑上轻松查看 iPhone 短信了。

这款iPhone管理软件的主要功能：

• 快速加载您的 iPhone 信息，并在您的电脑上显示。
• 允许您预览整个文本对话，并选择特定消息。
• 将 iPhone 信息保存到 PC或 Mac，数据不会丢失。
• 将iPhone 中的笔记、音乐、视频、照片、日历、书签、书籍和联系人传输到电脑。
• 一次性将 iPhone 数据备份到 PC或 Mac。
• 支持iPhone 17 Pro Max/17 Pro/17/Air 、iPhone 16/15/14/13/12/11/X、iPad Pro、iPad mini、iPad Air 以及更多运行 iOS 5.0 或更高版本的设备。

下载 iReaShare iPhone 管理器。

下载 Win 版下载 Mac 版

如何将 iPhone 上的完整短信对话复制到法庭？方法如下：

下载软件包后，在您的 Windows PC 或 Mac 上安装 iReaShare iPhone Manager。然后打开它，并使用 USB 数据线将您的 iPhone 连接到电脑。


程序会提醒您将 iPhone 设置为信任您的电脑。如果您想在电脑上访问 iPhone 数据，请选择“信任”。然后您将看到已连接的界面。

现在，在左侧面板中选择“邮件”，然后勾选所需的邮件或对话。接下来，点击“导出”并选择格式。然后将邮件保存到您的电脑。

第二部分：如何通过转发从 iPhone 复制短信

另一种复制重要短信的简单方法是转发。当您只需要将几条关键短信传输到其他设备或电子邮件帐户时，这种方法尤其有用。

以下是如何通过转发从 iPhone 复制短信的方法：

打开“信息”应用，找到并打开要复制的对话。长按其中一个信息气泡，直到出现菜单，然后点击“更多… ”。


每条消息旁边都会出现小圆圈。点击你想复制的所有消息旁边的小圆圈。


点击右下角的向前箭头（看起来像一个弯曲的箭头）。此操作会将所有选定的消息放入一个新的文本框中。


现在，将合并后的消息发送给其他联系人或您自己的电子邮件/号码。复制文本。长按新文本字段，选择“全选”，然后点击“复制”，将原始文本粘贴到“备忘录”或“邮件”等应用程序中。

提示：如果您想将iPhone 上的所有信息传输到安卓手机，该怎么办？如果是这样，您可以从本指南中找到解决方案。

第三部分：如何使用 Mac 在 iPhone 上复制整个短信对话

如果您同时拥有 iPhone 和 Mac，可以使用“连续互通”功能在两台设备之间无缝复制短信对话。借助此功能，您可以将 iPhone 上的信息同步到 Mac，并轻松复制它们。

如何在Mac上复制iPhone上的短信：

请确保 Mac 上的“信息”应用已登录与 iPhone 相同的 Apple ID，并且对话已同步。


在 Mac 上打开“信息”应用，然后选择所需的对话。向上滚动对话，直到加载完要复制的整个对话串。


单击对话文本区域内的任意位置。按键盘快捷键“ Command ”和“ A ”键，即可选择对话视图中的所有文本。


按下“ Command ”+“ C ”复制选中的文本。然后，按下“ Command ”+“ V ”将复制的文本粘贴到文字处理软件或备忘录应用中。复制的文本包含每条消息的名称和时间戳，保留了上下文。

第四部分：如何使用 iMessage Exporter 从 iPhone 复制 iMessage

虽然对普通用户来说不太常见，但 iMessage 导出器是一款专门的工具。它是一个托管在 GitHub 上的开源软件项目，主要用于导出 iMessage 和短信/彩信数据。然而，它对新手来说不够友好。

以下是如何使用 iMessage Exporter 从 iPhone 复制 iMessage：

打开终端应用程序。在 macOS 系统中，您可以在“应用程序”>“实用工具”中找到它。运行以下命令安装 Rust 和 Cargo：curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh.

按照屏幕提示操作（通常只需按 Enter 键即可继续进行标准安装）。您可能需要关闭并重新打开终端窗口才能使更改生效，或者运行提示的命令来配置当前 shell（例如，source "$HOME/.cargo/env")）。


使用 Cargo 安装 iMessage Exporter 工具：`bashcargo install iMessage-exporter`。如果您使用的是 macOS 系统，并且是第一次使用开发工具，系统可能会提示您安装 Xcode 命令行工具。


该工具会从默认的 iMessage 数据库位置 (~/Library/Messages/chat.db) 导出消息，除非您指定不同的路径（例如 iOS 备份）。


默认情况下，导出的文件会保存到您主目录下的名为 imessage_export 的文件夹中（~/imessage_export）。在 macOS 中查找该文件夹的方法如下：打开 Finder > 点击屏幕顶部的“前往”菜单 > 选择“前往文件夹” > 输入或粘贴默认路径：~/imessage_export。然后，点击“前往”。


每条对话都会生成一个单独的 HTML 或 TXT 文件。如果您使用了“ -f html ”选项，则可以双击这些文件在网页浏览器中查看。

第五部分：如何通过屏幕截图复制 iPhone 上的完整对话

对于需要视觉证据或只需要一张简单的图片的情况，截取一系列屏幕截图是一种快速、低技术含量的方法，可以准确地捕捉屏幕上显示的对话内容。

以下是指南：

在“信息”应用中打开对话。同时快速按下并松开“侧边”按钮和“音量增大”按钮。


屏幕左下角会出现一个预览缩略图。请在缩略图消失前立即点击它。


在打开的编辑界面中，找到顶部的两个选项卡：“屏幕”和“全页”。然后点击“全页”。现在您将看到捕获内容的全部长度，可以使用右侧的垂直滚动条进行滚动浏览。


由于全页截图篇幅较长，因此会保存为 PDF 文档，而不是标准图像。如果需要裁剪、绘制或注释 PDF，请使用标记工具。


之后，点击左上角的“完成”，然后选择“将PDF保存到文件”。最后，选择一个保存位置并点击“保存”。

第六部分：关于从 iPhone 复制短信的问答

Q1：我可以在我的 iPhone 上一次复制多条短信吗？

遗憾的是，iOS 不允许您一次性选择多条短信并全部复制。不过，您可以逐条复制，只需对每条短信重复相同的步骤即可。如果您想将多条短信保存在一起，不妨考虑使用“转发”功能将它们发送到其他应用，例如“备忘录”或电子邮件。

Q2：我可以使用 iTunes 或 iCloud 将 iPhone 上的短信传输到电脑上吗？

是的，您可以使用 iTunes 或 iCloud 将 iPhone 上的短信备份到电脑。但是，iTunes 会备份 iPhone 上的所有数据，而且它们都无法让您直接在电脑上查看短信。如果您想访问短信，可以考虑使用 iReaShare iPhone Manager。

Q3：我可以从 iPhone 保存短信而不丢失格式吗？

是的，您可以使用 iReaShare iPhone Manager 来保留格式，它允许您以可读格式（例如 HTML、TXT 和 CSV）导出信息，而不会丢失任何文本样式或详细信息。

结论

复制短信的最佳方法取决于您的目标。如果您需要结构化且有据可查的存档，强烈建议使用iReaShare iPhone Manager导出 PDF 文件。如果您只想快速复制选定的文本并粘贴到手机的其他位置，转发则非常方便。如果您使用的是 Mac，则使用 Mac 传输大量清晰易读的文本速度更快。选择合适的方法，即可轻松保存重要的手机对话。
​

作者：vivo BlueImage Lab

本文入选 ICLR 2026

ICLR （International Conference on Learning Representations）是聚焦机器学习与深度学习等领域的国际顶级学术会议，致力于推动人工智能理论与方法的前沿研究与创新发展。ICLR 2026 约19000篇投稿，接收率约28.18%。

项目主页：

https://github.com/vivoCameraResearch/any-to-bokeh

摘要：

针对视频散景制作常面临操作复杂、效果不自然等问题，难以满足创作者高效出片需求等问题，我们提出 Any-to-Bokeh 一键式视频虚化工具，对应的论文已被 ICLR2026 接收！该工具无需复杂操作无需专业操作即可生成电影感虚化效果。为短视频创作者、影视从业者提供了高效易用的创作工具，也为相关领域科研提供可参考的实践成果，助力 AI 视频编辑技术更贴近实用需求。项目代码与试用指南已公开至 GitHub，诚邀大家体验试用，欢迎 Star 支持并引用。

该工作由vivo BlueImage Lab，浙江大学共同完成。

在 AI 图像编辑领域，虚化效果（Bokeh）的实现早已不是难题——通过扩散模型，我们能轻松模拟专业相机的虚化质感，让普通图片瞬间提升氛围感。但当需求延伸到视频领域，挑战却陡然升级：现有工具要么无法精准控制对焦平面与虚化强度，要么直接套用图片虚化算法，导致视频出现明显的帧间闪烁、边缘过渡生硬等问题，难以满足高质量创作需求。

近日，我们团队发布了题为《Any-to-Bokeh: Arbitrary-Subject Video Refocusing with Video Diffusion Model》，为视频虚化难题提供了创新性解决方案，已正式被国际机器学习顶会 ICLR2026 接收。我们研发的这一框架，凭借独特的技术设计，实现了 “任意视频输入→高质量虚化输出” 的一步式转换，同时兼顾可控性与时间连贯性。

一、核心优势：解决视频虚化三大痛点

精准可控，效果自定义：

我们突破传统视频编辑工具的局限，支持显式控制对焦平面与虚化强度。无论是想突出画面主体、弱化背景干扰，还是调整虚化强度适配不同场景（如人像特写、风景延时），都能精准实现，满足多样化创作需求。

时间连贯，无闪烁无断层：

针对 “图片虚化扩展至视频” 的核心痛点，我们在框架中引入多平面图像（MPI）表示 —— 通过逐步拓宽的深度采样函数构建 3D 几何结构，为每帧的虚化合成提供统一的几何引导。再结合 Stable Video Diffusion 等预训练模型的强 3D 先验，从根源上解决了帧间闪烁、边缘模糊过渡不自然的问题，让长视频的虚化效果始终连贯统一。

鲁棒性强，细节不丢失：

我们采用渐进式训练策略，不仅提升了模型对不同场景、不同深度分布视频的适配能力（深度鲁棒性），还能在生成虚化效果的同时，精准保留主体细节。无论是动态人物、快速移动的物体，还是纹理复杂的场景，都能实现 “虚化自然、细节清晰” 的平衡。

二、技术逻辑：一步式生成的背后

Any-to-Bokeh 的核心创新在于提出了一种 “MPI 引导的单步视频扩散模型”：

• 输入任意视频后，模型先通过 MPI 构建场景的 3D 深度结构，明确不同区域的空间层级；
• 将 MPI 分层信息作为条件，输入单步视频扩散模型，结合预训练模型的 3D 认知，直接生成符合深度逻辑的虚化效果；
• 无需多步迭代，一步完成转换，兼顾效率与效果，让普通用户也能快速上手。

三、应用场景：覆盖多领域创作需求

无论是短视频创作者、Vlogger、自媒体人，还是专业视频剪辑师，都能从 Any-to-Bokeh 中受益：

• 日常 Vlog： 给生活记录视频添加电影感虚化，提升内容质感；
• 商业创作： 快速制作产品宣传视频、广告片，通过可控虚化突出核心卖点；
• 影视后期： 简化虚化效果制作流程，减少手动调整帧间一致性的工作量；
• 社交媒体内容： 让旅行视频、人像短片在社交平台更具视觉吸引力；
• 学术研究： 为视频编辑、扩散模型应用等相关方向提供技术参考与实践基础。

目前，我们的论文已在arXiv公开，项目代码与试用指南也已同步更新至 GitHub。

诚邀大家前往 GitHub 体验试用，若觉得工具实用、技术有参考价值，欢迎给我们点亮Star，也期待相关领域的科研同行引用我们的工作（论文引用格式可在 GitHub 查看）～ 你们的支持是我们持续优化技术的最大动力！

未来，我们也会不断迭代版本，解锁更多实用功能，让 AI 视频创作的 “氛围感自由” 惠及更多人。

持续关注我们的 GitHub 与论文进展，一起探索视频编辑的更多可能。

关于vivo BlueImage Lab

vivo BlueImage Lab（蓝图影像创新实验室）主要负责移动影像算法创新，持续突破移动影像的技术天花板。 该实验室的工作重点包括图像/视频处理、图像/视频交互、图像/视频增强、多模态理解大模型等方面的技术前沿探索。团队成员大多是来自国内外顶尖高校的博士，博士后，具有计算机视觉、图像处理、人工智能等相关领域的专业背景，拥有丰富的前沿技术创新经验。 他们致力于不断提升vivo移动影像的算法能力，使用户能够拍摄出更加清晰、美观的照片和视频。除了移动影像，他们也积极探索增强现实、具身智能等新兴技术领域的应用，努力为用户提供更加丰富和便捷的影像体验。

前言

OpenClaw 是一款开源的 AI Agent 工具，但对第一次接触的用户来说，完整跑通流程并不直观。本文以 Linux 环境为例，详细记录了 OpenClaw 的安装、初始化流程、模型选择、TUI 使用方式，以及 TUI 与 Web UI 认证不一致导致的常见问题与解决方法，帮助你最快速度把 OpenClaw 真正跑起来

环境准备

1）安装nodejs

curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash -
sudo apt install -y nodejs

> node --version
v22.22.0

2）安装openclaw

npm install -g openclaw@latest

> openclaw --version
2026.2.25

初始化openclaw

openclaw onboard --install-daemon

• 为了快速跑起来，先选择QuickStart

  

• 选择模型提供商，为了快速测试，这里直接选择Qwen方便快速跑通流程

  

• 选择完成之后，会在浏览器弹出登陆页面

  

• 有为老哥提出疑问：为什么没有支付宝或者手机之类的登陆方式呢？因为openclaw 作为一个开源工具，其默认的 Qwen 配置（qwen-portal）通常指向国际版 API，国际版显然没有支付宝、国内手机号直接登录等登陆方式，取而代之的是Google 账号、GitHub 账号等，如果没有账号，注册一个账号即可
• 选择Qwen也是因为门槛地，快速上手，国际版往往提供针对开发者的免费试用额度（如每天 2000 次请求）
• 后面可以换模型供应商，所以当前的目标是快速搭建并且跑通流程，所以选择Qwen。继续...

• 完成登陆之后回到控制台，选择具体模型，选择默认的即可

  

• 下一步，选择渠道，这里先跳过，因为这一步后面会详细描述，这里的目标还是先完成安装并且跑通

  

• 选择是否配置skills，是

  

• 同样，先跳过，后面再来配置

  

• 下面的全选否

  

• Set GOOGLE_PLACES_API_KEY for goplaces，是否要选择Google Places API 来查询现实世界中的地点信息（比如电影院、餐馆等），首先是不能使用google服务，并且不在我们本文的流程中，暂时不需要，选否
• Set GEMINI_API_KEY for nano-banana-pro，询问你是否要为名为 nano-banana-pro 设置 Google Gemini API 密钥，问题还是不能使用google的服务，选否。至于nano-banana-pro是什么东西，我也不知道...
• Set NOTION_API_KEY for notion?，配置notion的使用权限，notion是什么？Notion 是一款集笔记、文档、任务管理、数据库和协作于一体的“超级办公室”软件。用不上，选否
• Set ELEVENLABS_API_KEY for sag?，让openclaw说话，而不是只有文字交流，而说话的能力正是ElevenLabs赋予的，它提供的服务是目前行业内领先的文本转语音（Text-to-Speech, TTS）平台。其生成的语音非常自然、富有情感，听起来几乎和真人一样。不在当前流程，先选否

• 下一步询问你是否要启用 Hooks（钩子/插件），选择session-memory，让 AI “记住”之前的对话内容或项目上下文，即使你关闭了终端再重新打开，它也能延续之前的话题

  

• 到此基本配置已经结束，下一步问你怎么孵化小机器人，直接选择推荐的方式，使用tui（terminal ui）完成最后一步

  

• 这是终结者要来了吗？斯瓦辛格从天而将，并且bgm：”洞洞咚，懂冻，洞洞咚，懂洞咚“

  

斯瓦辛格能不能说中文阿？

• 能说中文啊，那就更简单了，现在需要告诉配置初始化一下这个机器人，就像星级穿越里面，男主重新配置TAS一样

  

• 配置完成，回归测试一下

  

安装完成

页面配置

为什么tui配置成功了，在webui却一直报错，因为tui和webui使用的是两套完全独立的认证系统

需要把token给应用在页面上就可以了

1）获取token

> cat ~/.openclaw/openclaw.json | grep -o '"token": "[^"]*"'
"token": "7da3f004ff2a1e700f229a87fb5ea12c150b37d58199295f"

2）将参数补充在页面上，token=7da3f004ff2a1e700f229a87fb5ea12c150b37d58199295f

注：如果访问http://127.0.0.1:18789/会有自动跳转，那使用&将参数补充在后面即可

页面也正常了，并且把之前在控制台的聊天记录也同步过来了

总结

本文在linux下实现了安装openclaw，并且完成了基本流程的搭建，至于后面发掘openclaw的更多功能，敬请期待

联系我

• 联系我，做深入的交流

至此，本文结束
在下才疏学浅，有撒汤漏水的，请各位不吝赐教...

在数据集成进入常态化运行后，Apache SeaTunnel 的升级往往不是“想升就升”。版本兼容、配置变更、插件调整，任何一步疏忽都可能影响生产任务。本文结合实际经验，梳理一份可落地的 SeaTunnel 2.x 升级指南，帮你把风险降到最低。

1. 升级前准备

1.1 环境检查

• JDK 版本：确认新版本 SeaTunnel 支持的 JDK 版本（通常推荐 JDK 8 或 JDK 11）。
• 依赖组件：检查 Hadoop、Spark、Flink 等依赖组件的版本兼容性。

1.2 备份（至关重要）

在开始升级之前，必须备份您现有的 SeaTunnel 安装目录和数据。

建议备份内容：

• 安装目录：整个 SeaTunnel 安装包目录。

• 配置文件 (config/)：

  • seatunnel.yaml / seatunnel-env.sh
  • hazelcast.yaml (SeaTunnel Engine 配置文件)
  • log4j2.properties (日志配置)
• Connector 和插件 (connectors/, plugins/)：已下载的第三方 JAR 包。
• 脚本 (bin/)：如果有自定义修改过的启动脚本。
• Checkpoint 数据：如果您启用了 Checkpoint，建议在升级前先停止任务，并手动触发一次 Savepoint 作为备份。但需要特别注意，2.3.12 之前版本生成的 Checkpoint/State 数据与新版本不兼容。
  因此，升级后如使用 -r 参数尝试从旧 Checkpoint 恢复，可能会直接启动失败。通常建议在升级完成后从零重新启动任务；如确有需要，可尝试基于 Savepoint 恢复，但不保证一定成功。

备份命令示例：

# 假设 SeaTunnel 安装在 /opt/seatunnel
# 1. 备份配置文件
cp -r /opt/seatunnel/config /opt/seatunnel/config_backup_$(date +%Y%m%d)

# 2. 或者备份整个目录（推荐）
tar -zcvf seatunnel_backup_$(date +%Y%m%d).tar.gz /opt/seatunnel

2. 下载新版本

2.1 获取新版本

• 官方下载：访问 Apache SeaTunnel 下载页面。

• 镜像加速与备用源：如果官方源下载慢或失败，可以使用以下备用地址：

  • Apache Archive (历史版本): https://archive.apache.org/dist/seatunnel/
  • Maven Central (二进制包): https://mvnrepository.com/artifact/org.apache.seatunnel
  • 清华大学开源镜像站: https://mirrors.tuna.tsinghua.edu.cn/apache/seatunnel/
• 验证完整性：下载 .asc 或 .sha512 文件，验证安装包的完整性，防止文件损坏。

# 示例：下载 2.3.x 版本
wget https://archive.apache.org/dist/seatunnel/2.3.x/apache-seatunnel-2.3.x-bin.tar.gz
tar -zxvf apache-seatunnel-2.3.x-bin.tar.gz

3. 迁移与配置

3.1 配置文件迁移

不要直接覆盖新版本的配置文件。建议使用 diff 工具对比新旧配置文件，将您的自定义配置迁移到新文件中。

• seatunnel.yaml: 检查 JVM 内存设置 (jvm_options)、类加载路径等。
• hazelcast.yaml: 检查网络配置 (network)、集群名称 (cluster-name) 等。确保新旧版本的集群通信端口不冲突（如果同时运行）。

3.2 依赖库迁移

将旧版本 lib/ 目录下手动添加的第三方 JAR 包（如 JDBC 驱动、Hadoop 依赖等）复制到新版本的 lib/ 目录。
注意：检查这些 JAR 包是否与新版本 SeaTunnel 冲突。

4. Connector 与插件升级

自 SeaTunnel 2.3.0 起，Connector 与引擎解耦。

4.1 安装新版 Connector

使用源码包中提供的脚本安装所需 Connector：

cd apache-seatunnel-2.3.x
# 查看支持的插件
sh bin/install-plugin.sh --help
# 安装指定插件
sh bin/install-plugin.sh connector-cdc-mysql,connector-console

或者手动从 Maven Central 下载对应的 JAR 包到 connectors/seatunnel 目录。

4.2 兼容性检查

务必检查 Connector 的版本兼容性矩阵。

JDBC / StarRocks / Doris 等 Connector：
大多数情况下，V2 Connector API 保持向后兼容。但请务必检查：

• Driver 版本：新版 Connector 可能依赖更新的 JDBC Driver。
• 数据库版本：确认 Connector 文档中声明支持的数据库版本范围。
• 配置项变更：查看 Release Notes 确认是否有废弃的配置项。

CDC Connector (MySQL / Postgres / Oracle 等)：
CDC 组件对数据库事务日志格式非常敏感。升级前请：

1. 确认新版 CDC Connector 支持您的数据库版本。
2. 注意是否需要更新服务端插件（如 Oracle LogMiner 配置或 Postgres 的 wal2json/decoderbufs）。

Paimon Connector 兼容性示例：
Paimon、Iceberg、Hudi 等数据湖组件由于深度依赖特定的文件格式和 API，因此对版本要求非常严格。

Iceberg Connector：
最新版本的 SeaTunnel 通常支持较新的 Iceberg 版本（如 1.6.1+）。

常用组件兼容性参考：

对于 Hadoop、Hive 等基础设施组件，SeaTunnel 提供了较广泛的兼容性，但仍需注意以下依赖关系：

5. 服务重启

5.1 停止旧服务

在停止服务前，请执行以下检查清单：

1. 确认运行中任务：检查是否有正在运行的关键任务。

   • 使用 ./bin/seatunnel.sh -l (Zeta 引擎) 查看运行任务列表。

2. 优雅停止：尽量使用 savepoint 停止任务（如果计划恢复），或等待批处理任务完成。

   • 停止所有 SeaTunnel Server 节点（如果是集群模式）。
3. 元数据备份：如果使用了外部元数据存储（如 JDBC 用于存储状态），请备份相关数据库表。

停止命令：

# 在所有节点执行
sh bin/stop-seatunnel-cluster.sh

5.2 更新环境变量

升级完成后，需要确保系统环境变量已指向新版本目录，否则可能仍然调用旧版本程序。

1. 更新 SEATUNNEL_HOME

如果使用独立安装目录（推荐新旧版本并存方式），请修改环境变量：

# 编辑环境变量文件
vim ~/.bashrc
# 或
vim /etc/profile

更新为新版本路径：

export SEATUNNEL_HOME=/opt/apache-seatunnel-2.3.x
export PATH=$SEATUNNEL_HOME/bin:$PATH

使其生效：

source ~/.bashrc
# 或
source /etc/profile

验证是否已切换成功：

which seatunnel.sh
echo $SEATUNNEL_HOME

确认输出路径为新版本目录。

2. 检查 Java 与引擎环境

如果新版本对 Java 或引擎版本有要求，请确认：

java -version
echo $JAVA_HOME
echo $SPARK_HOME
echo $FLINK_HOME

如有必要同步更新：

export JAVA_HOME=/path/to/jdk11

3. 集群节点一致性检查

在集群模式下，必须确保：

• 所有节点的 SEATUNNEL_HOME 指向相同版本
• 所有节点的 JAVA_HOME 版本一致
• 所有节点的 PATH 配置一致

可以在每个节点执行：

echo $SEATUNNEL_HOME

避免出现“部分节点已升级、部分节点仍为旧版本”的情况。

5.3 启动新服务

# 在所有节点执行
sh bin/start-seatunnel-cluster.sh -d

6. 验证与回滚

6.1 验证

运行一个简单的测试任务（如 fake source 到 console sink）验证核心功能。

sh bin/seatunnel.sh --config config/v2.batch.config.template -e local

检查日志 logs/seatunnel-engine-server.log 和 logs/seatunnel-engine-client.log 确保无异常。

6.2 回滚方案

如果升级失败或发现严重 Bug：

1. 停止新版本服务。
2. 恢复旧版本安装目录（使用之前的备份）。
3. 启动旧版本服务。
4. 验证旧版本服务是否正常。

7. 常见问题与注意事项

7.1 集群升级策略

Zeta 引擎不支持滚动升级（Rolling Upgrade）。
由于不同版本的节点间可能存在通信协议或序列化格式的不兼容，严禁在混合版本的情况下运行集群。

• 正确做法：停止所有旧版本节点 -> 升级所有节点 -> 启动所有新版本节点。

7.2 环境变量检查与修正

如果升级后出现异常（如启动脚本仍指向旧版本、命令版本不一致等），请重点排查：

1. 是否存在多个 SEATUNNEL_HOME 定义（如 .bashrc 与 /etc/profile 同时配置）。
2. 是否存在旧版本路径仍残留在 PATH 中。
3. 是否通过软链接（symbolic link）管理版本切换但未更新链接指向。

建议执行：

echo $PATH | tr ':' '\n' | grep seatunnel

确认仅包含新版本路径。

如使用软链接管理版本：

ln -sfn /opt/apache-seatunnel-2.3.x /opt/seatunnel

确保所有脚本与服务统一指向当前版本。

7.3 常见报错排查

• ClassNotFoundException / NoClassDefFoundError:

  • 检查是否忘记将旧版本的第三方 JAR 包（如 JDBC Driver）迁移到新版本的 lib 目录。
  • 检查 plugin_config 是否配置了正确的 Connector 名称。

• IncompatibleClassChangeError / NoSuchMethodError:

  • 通常是依赖冲突导致。检查 lib 目录下是否有重复的 JAR 包（例如同时存在 guava-27.jar 和 guava-30.jar）。

【USparkle专栏】如果你深怀绝技，爱“搞点研究”，乐于分享也博采众长，我们期待你的加入，让智慧的火花碰撞交织，让知识的传递生生不息！

一、前言与简述

1. 前言
“最终效果可见文尾”。

此篇文章主要是记录开发过程中的一些细节与踩坑，基础动画框架是复刻的ALS，技术方案来自刺客信条基于预测的FootIK。

自己实现过程中也参考了其他大佬的文章（链接放末尾），实现的方法可能存在很多问题，写法也不是很优雅。文章中一些步骤为制作过程记录，也有补录，可能存在顺序或制作内容和正常顺序有差别，有一些细节或者坑可能忘记了，还请见谅。

2. 简述

基于预测的FootIK通过预测角色的落点来计算即将行走的路径，从而通过IK更改脚步和盆骨来适配地形，相较于传统IK会更加灵活（当然也更复杂）。

总体步骤为：

• 准备脚步数据
• 预测脚步落点
• 计算Pelvis数据
• 计算脚步路径
• 计算脚步数据
• 应用数据

二、准备数据与预测

1. 数据准备
在此阶段我们需要在动作中添加一个曲线，通过这个曲线上的时间来告诉我们脚步还有多久会落下，但正如育碧所言：“Absolutely must be automated”，所以我使用的是UE的AnimationModifier来自动的生成曲线，在其中通过对动画信息进行采样，获取当前帧信息。

之后通过获取到的Foot高度（可以更加细致，比如加上脚尖，甚至旋转等）来判断是否为关键点，如果是就记录下来。这里我还开放了FootName和Height的阈值作为参数。

这里获取脚步位置没有直接的函数，需要GetAnimPosAtTime之后去GetBonePose获取，然后根据获取到的脚步落下与脚步抬起关键点来连成曲线。

这里找到落点其实很简单，但生成曲线还比较麻烦，要注意开始点和结束点的连贯，以及曲线应该改成线性。最后就可以得到自动生成的曲线。

2. 脚步预测
在开始之前我创了一个结构体，往里加入很多参数避免之后修改一次就要改函数输入，又要加一堆参数。

在PreDictFootLocation中，思路是通过我们之前生成的脚步落地曲线以及角色的移动速度来获取落点（除去黑框的内容）。

而其中黑框主要是来解决脚步相对位置的问题。

如果你只是一个动作，可以直接写死相对位置，但如果要应用到游戏中的各个动作，它的脚步相对位置会有差距，这个时候我最先想的是：那我实时计算脚步的位置不就好了？

但脚步会有在后面和在前面，比如落脚的时候不会跟随角色移动，如果用实时位置，那么预测的位置必定很不准确。所以我采取的做法是在落地时记录相对位置，然后用黑框中进行计算。

视频

而这其中的脚步落下是通过一个参数记录上一帧脚步是否落下，如果上一帧落下则更新，同理也可以得到脚步抬起时刻来获取信息。

例如在脚落下时记录脚相对位置，脚步开始位置设为当前脚步位置，上一次的结束位置等。这就是脚步开始位置，而结束位置是通过我们的BoxTrace实时得到的。

这里其实还有个小问题，就是预测的落点会有误差。在移动的时候会逐渐非常缓慢向角色靠近（可看下方视频慢放时）。这个虽然影响不大，但在脚步离台子非常近的时候会有抖动，目前这个问题找了动作、曲线、角色都没找到原因。就先不管了，最后画一画DebugShape就可以得到如下效果：

视频

三、计算Pelvis数据

1. Pelvis起始点与终点
来到Pelvis的计算，首先要获取两脚间的起始点位置（绿线）作为Pelvis计算的起始点和终止点：

这个开始点和结束点的切换是在脚步交错时进行，所以我就直接根据脚步的Y值谁更靠前来决定，当和上一帧不同时则为切换，这个时候更新双脚位置。

注意结束点要在脚落地时一直更新，因为我们之前提到了会有误差，那个落点会一点点向角色靠近，如果只取那一帧的会对不上，所以在脚落地时Pelvis的落点也要一直更新。

这里有些动作会在短时间内交叉两次（比如ALS的冲刺）导致错误，所以还需要对切换加上一个很小的冷却时间，这个时候我们就可以得到下面视频的绿色曲线：

视频

可以看到，我们在上下坡时Pelvis会随着碰撞体一直运动，但我们的预期是在上坡落脚时上升，和在下坡时边下坡边下降，所以首先要固定住Pelvis，之后再去加位移。

2. 上下坡
这里固定Pelvis我之前尝试过使用PelvisOffset‌去做，但是不知道是不是因为更新时机或顺序的问题，会延迟一帧，导致强烈抖动。

所以我最后采取的做法是直接Set角色保持Mesh的高度一直在StartPos处（黑框后面会说）。

此时就可以得到如下效果，可以看到我们角色是一直和开始点保持同样高度：

视频

之后就是处理我们的上坡和下坡的逻辑（平地可视为上坡下坡）来计算Pelvis Addtive Offset Target。

上坡是要落地后采样，并且在结束后Mesh会抬升到新的开始点，所以Addtive要变为0，不然会在原有基础再高一截。而且下坡则是要在没有落地时采样落地，因为脚步落地后，脚步可能还未交叉，开始点还未更新，所以要保持Addtive未最后一个点，不然在交叉腿时会抖。

现在我们知道了怎么计算，但是如何采样呢？这里提前计算了StartFootRate和EndFootRate（Rate这里我代指比例）。

之前尝试过用曲线值来采样，但是一直不准确，还有些其他问题就没用曲线。

先说EndFoot，它是用在下坡时采样。在脚步交错时，EndFoot其实已经抬起后运动了一段距离（下图左脚），通过记录交错时脚步到交错时脚步位置和到最后点位置（XY方向上的长度）的比例来设置。

对于StartFootRate则比较简单，因为交错时StartFoot是落地的，所以直接看到StartPos的距离和End的距离即可。

最后将Mesh偏移哪里的Addtive加上去，就有下面的效果：

视频

四、计算Foot路径数据

1. FootPath
计算过程很简单，就是从一直脚的开始和结束点作为初始点。

从开始到结束和结束到开始分别打射线，在检测到碰撞后再从顶上向下打BoxTrace找到碰撞点，这个时候把两个新的点作为下一次的开始点和结束点，直接没有发生碰撞，或者达到迭代次数上限，最后将所有点数依次组合起来 从开始点到结束点放进数组中。

得到这些点后，我们还需要准备一个数据，用于之后采样。

我们还需要知道脚步到何时需要这个点，此处曾尝试过预测曲线，但不精准有问题，最后采用的还是和上面Pelvis采样相同方法。

通过记录每个点到开始点的距离比例，记录下来，这样开始点是0，结束点是1，中间点介于0-1，最后就得到了FootPath记录点位世界坐标的数组和一个Foot Curve Vars的数组。

2. FootPath采样
计算完上述之后，我们需要知道角色当前取哪个点。

首先要确定角色的脚步位于哪两个路径点之间，就需要根据角色脚步到这一段路径的起始点和终点的距离比例来插值获取位置信息。

可以看到下图中白色小球就是我们采样的位置：

视频

五、应用Foot与更正IK问题

1. Foot
计对于Foot我们仍然要从脚当前位置向上和向下去打一条射线，通过碰撞点得到Trace的脚步位置。

将这个Trace的位置和我们的当前路径采样位置做比较，取更高的那一个，这样就能保证脚步不穿墙。

得到IK位置之后就需要计算偏移，这里要和地面的距离来算而不是脚步位置，否则脚步的动画运动细节会被IK覆盖掉。

最后对位置和旋转平滑一下即可，这个时候如果你运行起来，可以看到平地是基本正常，但上下坡你会发现很奇怪：

视频

所以我们需要在之后进行Pelvis的更正。

2. Pelvis更正
上坡时脚被压着很难受，是因为我们的Pelvis目前严格跟随我们的预测落点，所以在上坡时脚开始抬升前，它的高度并不会动（甚至坡度很抖会穿进去）。

所以我们需要给它一些额外的高度。

我采取的策略是让其不低于最低脚的偏移，这样上坡时就会正常。但是，如果当运动速度比较快，前脚抬的比较高也会有诡异情况，所以我们的Pelvis还要根据前脚的角度来进行一定的偏移，但是如果根据更高的脚来进行，对平地和下坡有一定影响，所以要进行一些处理。

3. 其他脚步问题修复
你以为这样就完美了吗？NO！NO！NO！

当你运行起来，你会看到如下现象：

这Twist怎么又坏掉了？

点开骨骼一看：

原来是我们之前将Mesh下拉，Root也下来了，身体部分随着Pelvis恢复正常，但Root并不会动，导致Knee出现问题，所以此时要对Knee也额外加上脚步的偏移。

这个时候基本就已经完成：

视频

六、融合其他运动状态

1. 不同状态的融合
这个PredictIK在奔跑走路时表现良好，但是如果你加上跳跃、停止等就会出现不可预料的问题。同时在角色刚刚起步时预测IK有些数据没有完全更新，其实是有些问题的，所以我选择在停步时候选择常规IK，而在空中取消IK。

此时你如果尝试着跑一跑，你就会发现下列问题：

视频

2. 奇怪的抖动
这里的抖动除了视频中跳跃之后的抖动，也有刚刚Play移动时候的抖动。

对于空中的抖动是因为在空中落地后是普通IK，没有更新Predict的FootLocation，导致它刚刚进入PredictFootIK时候脚步点还在起跳的地方，就会抖。

所以我的做法是在普通IK的时候也计算更新Foot的Locaton（就是文章开始的第二部分中的预测脚步），同时，如果是在上坡时起跳，会出现人物掉到了墙里，这是因为我们位移了Mesh，所以在切回去的时候没有Offset了，但Mesh位置没还原就会这样，所以在Reset要还原一下Mesh位置，但需要来个插值，不然会瞬移。

同时为了解决开始的抖动，还要Reset一下Pelvis的前后脚位置到Actor的位置（其实不准确，但用下来感觉没影响）。

3. 无法站立
在走到悬崖边缘时，可能出现两个脚的预测都没打到点，或者单脚会出现问题：

对于这个首先要在PredictFoot的时候，如果没预测到，就不要执行PredictFootIK，切回普通IK。但直接切回去会有些问题，还要重置一下IKOffsets。

4. 细节补充
相机我是把Z轴Lag调慢，抖动好很多。

七、待解决问题和最终效果

1. 最终效果
虽然还存在很多问题，但最终效果还是不错的：

视频

更新：在下楼梯时由于射线检测的高度没有设置够，会有时检测不到从而不触发PredictIK（演示视频中存在这个问题），可以通过增高范围解决，但是不宜过大。

2. 待改进问题
A. 对于上不去的坡，Pelvis虽然是落地才抬升，但是脚步会有一个最低的高度（我们预测的路径） 就会有奇怪现象。

这个问题想了一下要解决又要多出很多情况，是否考虑游戏中用一个自动跨上或者攀爬来解决？（有待商榷）

B. 在运动过程中也有很小的概率会脚乱飞，累了不想修了，毕竟小概率。

C. 预测脚步的落点有误差（前面提到过），所以脚步落在边缘是因为如果由于误差缩下来或者缩上去了会有一些抖动。

D. 在上下坡时，脚步切换过程中，起始点会变，所以Mesh高度会变。为了避免跳变我们是有个平滑，但是这个平滑会造成脚步有轻微的浮空，不慢放基本看不出来，就不管了。

参考文章：

Fitting the World: A Biomechanical Approach to Foot IK

《刺客信条》基于预测的FootIK方案分析与UE4实现

UE4实现基于预测的FootIK

这是侑虎科技第1952篇文章，感谢作者Shadow供稿。欢迎转发分享，未经作者授权请勿转载。如果您有任何独到的见解或者发现也欢迎联系我们，一起探讨。（QQ群：793972859）

作者主页：https://www.zhihu.com/people/shadow-21-71-4

再次感谢Shadow的分享，如果您有任何独到的见解或者发现也欢迎联系我们，一起探讨。（QQ群：793972859）

一、我们真的把神策数据迁进来了
仅需要1个开发、几天时间，就能把多年神策数据完整迁进了ClkLog，并且还能继续分析。

很多团队在考虑更换埋点分析系统时，都会卡在同一个问题上：
历史数据怎么办？能不能导出来？导过来之后，还能不能继续用？
这一次，我们给出了一个确认的答案：可以。

二、一次成功的数据迁移：5天迁完3年数据，零丢失
前段时间，我们帮一家已经使用主流埋点分析系统（神策）3 年多的用户，完成了一次完整的数据迁移。
全程通过ClkLog数据迁移工具，将用户原系统的历史数据完整迁移到ClkLog中，并实现了迁移后数据的正常分析使用。

迁移实施场景如下：

• 1 个开发
• 5 天时间（实际工作量可能会有偏差）
• 3 年历史数据
• 数据量：804万事件数据、381万用户数据
• 迁移后可在ClkLog 中直接查询、做分析、跑模型、继续服务业务

通过本次迁移案例，我们可以相信，使用ClkLog数据迁移工具可以快速、稳定、安全的完成神策历史数据迁移，且确保数据可以继续使用。

三、为什么用户一定要迁移？
在最初沟通中，用户的需求其实非常明确：

• 已经使用成熟的用户行为分析产品多年
• 数据量大，事件和用户标签体系完善
• 需要重新评估分析系统的架构、部署方式和成本
• 新系统是否支持数据迁移，成为重要选型条件之一

一旦换系统就清空历史数据，是不可接受的。

四、数据迁移的难点不是“导数据”，而是“导完还能分析”
很多人以为数据迁移是：“导出 → 导入”，但在用户行为分析里，真正的难点在于：

• 事件模型差异：
  不同系统的事件结构、属性体系、用户标识规则不统一，需要先对齐。
• 用户ID还原：
  ID不匹配会导致留存、漏斗、行为链路完全失真。
• 分析能力保持一致：
  迁移后的数据必须能继续支持常用分析模型，保证结果不偏差。

如果这些问题处理不好，数据虽然迁过来了，但已经无法支撑业务分析

五、我们是如何设计这次迁移方案的？
正是在这次真实迁移过程中，ClkLog 对数据迁移方案进行了系统化设计。
这次迁移实现了：埋点不变、代码不动、分析不断、历史数据可延续。
* 原有客户端埋点代码无需修改
只需将数据采集服务地址切换到ClkLog采集服务，即可无缝接入实时数据上报。
* 历史数据可直接在ClkLog平台使用
迁移完成后，运营和产品团队可在ClkLog分析平台直接查询、分析和可视化历史数据，实现新旧系统之间的平滑过渡。

六、这件事意味着什么？
这次迁移，我们验证了一件很关键的能力：
数据不是被“锁死”的，是可以迁移、延续、复用的

对于正在评估替换分析系统的团队来说，这意味着：

• 不需要从 0 开始
• 不需要放弃历史数据
• 不需要重建分析体系

可以“带着过去”，走向新系统

如果你正在考虑替换分析系统，也欢迎来聊聊你的场景，我们可以一起评估迁移方案
后续我们还将继续整理迁移的常见问题，供大家参考

在电商运营和社交媒体管理中，很多专业人士都会遇到这样的问题：同一个平台需要管理多个账号，但频繁登录容易被平台封禁或限制功能。这时候，动态代理IP就成为高效、多账号运营的关键工具。本文IPDEEP小编将为大家详细分析如何高效使用动态代理IP，实现多账号管理。

一、什么是动态代理IP？

动态代理IP是一类地址会定期自动更换的代理服务。与静态IP不同，每次访问网站时，你可能会使用不同的IP，从而减少被识别为同一用户的风险。

特点：

1.频繁切换：可以快速更换IP，避免封号或限流。

2.高匿名性：隐藏真实IP，保护账号安全。

3.适用广泛：适合电商、社媒运营、广告验证和数据采集等场景。

二、为什么动态代理IP对多账号运营至关重要

在实际运营中，多账号管理常常会遇到以下问题：

1.数据采集受限：如果使用单一IP访问电商平台或社媒，采集量和频率都会受限。

2.账号容易被封禁：平台会检测同一IP的多次登录，异常操作容易触发封号。

通过动态代理IP，每个账号都可以分配不同的IP或定期切换IP，从根本上降低被识别风险，提高账号安全性和操作效率。

三、如何高效使用动态代理IP？

1.选择高质量代理IP服务

稳定性：IP必须可持续使用，避免频繁掉线

切换速度：能够快速切换IP，支持批量操作

覆盖范围：多城市、多运营商节点可以适应不同业务场景。

2.根据业务需求选择IP类型

动态住宅IP：适合社媒管理和电商多账号登录，频繁切换更安全。

移动代理IP：适合需要模拟手机端访问的平台，增加操作自然性。

数据中心IP：适合大规模采集数据或批量任务，但注意平台风控。

3.合理规划使用频繁

不要频繁在短时间内切换IP，模拟自然访问行为

根据平台规则调整登录频率和操作节奏

动态代理IP可以结合自动化切换策略，提高效率又安全。

四、总结

动态代理IP是多账号运营中不可或缺的工具。正确使用高质量的动态代理IP，不仅可以降低封号风险，还能够提高数据采集和操作效率。

核心策略：

选择稳定、覆盖广的代理IP服务

分配独立IP给每个账号

结合浏览器环境隔离

控制访问频率，模拟自然行为

掌握这些方法，电商和社媒运营将更加高效、安全，轻松管理多个账号而不被平台限制。

面试精灵和Offerin在功能丰富度上都做得不错，但如果你仔细用下来，会发现两者的设计思路不太一样。

面试精灵更聚焦核心的面试辅助功能，在关键环节上做深做透；Offerin提供极速模式、精确模式和Coding模式三种选择，想覆盖更多使用场景。

功能特性对比

根据我们对AI面试助手的全面评测，以下是面试精灵和Offerin的功能特性对比表格：

功能模式对比

Offerin的三种模式

• 极速模式：基于GPT-4，秒级响应，适合需要快速反应的场景。
• 精确模式：自动联网搜索，确保答案基于事实，避免误导。
• Coding模式：一键生成代码，专门应对算法题和编程面试。

这种多模式设计看起来很全面，但实际使用时需要根据问题类型手动切换，对面试场景来说可能不够流畅。

面试精灵的专注点

面试精灵没有区分多种模式，而是通过智能判断来适配不同问题。它支持上传简历和职位需求，根据这些信息来定制回复。系统会自动识别问题类型，给出相应的回答结构。

这种方式减少了用户的操作负担，面试时不用去想该用哪个模式，专注回答问题就行。

核心能力对比

语音识别和说话人区分

两款工具在语音识别上都能正常工作，但面试精灵有个独特功能——自动说话人识别。

面试精灵结合声纹识别和大语言模型，自动区分哪些语句来自面试官，哪些是你说的。这个功能在跨设备使用时特别有用，一台设备识别面试官问题并自动回复，隐蔽性更强。

Offerin需要用户自己通过双端协同来处理这个问题，或者手动触发回复，操作上会多一步。

回复个性化程度

这是面试助手最重要的能力之一。从评测结果来看，两款工具的表现差异比较大。

Offerin在简历相关问题上的表现不太理想。实测中，它生成的答案经常出现占位符，比如"请在这里填写你的项目经历"，没有真正利用简历信息。

面试精灵在这方面做得更好。它通过RAG技术检索简历内容，能把项目细节、技能要求这些信息自然地融入回答。自我介绍、项目描述这类问题的回答更贴切，也更像求职者自己的语言。

时效性问题

对于"DeepSeek最近很火爆"这类时效性问题，两款工具的处理方式不同。

Offerin支持联网搜索，理论上应该能回答这类问题。但实测中，它的回复质量不稳定，有时检索不到准确信息。

面试精灵同样支持联网搜索，而且在英文术语识别上表现更好。比如"DeepSeek"这个词，很多语音识别工具会识别错误，但面试精灵能较好地纠正，联网后给出正确答案。

界面和显示效果

Offerin的界面美观度不错，整体设计比较精致。

面试精灵的界面也很干净，而且在复杂内容显示上有优势。LaTeX公式、流程图、泳道图、代码块都能完美呈现。这对技术面试很有用，系统设计题的架构图、算法题的代码都能清晰显示。

笔试功能对比

两款工具都支持笔试辅助。

Offerin需要安装客户端，然后通过客户端的远程截图功能来协助笔试。它声称有八个AI助手协助破解笔试题，但依赖客户端增加了使用门槛。

面试精灵的笔试助手纯网页操作，通过多设备互联实现远程截图。视觉大模型自动识别题目并生成答案，无需安装任何东西，设置也更简单。

价格对比

价格是很多人会考虑的因素。

Offerin大约118元/小时，是同类产品中价格较高的。

面试精灵基础版约10元/小时，精英版约25元/小时。就算用最高配置，价格也只有Offerin的几分之一。

两款工具都有免费额度，可以先试用再决定。

回复效果实测对比

为了更直观地展示两款工具的回复效果差异，我们来看具体案例。

实测案例：自我介绍问题

问题："请你先简短做个自我介绍吧。"

这个题目测试的是RAG检索增强生成的个性化回复效果。

面试精灵的回答能够准确引用简历中的具体信息，按照"基础信息-技能-项目-动机与胜任"的结构组织，内容完整且贴切。回复质量评分在内容深度、沟通技巧、准确性、全面性、直观性等维度上都获得了满分。

Offerin在本题中表现不理想，生成的答案经常出现占位符，比如"请在这里填写你的项目经历"，没有真正利用简历信息，回复内容空洞。

实测案例：时效性问题

问题："2025年至今发布的最重要的一个AI大模型是啥，请简要说明它的特点和应用场景"

这个题目测试的是联网检索增强回复效果。

面试精灵通过联网搜索，正确找到了2025年上半年最火的大模型Deep Seek，并给出了准确的特点和应用场景说明。

Offerin虽然支持联网搜索，但实测中回复质量不稳定，有时检索不到准确信息，无法正确回答这类时效性问题。

评测数据对比

以下是两款工具在各评测维度的平均得分对比（满分5分）：

从评测数据可以看出，面试精灵在帮助性、内容深度、准确性等方面有明显优势，特别是在利用简历信息和联网搜索的能力上差距较大。

总结和建议

两款工具在功能完善度上都称得上是同类产品中的佼佼者，但各自的侧重点不同。

如果你喜欢功能细分、操作自定义程度高的工具，Offerin的多种模式可能适合你。不过要注意它的价格相对较高，简历定制化效果一般。

如果你更看重面试过程中的流畅体验和回复质量，面试精灵可能更合适。自动说话人识别减少了操作负担，简历定制化让回答更个性化，价格也更实惠。

从整体评测数据来看，面试精灵在帮助性、内容深度、准确性等方面有明显优势，特别是在利用简历信息和联网搜索的能力上表现突出。结合其高性价比，面试精灵可能是更符合大多数求职者需求的选择。

2026中国国际音频产业大会（GAS）将于2026年3月25日-26日在上海张江科学会堂盛大召开。

本届大会将以 “声态+AI” 为主题，重构声音产业价值链，共创声学智能新时代。

强势集结的分享阵容

自首批分享阵容公布以来，2026中国国际音频产业大会持续获得产业界与学术界的广泛关注与积极响应。

近日，又有一批头部企业及顶尖高校正式确认参会，为本届大会注入更强大的行业势能与学术厚度。新成员的加入，不仅让本届大会的产业版图更加完整，也进一步强化了产学研深度融合的鲜明特色。

以下为截至2026年2月26日的分享单位名单：

北京声智科技有限公司

北京梧桐车联科技有限责任公司

博音听力技术（上海）有限公司

玻音先创科技股份有限公司

COMSOL 中国

迪拉科技术（上海）有限公司

Fraunhofer-Gesellschaft

Futuresource Consulting

复旦大学

歌尔股份有限公司

GPU Audio

广州趣丸网络科技有限公司

海德声学（上海）科技有限公司

杭州海康威视数字技术股份有限公司

华东理工大学

华为终端有限公司

环旭电子股份有限公司

吉利汽车研究院（宁波）有限公司

江淮汽车技术中心

科大讯飞股份有限公司

科利普技术(广州)有限公司

旷世科技有限公司

岚图汽车科技股份有限公司

楼世电子（上海）有限公司

马栏山音视频实验室

南京大学

奇瑞汽车股份有限公司

瑞声科技控股有限公司

上海大学

上海海思技术有限公司

上海交通大学

上海蔚来汽车有限公司

深圳传音控股股份有限公司

深圳市韶音科技有限公司

深圳市天键智能有限公司

Smart软件科技有限公司

苏州清听声学科技有限公司

索尼中国有限公司

腾讯

Treble Technology

网易云音乐

西安音乐学院

星海音乐学院

长城汽车股份有限公司

中国传媒大学

中国科学院声学研究所

......

以上企业排名无先后，按名字首字母排序

更多演讲名单持续更新中......

全面覆盖的热点议题

融媒体音频

智能眼镜

智能车载音频

音频+AI

智能耳机及辅听技术

线上智能交互

声音与音乐技术

电声元器件及芯片

同期活动，亮点纷呈

标准制定及宣贯

大会将启动行业白皮书及相关标准宣贯，以引领行业升级，为企业战略转型与实践提供指南，助力优质企业制胜新赛道、推动行业迈上新台阶。

音频技术快闪

一场专为技术控、开发者、产品经理和发烧友打造的硬核科技派对。

科创评奖

大会再次推出2026年度GAS消费电子科创优秀案例，设立 “技术创新优秀案例” 和 “产品创新优秀案例” 两大权威分项，以表彰创新标杆、推动行业可持续发展。

声学体验

大会现场设有声学技术展示区、互动体验区及整车试听体验区，全方位呈现声学科技的突破，共同探索未来发展方向。

线上直播

GAS 2026全球同步直播，线上线下无缝对接，共同探索音频产业的未来蓝图。

报名通道

重构声音产业价值链，共创声学智能新时代！

——2026中国国际音频产业大会

报名方式1：扫描二维码购票参会

报名方式2：填写报名表，直接转账

您可以持续关注微信公众号（声光界、中国电子音响行业协会），以获取最新的大会信息及优惠策略。

往期精彩回顾

声态+AI ｜2026中国国际音频产业大会（GAS）今年3月举办

荣誉揭晓！GAS2026消费电子科创优秀案例获选名单正式公布

阅读更多 Voice Agent 学习笔记：了解最懂 AI 语音的头脑都在思考什么

编程面试准备需要充分的技术积累和练习。我们评测了面试精灵和面试通两款AI面试工具，帮助程序员提升面试成功率。

我们最近测试了两款热门的AI面试工具，面试精灵和面试通在求职圈都有不错的口碑。这两款工具都能在面试过程中实时识别问题并给出回复，但经过深入对比后发现它们在多个方面存在明显差异。

我们先为大家介绍一下这两款工具的基本情况：面试精灵支持超长上下文处理，主打自动说话人识别和跨设备隐蔽操作功能；而面试通则采用GPT-4o及自研模型，强调双端协同的使用体验。两款工具都无需下载客户端，直接通过网页端即可使用。

功能特性对比

根据我们对AI面试助手的全面评测，以下是面试精灵和面试通的功能特性对比表格：

核心功能对比

面试功能

两款工具都支持面试场景，但实现方式略有不同。

面试通支持腾讯会议、飞书、牛客网、电话面试等多种场景。它通过语音输入标签页自动识别和回复，操作相对直观。双端协同是个亮点，一台设备进行面试，另一台设备接收帮助信息，隐蔽性不错。

面试精灵在多端协同的基础上更进一步，支持自动说话人识别。这意味着系统能自动区分哪些是面试官说的话，哪些是你说的，不需要手动操作。它同样适配所有在线面试场景，隐蔽性更强。面试记录可以长期保存，方便复盘分析。

回复效果

这才是面试助手最关键的指标。根据zhichangdafei的实际评测数据显示，两款工具在回复效果方面差异比较明显。

面试通整体表现中规中矩，在常见技术问题、系统设计题上能给出合理的回答。但它的回复模式相对单一，内容深度和个性化程度一般。内置知识更新到2023年，对较新的技术趋势不太了解。

面试精灵在这方面投入更多。它支持上传简历和职位需求，利用这些信息来定制化回复。实测中，面试精灵在简历相关问题上的回答更贴切，能准确引用简历中的项目经历和技能点。对时效性问题，比如2025年新出的AI模型，面试精灵能通过联网搜索给出正确答案，而面试通的知识库无法覆盖这类内容。

笔试助手

两款工具都提供笔试辅助功能。

面试通需要在一台电脑上打开桌面客户端，另一台电脑打开网页端进行远程截图。这种方式要求用户安装客户端，多了个操作步骤。

面试精灵的笔试助手纯网页操作，通过多设备互联实现跨设备远程截图。无需下载安装APP，设置也更简单。视觉大模型自动识别题目并生成答案，隐蔽性不错。

价格对比

价格是大家普遍关心的一个重要因素。

面试通的定价约为56元每小时，这个价格在同类AI面试工具中属于中等水平。

面试精灵基础版价格约为10元每小时，若开启精英版功能（如极限大模型、双栏模式等），则约需25元每小时。即使按照最高配置计算，面试精灵的价格仍然比面试通低很多。

两款工具都为新用户提供了免费试用额度，大家可以先体验后再做决定。

界面和操作体验

面试通的界面设计比较朴素，美观度一般。操作逻辑还算清晰，但部分功能入口不够直观。

面试精灵的界面更现代化一些，代码块、公式、图表等复杂内容的显示效果更好。前端页面支持LaTeX公式、流程图、泳道图，对技术岗位的面试者更友好。

回复效果实测对比

为了更直观地展示两款工具的回复效果差异，我们来看一个具体案例。

实测案例：自我介绍问题

问题："请你先简短做个自我介绍吧。"

这个题目测试的是RAG检索增强生成的个性化回复效果。

面试精灵的回答能够准确引用简历中的具体信息，按照"基础信息-技能-项目-动机与胜任"的结构组织，内容完整且贴切。回复质量评分在内容深度、沟通技巧、准确性、全面性、直观性等维度上都获得了满分。

面试通在本题中表现一般，虽然能给出基本框架，但对简历信息的利用不够深入，回复内容略显空泛，个性化程度有限。

实测案例：时效性问题

问题："2025年至今发布的最重要的一个AI大模型是啥，请简要说明它的特点和应用场景"

这个题目测试的是联网检索增强回复效果。

面试精灵通过联网搜索，正确找到了2025年上半年最火的大模型Deep Seek，并给出了准确的特点和应用场景说明。

面试通由于知识库更新滞后（只到2023年），无法回答关于2025年新事物的问题，回复内容过时。

评测数据对比

以下是两款工具在各评测维度的平均得分对比（满分5分）：

从评测数据可以看出，面试精灵在大部分维度上都有明显优势，特别是在帮助性、准确性和直观性等方面。

综合建议

选择哪款工具，要看你更看重什么。

如果你注重面试过程的隐蔽性，面试精灵的自动说话人识别功能确实能减少手动操作的风险。对技术面试来说，面试精灵的代码、公式显示效果更好，回复内容也更有针对性。此外，面试精灵的性价比优势明显，即使使用最高配置，成本也远低于面试通。

如果你预算相对宽松，主要应对常规面试问题，面试通也能满足基本需求。

从我们的整体评测数据来看，面试精灵在帮助性、准确性、内容深度和性价比等方面的表现更为突出。如果你的面试场景对这些方面要求较高，面试精灵可能是更合适的选择。

对于程序员来说，面试准备需要大量的技术积累和练习。通过我们的对比分析，面试精灵在技术面试场景下表现更出色，尤其是在代码和公式的显示效果方面。

AI面试 #编程面试 #面试准备

⚙️ PostgreSQL 技术文章

🧩 Autobase 2.6.0 发布

Autobase 2.6.0 引入了蓝绿部署工作流程，可实现 PostgreSQL 升级的近零停机时间。该流程包括使用 Patroni 备用集群部署克隆集群，通过物理复制同步数据，在目标集群上自动升级 PostgreSQL，将其转换为逻辑副本，并在切换前持续接收实时变更。流量切换在几秒内完成，回滚同样快速且无数据丢失，通过反向逻辑复制实现。Autobase 是云托管数据库的开源替代方案，可自动化部署、故障转移、备份、升级和扩展，为高可用性 PostgreSQL 集群提供支持。

https://www.postgresql.org/about/news/autobase-260-released-3...

🧩 MarketReader 如何使用 TimescaleDB 处理每分钟 3M 笔交易以提供美国市场交易洞察

MarketReader 是一家金融科技初创公司，使用 TimescaleDB 每分钟处理 300 万笔来自美国股票市场的交易，提供实时市场洞察。该公司从 NASDAQ 获取数据，涵盖 26000 只上市和 OTC 证券，通过 API 和 WebSocket 每十分钟向客户提供 700 次更新。他们的架构使用 Tiger Data 的 TimescaleDB 进行时间序列分析，结合 hypertables 实现自动分区、continuous aggregates 进行统计分析，以及通过 pgvector 实现向量搜索功能。该系统实时检测异常市场波动，为大型语言模型提供上下文以生成市场解释，服务于包括零售券商和机构投资者在内的客户。

https://www.tigerdata.com/blog/how-marketreader-processes-3m-...

🧩 INSERT ... ON CONFLICT ... DO SELECT: PostgreSQL v19 中的新功能

PostgreSQL v19 引入了 INSERT ... ON CONFLICT ... DO SELECT，这是现有 ON CONFLICT 子句的新变体。此功能允许带有 RETURNING 的 INSERT 语句在发生冲突时选择现有行，而不仅仅是什么都不做或更新。语法支持可选的行锁定和 WHERE 条件。当表具有生成列、触发器或修改插入值的数据类型时，此功能特别有用，因为它消除了需要单独的 SELECT 语句来从冲突行检索 ID 或其他生成值的需求。该功能补充了现有的 DO NOTHING 和 DO UPDATE 选项，提供了完整的 upsert 解决方案，避免了 MERGE 语句可能出现的竞态条件。

https://www.cybertec-postgresql.com/en/insert-on-conflict-do-...

🧩 Pg_QoS v1.0.0 稳定版已发布！

Pg_QoS v1.0.0，一个用于 PostgreSQL 服务质量资源治理的扩展，已发布稳定版本。该扩展使管理员能够通过 ALTER ROLE/DATABASE SET 命令执行按角色和按数据库的限制。主要功能包括通过将后端绑定到特定核心来限制 CPU 使用，并为并行工作进程提供规划器集成，跟踪和限制并发事务与语句，work_mem 会话限制，以及使用共享 epoch 机制的快速缓存失效。这有助于在同一 PostgreSQL 实例上运行的不同工作负载之间实现公平的资源分配。该扩展需要 PostgreSQL 15 或更高版本，CPU 限制功能需要 Linux。原生软件包适用于 Debian 13、Ubuntu 24.04、RHEL 10、AlmaLinux 10 和 CentOS Stream 10，覆盖所有支持的 PostgreSQL 版本。

https://www.postgresql.org/about/news/pg_qos-v100-stable-rele...

📨 PostgreSQL Hacker 电子邮件讨论精选

🧩 不要在读取流中同步等待已进行中的 IO

Melanie Plageman 正在开发一个补丁来改进读取流行为，通过不同步等待已在进行中的 IO 操作。讨论重点是代码审查反馈和测试改进。Nazir Bilal Yavuz 发现了一个错误，测试总是使用'worker' io_method 而不是预期的方法变量。Peter Geoghegan 建议将 ProcessBufferHit 设为内联函数以提升性能，特别是对于缓存的仅索引扫描。Melanie 在补丁 v4 中解决了这些问题，根据反馈将 ProcessBufferHit 重命名为 TrackBufferHit。她还审查了 Andres 的测试补丁，并对重复块和外部 IO 场景的测试用例提供了详细评论。关于是否应该将一些测试代码从 test_aio.c 移到 test_read_stream.c 的问题仍待解决，因为外部 IO 测试可能更多是关于 AIO 行为而非读取流功能。

https://www.postgresql.org/message-id/CAAKRu_ZM1epxTdt2=4-g4f...

🧩 修复 multixact Oldest*MXactId 初始化和访问中的错误

讨论跟进了最近推送的一个与 OldestMemberMXactId 初始化和预备事务处理相关的 multixact 错误修复。Sami Imseih 建议添加一个测试用例来验证对预备事务虚拟进程的正确处理，因为添加的断言不会覆盖这种情况。Yura Sokolov 支持为已修复的错误添加测试。Heikki Linnakangas 创建了 Sami 复现案例的简化版本，不需要并发会话，并将其移至主回归测试套件的'prepared_xacts'测试中。Tom Lane 建议了一个不相关的改进，通过在禁用预备事务时添加早期退出来减少 prepared_xacts_1.out 的维护工作。Heikki 同意并为此优化提供了补丁，计划将其反向移植到所有支持的版本，以便于将来的测试反向移植。

https://www.postgresql.org/message-id/120550bf-ca50-4a07-91b1...

🧩 使用 rdtsc 降低 EXPLAIN ANALYZE 的计时开销？

Lukas Fittl 提交了 RDTSC 补丁的 v10 版本，用于减少 EXPLAIN ANALYZE 的时序开销。更新版本根据反馈将 CPU 特性检测移至 pg_cpu_x86.c，添加了 TSC 不变位检查，并通过 MSR 读取支持 HyperV 虚拟机管理程序。他修改了默认 TSC 选择逻辑以匹配 Linux 内核行为，在 4 个或更少插槽的系统上当不变位和 TSC_ADJUST 位被设置时启用 TSC。补丁改为使用编译器内建函数处理 RDTSC/RDTSCP，避免了使编译时间翻倍的昂贵头文件包含。两个悬而未决的问题仍然存在：为用户实现更好的 TSC 错误报告，以及 RDTSCP 是否需要 LFENCE 指令来确保准确性。Andres Freund 对 HyperV 支持的 MSR 访问提出了安全担忧，建议从 sysfs 读取 CPU 频率等替代方案，尽管 Lukas 指出在 Azure VM 上 TSC 频率与 CPU 频率不匹配。

https://www.postgresql.org/message-id/CAP53Pkw6BuGCig3iDfDkh1...

🧩 消除 xl_heap_visible 以减少 WAL（最终设置 VM on-access）

这个线程讨论了 Melanie Plageman 的 v35 补丁系列，用于消除 xl_heap_visible WAL 记录并实现访问时可见性映射更新。补丁涉及几个关键领域：将常用的剪枝上下文移至 PruneState，为已冻结页面添加快速路径，使用 GlobalVisState 进行页面级可见性确定，在查询执行期间跟踪修改的关系，以及允许访问时剪枝将页面设置为全可见而无需冻结。

Andres Freund 提供了关于性能考虑、VM 损坏处理和代码结构的详细技术反馈。他质疑 VM 缓冲区固定的时机，建议通过为冻结页面添加快速路径来改进剪枝性能，并讨论冲突范围计算。讨论涵盖何时检查 VM 损坏、是否始终跟踪可见性截止点，以及不同扫描类型的优化策略。

Chao Li 开始审查 v35 补丁，重点关注代码组织和 Assert 语句。Melanie 通过重构代码、在 heap_page_prune_and_freeze()开始时添加损坏检查、为全可见页面实现快速路径以及始终跟踪最新活跃 XID 来解决反馈。她在 v35-0017 中发现了一个严重错误，其中 rel_read_only 参数逻辑被颠倒了，计划在 v36 中修复。

https://www.postgresql.org/message-id/CAAKRu_a1V7TUUYM7qO2c5Z...

🧩 在发布中跳过架构更改

讨论重点关注 PostgreSQL 发布功能中 EXCEPT TABLES 特性 v54 补丁的改进。Amit Kapila 提出了几个小意见，包括为发布名称分隔符添加翻译注释，质疑变量命名选择，建议将测试文件从 037_rep_changes_except_table.pl 重命名为 037_except.pl 以支持未来语法变化，以及要求检查有关 ALTER PUBLICATION 支持的注释准确性。Shveta Malik 同意这些建议并指出了一个语法错误。Nisha Moond 发现了一个 bug：分区描述错误地显示它们被排除的发布名称，测试代码中使用订阅名称而非发布名称的错误，拼写错误和格式问题。Shlok Kyal 回应了所有反馈并发布 v55 补丁，确认修复了分区显示问题、测试代码更正、拼写错误，并采纳了之前审查者的建议。

https://www.postgresql.org/message-id/CAA4eK1+2mL0N8iUdNTr1ba...

🧩 流式复制和 WAL 归档交互

Andrey Borodin 重新提起了一个关于 PostgreSQL 共享归档模式的老讨论，以解决数据中心故障期间 WAL 归档缺失的问题。该问题出现在 HA 设置中，当主服务器故障时 - WAL 文件可能已流式传输到备库但在归档中缺失，导致 1-2% 的集群出现 PITR 时间线缺口。当前的解决方案如 archive_mode=always 配合 WAL-G 等工具由于解密和比较开销而成本高昂。Borodin 提出了一种"共享"归档模式，其中备库保留 WAL 直到归档完成，该方案融合了 Heikki 原始补丁和 Greenplum 工作的思想。三部分补丁集包括带测试的重新基线、时间线切换改进以及 archive_status 目录扫描优化。Jaroslav Novikov 添加了缺失的参考文献以支持讨论。

https://www.postgresql.org/message-id/F02ECB2F-0FA9-432F-8E53...

🗞️ 行业新闻

🧩 Claude Code 推出语音模式功能

Anthropic 宣布在 Claude Code 中推出语音模式，这标志着 AI 编程辅助领域的重要进展。这一新功能允许开发者使用语音命令与 Claude Code 进行交互，通过实现免手操作的编程和调试来提升编程体验。语音功能代表了 Anthropic 在 AI 编程领域更有效竞争的努力，该领域的公司正越来越多地致力于让编程工具更加易用和直观。此次推出展现了将语音界面集成到开发工具中的增长趋势，可能会让偏好语音交流而非传统文本交互的开发者提高编程效率。

https://techcrunch.com/2026/03/03/claude-code-rolls-out-a-voi...

🧩 上个月，仅有三家公司主导了 189 亿美元的风险投资

根据 Crunchbase 数据，2026 年 2 月全球风险投资向初创公司投入了创纪录的 1890 亿美元，其中人工智能公司获得了总资本的压倒性 90%。这一巨额资金激增被仅仅三家公司主导：OpenAI、Anthropic 和 Waymo，它们共同吸收了这些投资的大部分。这种前所未有的风险投资集中度突显了投资者对 AI 技术和自动驾驶系统的强烈兴趣。数据揭示了初创公司融资格局的极端两极分化，AI 公司正在吸引巨额估值，而其他行业从风险投资家那里获得的关注明显较少。

https://techcrunch.com/2026/03/03/openai-anthropic-waymo-domi...

🧩 TikTok 在美国部分地区因 Oracle 销售后第二次中断而宕机

由于 ByteDance 剥离其美国业务后的第二次 Oracle 基础设施故障，TikTok 在美国的部分用户遇到了服务中断。此次故障影响了 TikTok 的功能，阻止用户正常访问平台。这标志着所有权转移以来第二次重大的 Oracle 相关服务中断，引发了对新基础设施安排可靠性的质疑。这次中断发生在 ByteDance 完成 TikTok 美国业务出售后仅几天，突显了平台向新所有者和基础设施提供商转移过程中潜在的技术挑战。此次故障凸显了运营大规模社交媒体平台所涉及的复杂技术依赖性。

https://techcrunch.com/2026/03/03/tiktok-down-for-some-in-u-s...

🌐 社交媒体动态

🧩 Databricks 社区的新家来了

Databricks 用户组平台是一个新的集中式在线中心，供数据和人工智能社区连接、学习和成长。用户可以加入本地分会或虚拟兴趣小组与他人联系，发现并报名参加即将举行的社区活动来学习，还可以申请成为组织者来主持自己的聚会。该平台旨在让 Databricks 社区成员更容易相互交流并提升他们在数据和人工智能领域的技能。

https://www.linkedin.com/posts/databricks_introducing-the-dat...

🧩 构建需要数据库访问的 AI 代理？

本次活动公告宣传了一场关于 PostgreSQL 的 pgEdge MCP 服务器的 Postgres Live 会议。会议将介绍模型上下文协议服务器是什么，以及为什么它比直接数据库连接更适合 AI 代理的智能方案。主题包括代币预算优化技术、更轻松快捷的数据库交互内置工具，以及与 Claude Code、Cursor 和其他平台集成的快速入门指南。该解决方案是 100%开源的，…

https://www.linkedin.com/posts/pgedge_postgresql-mcp-ai-activ...

🧩 如果您正在组织聚会、PUG 或类似团体，并希望获得一些贴纸来向您的成员推广 PGConf.dev 🐘，请私信我。

作者正在向聚会组织者、PostgreSQL 用户组(PUG)或类似团体的组织者免费提供贴纸，用于向其成员推广 PGConf.dev( PostgreSQL 会议)。他们有多余的贴纸，愿意与社区组织者分享。有兴趣的一方应发送私信请求贴纸。

https://www.linkedin.com/posts/activity-7434318803724836864-TLSo

HOW 2026 议题招募中

2026 年 4 月 27-28 日，由 IvorySQL 社区联合 PGEU（欧洲 PG 社区）、PGAsia（亚洲 PG 社区）共同打造的 HOW 2026（IvorySQL & PostgreSQL 技术峰会） 将再度落地济南。届时，PostgreSQL 联合创始人 Bruce Momjian 等顶级大师将亲临现场。

自开启征集以来，HOW 2026 筹备组已感受到来自全球 PostgreSQL 爱好者的澎湃热情。为了确保大会议题的深度与广度，我们诚邀您提交前沿技术实践与洞见，共同打造高质量议题内容。

投递链接：https://jsj.top/f/uebqBc

原文链接：https://www.nocobase.com/cn/blog/weekly-updates-20260305

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：main ，next和 develop。

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

v2.0.10

发布时间：2026-03-04

🐛 修复

• [AI 员工] 修复启用知识库后和 AI 员工对话报错问题 (#8746) by @cgyrock
• [前端流引擎] 修复 SQL 删除报错 (#8745) by @chenos
• [权限控制] 设置 ACL 元数据时使用的数据库实例不正确 (#8747) by @2013xile
• [工作流：审批] 修复由于节点信息被类型过滤后，查询节点结果未在审批界面显示的问题 by @mytharcher

v2.0.9

发布时间：2026-03-03

🐛 修复

• [client]

  • 修复默认值组件中不渲染字段组件的问题 (#8744) by @mytharcher
  • 修复切换菜单是数据区块不刷新的问题。 (#8735) by @gchust
• [database] 修复 v2 版本的字段自定义正则校验失败 (#8729) by @jiannx
• [flow-engine] 修复 ctx.exit 无法终止用户定义的事件流执行的问题。 (#8737) by @gchust
• [工作流：审批] 补全缺失的参数以避免提交审批时关系数据未被更新和处理 by @mytharcher

v2.0.8

发布时间：2026-03-01

🎉 新特性

• [AI 员工] 更新 AI 对话用户提示词编辑 (#8725) by @heziqiang

🐛 修复

• [server] 通过追加 hash 参数解决缓存未更新问题 (#8730) by @chenos
• [AI 员工] 修复 AI 数据源配置渲染异常 (#8731) by @cgyrock
• [工作流：自定义操作事件] 修复自定义操作事件作为子流程被调用时卡住的问题 (#8738) by @mytharcher

• [工作流：审批]

  • 在审批操作中过滤关系字段的值，以避免越权的数据操作 by @mytharcher
  • 修复手动执行审批工作流时的报错 by @mytharcher
  • 修复加签和转签后由于缺失 dataAfter 字段值导致的加载列表报错问题 by @mytharcher
  • 修复基于 ACL 过滤 appends 参数的问题 by @mytharcher
  • 修复用户没有相关权限时关系字段不应该被创建或更新的权限问题 by @mytharcher

v2.0.7

发布时间：2026-02-27

🎉 新特性

• [AI 员工] 支持通过多个关键词检索内置文档，一次性读取多个文档 (#8718) by @2013xile

🚀 优化

• [client] 表格支持总结行（summary）的配置 (#8721) by @chenos
• [嵌入 NocoBase] 权限插件提供过滤关系字段值的 API (#8688) by @mytharcher

🐛 修复

• [数据可视化] 修复 i18n 图表插件入口和占位的文案 (#8716) by @heziqiang
• [工作流：JavaScript 节点] 修复 windows 下测试用例无法通过的问题 (#8722) by @mytharcher
• [AI 员工] 修复 AI 对话消息中渲染了 0 的问题 (#8723) by @heziqiang
• [模板打印] 修复未适配 ACL API 变更导致的报错问题 by @mytharcher
• [工作流：审批] 在审批操作中过滤关系字段的值，以避免越权的数据操作 by @mytharcher
• [邮件管理] 修复图片 contentId 格式解析 by @jiannx

v2.0.6

发布时间：2026-02-26

🐛 修复

• [AI 员工] 修复使用 mysql 数据库时 AI 对话报错问题 (#8708) by @cgyrock

next

v2.1.0-beta.7

发布时间：2026-03-04

🎉 新特性

• [AI 员工] 更新 AI 对话用户提示词编辑 (#8725) by @heziqiang

🐛 修复

• [client]

  • 修复默认值组件中不渲染字段组件的问题 (#8744) by @mytharcher
  • 修复切换菜单是数据区块不刷新的问题。 (#8735) by @gchust
• [flow-engine] 修复 ctx.exit 无法终止用户定义的事件流执行的问题。 (#8737) by @gchust
• [database] 修复 v2 版本的字段自定义正则校验失败 (#8729) by @jiannx
• [server] 通过追加 hash 参数解决缓存未更新问题 (#8730) by @chenos
• [权限控制] 设置 ACL 元数据时使用的数据库实例不正确 (#8747) by @2013xile

• [AI 员工]

  • 修复启用知识库后和 AI 员工对话报错问题 (#8746) by @cgyrock
  • 修复 AI 数据源配置渲染异常 (#8731) by @cgyrock
• [前端流引擎] 修复 SQL 删除报错 (#8745) by @chenos
• [工作流：自定义操作事件] 修复自定义操作事件作为子流程被调用时卡住的问题 (#8738) by @mytharcher

• [工作流：审批]

  • 修复由于节点信息被类型过滤后，查询节点结果未在审批界面显示的问题 by @mytharcher
  • 补全缺失的参数以避免提交审批时关系数据未被更新和处理 by @mytharcher
  • 修复手动执行审批工作流时的报错 by @mytharcher
  • 修复加签和转签后由于缺失 dataAfter 字段值导致的加载列表报错问题 by @mytharcher
  • 修复用户没有相关权限时关系字段不应该被创建或更新的权限问题 by @mytharcher
  • 在审批操作中过滤关系字段的值，以避免越权的数据操作 by @mytharcher
  • 修复基于 ACL 过滤 appends 参数的问题 by @mytharcher

v2.1.0-beta.6

发布时间：2026-02-27

🎉 新特性

• [AI 员工] 支持通过多个关键词检索内置文档，一次性读取多个文档 (#8718) by @2013xile

🚀 优化

• [client] 表格支持总结行（summary）的配置 (#8721) by @chenos
• [AI 员工] 更新 AI 对话 user prompt 功能 (#8717) by @heziqiang
• [嵌入 NocoBase] 权限插件提供过滤关系字段值的 API (#8688) by @mytharcher

🐛 修复

• [AI 员工] 修复 AI 对话消息中渲染了 0 的问题 (#8723) by @heziqiang
• [数据可视化] 修复 i18n 图表插件入口和占位的文案 (#8716) by @heziqiang
• [工作流：JavaScript 节点] 修复 windows 下测试用例无法通过的问题 (#8722) by @mytharcher
• [模板打印] 修复未适配 ACL API 变更导致的报错问题 by @mytharcher
• [工作流：审批] 在审批操作中过滤关系字段的值，以避免越权的数据操作 by @mytharcher
• [邮件管理] 修复图片 contentId 格式解析 by @jiannx

v2.1.0-beta.5

发布时间：2026-02-26

🚀 优化

• [AI 员工] 更新 AI 对话 user prompt 功能 (#8717) by @heziqiang

🐛 修复

• [AI 员工] 修复使用 mysql 数据库时 AI 对话报错问题 (#8708) by @cgyrock

develop

v2.1.0-alpha.7

发布时间：2026-02-26

🎉 新特性

• [AI 员工] 支持通过多个关键词检索内置文档，一次性读取多个文档 (#8718) by @2013xile

🚀 优化

• [AI 员工] 更新 AI 对话 user prompt 功能 (#8717) by @heziqiang

🐛 修复

• [client] 移动端中，先关闭菜单再执行页面跳转 (#8699) by @zhangzhonghe
• [AI LLM：GigaChat] 修复 GigaChat 插件在 2.0 中无法使用的问题 (#8707) by @cgyrock

• [AI 员工]

  • 修复使用 mysql 数据库时 AI 对话报错问题 (#8708) by @cgyrock
  • 使用 ContentBlock 对象统一 ChatGPT API 文件输入 (#8696) by @cgyrock
  • 修复用户忽略 ai agent 工具执行确认请求直接发送新消息导致的接口错误 (#8697) by @cgyrock
• [AI: 知识库] 修复 AI 知识库启动报错问题 by @cgyrock
• [邮件管理] 图像查看错误 by @jiannx

原文链接：https://www.nocobase.com/cn/blog/best-ai-crm-open-source-nocobase-twenty-krayin

TLDR

如果你在寻找开源 AI CRM 方案，NocoBase的 AI 能力集成深度最高：其 AI 员工可以直接理解业务上下文并参与数据操作、表单填写和流程协同，而非独立的聊天工具。Twenty 更适合快速上线的销售团队，Krayin 则适合在标准 CRM 基础上增加 AI 自动化。

SaaS vs 开源

“三千亿美元蒸发了！SaaS 末日时代已经开始！”

近期，关于“SaaS 末日”这个词的讨论十分火爆。

过去二十年，软件几乎定义了企业的工作方式。无论是销售、财务、协作还是项目管理，很多企业都习惯把上线一套系统视为效率升级的起点，软件本身也长期被视为生产力的核心载体。

但随着 AI 开始直接承担分析、生成、协调与决策建议，越来越多原本必须依附于某个应用内部的流程，正在被重新拆解和重组。在 CRM SaaS 领域，这个变化尤其明显。

Salesforce 2026《State of Sales》显示，54% 的销售人员已经使用过 AI Agents，近九成计划在 2027 年前使用；在预期中，AI 可以将客户开发研究时间缩短 34%，将邮件起草时间缩短 36%。AI 对 CRM 的影响，已经不再只是某种附加功能，而是其核心能力的重塑。

但是目前大多数商业 SaaS 的 AI 仍然运行在封闭架构之内，用户更多只能被动的使用系统预制的能力，难以真正参与智能能力的延展和调整。相比封闭式 SaaS，开源体系不仅提供现成能力，更提供了一个可编辑、可扩展、可自定义的空间，让 AI 能有机会真正嵌入业务流程，沉淀为企业自己的生产力资产。

正因如此，我们选取了三款 GitHub 上关注度较高的开源 CRM 项目：NocoBase、Twenty、Krayin CRM。从产品结构、AI 集成深度和实际应用场景三个层面进行拆解，希望能为你在选择和评估开源 AI CRM 时提供一些参考。

三款开源 CRM 对比总览

💡阅读更多：GitHub 上星星数量前 10 的 AI CRM 开源项目

NocoBase

官网：https://www.nocobase.com/

GitHub：https://github.com/nocobase/nocobase

项目概况

产品定位：NocoBase 是一个 AI 驱动的开源无代码/低代码开发平台，用于构建企业级应用、内部工具和业务系统。在 CRM 场景中，它主要作为搭建 CRM 的平台底座，支持围绕客户、线索、商机等核心对象继续扩展系统。作为 Salesforce、HubSpot、Pipedrive 等 SaaS CRM 的开源替代方案，NocoBase 不仅提供标准 CRM 能力，还通过平台化架构支持深度定制。

开源属性：完全开源部署，支持私有化部署，采用 Apache-2.0 开源协议。

GitHub Stars：21.7k

GitHub Forks：2.5k

GitHub Contributors：106

整体成熟度：NocoBase 是平台型产品，核心能力由数据模型、插件、工作流和 AI 组成，系统可以在现有结构上持续扩展。近期，NocoBase 也已经推出 CRM 2.0 方案，基于 NocoBase 2.x 搭建，并将现有的工作流自动化和 AI 能力直接结合到销售管理流程中，覆盖线索评分、赢单率预测、客户健康度监测等场景。同时提供 Restore Guide，可将方案一键恢复到现有 NocoBase 环境中使用。

👉立即体验 NocoBase CRM 2.0 销售管理系统解决方案

技术架构

架构开放性：

NocoBase 采用数据模型驱动和插件微内核架构。数据模型优先，UI 与数据结构解耦；核心保持精简，功能通过插件扩展。

数据与流程灵活性：

NocoBase 支持多种数据源，包括 MySQL、PostgreSQL、SQLite、MariaDB、MongoDB、REST API、GraphQL、JSON 文件和 Excel 文件。系统支持多数据源统一管理、跨数据源关联查询和数据源权限控制，可用于组织客户、线索、商机及相关业务流程。

二次开发与落地方式：

NocoBase 采用插件化扩展方式，插件独立版本管理，平台升级不影响插件。它也非常适合在现有业务结构上继续做字段、流程、插件和系统层扩展。

AI 能力

AI 在产品中的定位：

AI 员工是 NocoBase 深度集成在业务系统里的智能体能力，并且可以根据企业自身的业务系统和业务需求自由定义。它不是“只会聊天”的机器人，而是可以在业务界面中理解上下文并执行操作的“数字同事”，支持多种 AI 模型，包括 OpenAI、Claude 和本地大模型，同时支持企业知识库、RAG 和会话记忆，让 AI 更贴合实际流程和岗位分工。

AI 解决的核心 CRM 问题：在 CRM 场景中，AI 主要对应数据整理、内容生成、知识查询、业务操作执行和流程协同等环节。

典型应用场景

AI 员工 Scout 是销售情报助手，主要用于商机深度分析、赢率预测、竞争情报分析和交易策略建议。它可以围绕当前商机提供更有针对性的判断和建议，帮助销售团队更高效地推进交易。

AI 员工 Viz 是洞察分析师，能够围绕线索评分、客户健康度、销售分析和管道预测提供数据洞察。它既可以基于当前页面自动生成图表和分析结论，也可以承担固定的周期性分析任务。

Ellis 是 AI 邮件协作助手，主要用于邮件情感与意图分析、回复草拟和沟通记录摘要。它可以结合历史沟通内容、客户身份和当前消息，帮助团队更高效地整理邮件上下文并生成更合适的回复内容。

Dex 是 AI 数据整理专家，主要用于从非结构化数据或文件中提取关键信息，并整理成结构化内容。它还可以调用工具将整理后的信息直接填写到表单中，适合处理录入、整理和转换这类重复性工作。

Lexi 是多语言沟通助手，主要用于多语言客户沟通、内容翻译和外贸邮件处理。它适合跨语言业务场景，帮助团队更高效地完成客户交流和国际沟通。

在 NocoBase 中，AI 员工可以按业务需求自由扩展和配置。结合 CRM 2.0 方案，它们可以直接参与线索评分、商机分析、销售预测、邮件处理等环节，作为销售流程中的具体角色协同工作。

Twenty

官网：https://twenty.com/

GitHub：https://github.com/twentyhq/twenty

项目概况

产品定位：Twenty 是一款现代开源 CRM，官方将其定义为Salesforce 的开源替代方案，在开源社区中常与HubSpot、Pipedrive、Zoho CRM 等商业化产品相提并论。 Twenty 提供了类似的联系人管理、商机追踪、邮件同步和自动化能力，但基于完全开源的架构。

开源属性：开源部署，支持自托管，支持在自有基础设施上管理数据与部署。Twenty 官网写明其为 GPL 许可，开发者文档也提供完整的自托管路径。

GitHub Stars：40.2k

GitHub Forks：5.3k

GitHub Contributors：592

整体成熟度：Twenty 的产品形态更接近可直接使用的 CRM 成品。它已经具备对象与字段自定义、权限管理、工作流自动化、邮件与日历同步、API 与 Webhooks 等完整 CRM 基础能力，同时也保留了继续扩展和开发的空间。

技术架构

架构开放性：

Twenty 支持自定义对象、字段与关系，支持 API、Webhooks，以及以代码方式构建和管理扩展能力。它不只是固定字段结构的 CRM，也支持围绕业务继续调整数据模型。

数据与流程灵活性：

Twenty 支持自定义数据模型，支持 filters、sort、group by、kanban 和 table views，也支持基于 triggers 和 actions 的工作流自动化。它可以围绕联系人、公司、商机等标准对象运行，也可以继续扩展新的业务对象和流程。

二次开发与落地方式：

Twenty 同时提供 Extend、Self-Host 和 Contribute 三条开发者路径，支持 API 集成、自托管部署和代码级扩展。开发者文档还提供 Docker Compose、云部署和多工作区配置，适合在现有 CRM 基础上继续接入自动化或业务定制。

AI 能力

AI 在产品中的定位：

Twenty 将 AI 作为独立能力模块规划，当前主要包括 AI Chatbot 和 AI Agents in Workflows 两条路径。AI Chatbot 用于用自然语言与 CRM 数据交互，AI Agents 用于在工作流中接入 AI 动作和多步骤任务处理。两项能力目前都处于即将上线阶段。

AI 解决的核心 CRM 问题：

Twenty 的 AI 主要覆盖自然语言查询 CRM 数据、获取销售洞察、数据 enrichment、记录分类、文本摘要、自定义提示处理，以及在工作流中完成线索评分、数据清洗、邮件草稿生成和记录分配等任务。

典型应用场景

AI Chatbot 可以直接在 CRM 中用自然语言查询记录、关系和指标，例如查看高金额商机、查找一段时间未跟进的联系人、汇总当前渠道价值，或基于当前页面上下文追问“这家公司关联了哪些机会”“我和这个联系人最近有哪些互动”。

如果放在工作流中，AI Agents 还可以用于自动分类线索、补全公司信息、生成会后跟进邮件草稿，或按内容将记录分配给对应成员

Krayin CRM

官网：https://krayincrm.com/

GitHub：https://github.com/krayin/laravel-crm

项目概况

产品定位：Krayin 是一款基于 Laravel 和 Vue.js 构建的开源 CRM，面向中小企业和企业团队，核心定位是覆盖完整客户生命周期管理，包括线索、客户、销售流程及相关业务协作。

开源属性：完全开源部署，支持自托管，长期以 MIT License 免费提供。

GitHub Stars：21.7k。

GitHub Forks：1.4k。

GitHub Contributors：41

整体成熟度：Krayin 更接近标准 CRM 成品，已经具备完整的客户管理和销售流程能力；同时保留二次扩展空间，包括多租户 SaaS、WhatsApp 和 VoIP 等扩展方向。

技术架构

架构开放性：

Krayin 采用 Laravel + Vue.js 技术栈，GitHub 仓库将其定义为 CRM framework，产品既提供可直接使用的 CRM 主体，也保留框架化扩展能力。

数据与流程灵活性：

Krayin 的标准能力围绕 leads、customers、sales 等核心对象展开。它也提供多行业场景方案，以及 lead management 和 sales automation 的典型用法。

二次开发与落地方式：

Krayin 提供开发文档、Docker 安装路径和 API/开发说明，适合基于现有 CRM 主体继续做模块扩展、自托管部署和行业化定制。

AI 能力

AI 在产品中的定位：

Krayin 将 AI 作为独立增强能力来呈现，官方单独提供 AI CRM 页面，并提供 Magic AI 配置入口。当前 AI 更像建立在现有 CRM 主体之上的智能增强层。

AI 解决的核心 CRM 问题：

Krayin 的 AI 主要对应任务自动化、数据分析、客户意图识别和业务决策支持。Magic AI 支持通过 API key 接入模型，并可手动选择模型名称；AI CRM 页面则强调效率提升、数据驱动决策和客户管理自动化。

典型应用场景

AI 可以用于日常流程自动化，例如数据录入、跟进提醒和日程安排。AI 负责处理重复性任务，也可以基于历史数据提出流程优化建议。

AI 能自动整理、清洗、合并并分析来自不同来源的客户数据，减少手动处理错误，保持数据准确性。

AI 可以监控销售流程各阶段，识别瓶颈、预测结果，并通过线索评分和趋势分析帮助团队优先处理高潜力机会。

产品差异总结

AI 深度层级差异

• NocoBase：AI 深度嵌入业务系统的能力层，以 AI员工 形式直接参与数据、页面和流程操作，更接近平台级 AI 集成。
• Twenty：属于原生规划中的产品能力模块，重点放在自然语言交互和工作流中的 AI 动作，更接近 CRM 内嵌式 AI 增强。
• Krayin CRM：AI 建立在现有 CRM 主体之上的增强层，主要用于自动化、分析和辅助决策，更接近传统 CRM 的外加型 AI 升级。

架构扩展能力差异

• NocoBase：以数据模型驱动和插件微内核为核心，扩展能力最强，更适合围绕业务持续做深度定制。
• Twenty：在成品 CRM 的基础上保留对象、字段、API 和工作流扩展能力，兼顾直接使用和后续延展。
• Krayin CRM：以标准 CRM 主体为基础提供框架化扩展，更适合在既有系统上做模块补充和行业化定制。

常见问题（FAQ）

Q1：哪款开源 CRM 的 AI 功能最好用？

A：NocoBase。

它的 AI 员工不是独立聊天工具，而是可以直接理解当前页面、数据和业务上下文，并参与查询、表单填写、数据更新和流程协同，更接近深度嵌入业务系统的 AI 能力层。你也可以结合企业的业务系统和具体业务能力，定制专属的 AI 员工，让其围绕特定场景承担更明确的角色和任务。

✨将 CRM 2.0 解决方案集成到您已有的 NocoBase 系统中

Q2：哪款 CRM 更适合希望快速上线、直接使用的销售团队？

A：Twenty。

它本身就是更接近成品形态的开源 CRM，已经覆盖联系人、公司、商机、任务、邮件、日历等核心销售对象，同时保留 API、Webhooks、自定义对象和工作流能力，适合先用起来，再逐步扩展。

Q3：这三款里，哪一款最适合从传统 SaaS CRM 迁移？

A：如果你的目标是保留更多控制权，三款都比封闭 SaaS 更灵活，但方向不同：

• NocoBase 更适合深度定制，把 AI 和业务一起重构；
• Twenty 更适合在现代 CRM 体验下引入 AI，快速落地；
• Krayin 更适合在已有标准 CRM 流程上逐步增加 AI 自动化。

Q4：开源 AI CRM 选型要看哪些关键点？

• 业务流程是否需要定制
• AI 是否能连接 CRM 数据
• 产品形态是否匹配
• 团队技术能力是否足够
• 后续维护能力是否可承受

Q5：开源 CRM vs Salesforce 成本对比如何？

A：以 50 人团队、使用 3 年为基准：

• Salesforce：约 $150-300/用户/月 × 50 人 × 36 月 = $270,000-$540,000
• NocoBase：免费开源，自行部署成本可控。可选择商业版本一次性付费 $800-$8,000
• Twenty：自托管部署成本约 $5,000/年（服务器 + 维护）
• Krayin CRM：免费开源，自行部署成本可控

Q6：这些开源 CRM 支持哪些 AI 模型？

A：NocoBase 支持 OpenAI（GPT-4/GPT-3.5）、Claude、本地模型（Ollama 等）；Twenty 和 Krayin 的 AI 能力正在开发中，预计支持主流商业模型。

Q7：非技术团队可以上手吗？

A：Twenty 和 Krayin CRM 更适合非技术团队（开箱即用）；NocoBase 需要一定开发概念，但提供完整的 CRM 2.0 解决方案模板，可一键恢复使用。

Q8：数据迁移难度如何？

A：三款都支持 CSV 导入。如果从 Salesforce 迁移，需要通过 API 或第三方工具。NocoBase 的多数据源能力可以连接现有数据库，减少数据迁移成本。

Q9：有付费支持吗？

A：NocoBase 提供企业版支持和定制服务；Twenty 有商业云服务版本；Krayin 提供付费的技术支持和托管服务。

Q10：哪个社区更活跃？

A：从 GitHub 数据看：Twenty（40.2k stars，592 contributors）> NocoBase（21.7k stars，106 contributors）> Krayin（21.7k stars，41 contributors）。但 NocoBase 的社区和插件生态增长迅速。

如果这篇文章对你有帮助，也欢迎分享给同样关注开源 AI CRM 的朋友。💕

相关阅读：

• GitHub 上 3 款开源 AI ERP 对比：NocoBase、Odoo 与 ERPNext
• 5 个 GitHub 上最受欢迎的开源 AI 项目管理工具
• 6 个值得关注的开源 AI 工单系统
• 4 个值得关注的开源业务数据管理工具
• 4个适合企业业务流程的轻量化软件（附真实案例）
• 6 个替代 Excel 的企业内部管理软件
• 开发者收藏！10 个减少重复 CRUD 的开源工具
• GitHub Star 数量前 12 的 AI 工作流项目

“工欲善其事，必先利其器。”在《PMBOK指南》第七版中，特别强调了工具与技术对于项目交付价值的支撑作用。在现代软件研发与复杂项目管理中，选择合适的数字化工具不仅是提升效率的手段，更是确保项目透明、可控的关键。面对市场上琳琅满目的项目管理软件，如何根据团队规模、开发模式及预算做出最优解？本文将中立盘点九款主流项目管理工具，涵盖从敏捷开发到传统瀑布流的全场景需求，并分享实战中的核心应用技巧。

一、禅道：国产开源项目管理的基石

禅道（ZenTao）作为国产开源项目管理软件的代表，凭借其“原生支持敏捷开发”的理念，在国内拥有极高的市场占有率。它不仅仅是一个任务跟踪系统，更完整覆盖了产品管理、项目管理、质量管理的全过程。

• 核心优势：禅道独创了“产品 - 项目 - 测试”三权分立的管理模型，完美契合Scrum流程。其开源版本功能强大且免费，适合中小团队快速上手；企业版则提供了更丰富的报表和权限控制。
• 实战技巧：利用禅道的“需求 - 任务 - Bug”关联机制，在迭代规划会上直接将产品需求分解为开发任务，并自动关联测试用例。通过燃尽图实时监控迭代进度，一旦发现偏差立即调整资源，确保 sprint 目标达成。

二、Jira：全球敏捷开发的行业标准

Jira 由 Atlassian 出品，是全球公认的软件项目管理标杆。它以高度可配置的工作流和强大的插件生态著称，几乎能适应任何复杂的开发流程。

• 核心优势：极其灵活的工作流引擎和看板定制能力，支持从 Scrum 到 Kanban 等多种敏捷框架。其与 Confluence、Bitbucket 等工具的无缝集成，构建了完整的研发生态闭环。
• 实战技巧：不要使用默认工作流，务必根据团队实际研发规范定制状态流转（如增加“代码审查”、“灰度发布”状态）。利用 JQL（Jira Query Language）编写高级筛选器，自动生成每日站会所需的“阻塞任务列表”，提升沟通效率。

三、Microsoft Project：传统瀑布流的权威之选

对于建筑、制造或大型基础设施等遵循严格瀑布模型的行业，Microsoft Project 依然是不可撼动的王者。它擅长处理复杂的依赖关系和资源平衡。

• 核心优势：强大的甘特图绘制能力和关键路径法（CPM）计算功能，能够精准预测项目完工时间。其资源直方图有助于识别资源过度分配问题。
• 实战技巧：在制定主计划时，务必设置好任务间的逻辑依赖（FS、SS等），而非仅靠日期硬排。利用“基线”功能保存计划初稿，在项目执行过程中通过对比基线与实际进度，量化偏差并分析原因。

四、Trello：轻量级看板的视觉化利器

Trello 以极简的看板（Kanban）形式闻名，适合小型团队或个人进行任务管理。其“卡片”概念直观易懂，拖拽操作流畅自然。

• 核心优势：零学习成本，界面清爽。通过 Power-Ups（插件）可以扩展日历、投票、自定义字段等功能，灵活性随需而变。
• 实战技巧：采用“待办 - 进行中 - 审核 - 完成”的四列布局。利用标签颜色区分任务优先级（如红色代表紧急），并在卡片封面直接显示截止日期。对于重复性任务，可设置卡片模板一键生成，减少重复劳动。

五、Asana：团队协作与目标追踪的平衡者

Asana 在设计美学与功能深度之间找到了极佳的平衡点，特别适合市场、运营及跨职能团队的协作。它强调“目标（Goals）”与“任务（Tasks）”的对齐。

• 核心优势：提供列表、看板、日历、时间轴（甘特图）四种视图切换，满足不同角色的查看习惯。其“规则”自动化功能可大幅减少手动更新状态的工作。
• 实战技巧：建立层级分明的项目结构，将年度OKR拆解为季度项目，再细化为具体任务。利用“依赖关系”功能标记前置任务，当上游任务延期时，系统自动通知下游负责人，避免信息滞后。

六、ClickUp：All-in-One 的超级工作台

ClickUp 近年来异军突起，主打“一个应用替代所有”的理念。它集成了文档、目标、聊天、邮件甚至白board功能，试图解决工具碎片化问题。

• 核心优势：极高的自定义程度，允许用户为不同部门创建完全不同的视图和字段。其内置的文档编辑体验媲美 Notion，实现了“文档即任务”的融合。
• 实战技巧：利用“点击Up文档”直接在需求文档中指派任务，消除文档与任务系统的割裂感。使用“自定义状态”映射团队独特的研发流程，并通过仪表盘（Dashboard）聚合多个项目的进度数据，为管理层提供上帝视角。

七、Teambition：阿里生态下的协同典范

Teambition 现隶属于阿里云，是国内企业级协作的优秀代表。它深度融合了钉钉生态，特别适合已在使用钉钉的企业。

• 核心优势：与钉钉消息、日程、云盘深度打通，任务动态实时推送至手机端。其“项目集”功能便于管理多项目组合，统计视图丰富直观。
• 实战技巧：在钉钉群聊中直接创建 Teambition 任务，实现沟通与执行的无缝衔接。利用“工时统计”功能，让成员便捷填报工时，自动生成项目人力成本报表，为绩效考核提供数据支撑。

八、Monday.com：可视化工作流的创意平台

Monday.com 以其色彩斑斓的界面和高度可视化的工作流设计著称，深受创意团队、广告公司及非技术部门的喜爱。

• 核心优势：像搭积木一样构建工作流，支持多种列类型（如人员、状态、进度条、评分等）。其自动化逻辑简单易懂，无需代码即可实现复杂的通知和状态变更。
• 实战技巧：利用“进度条”列直观展示子任务完成情况，让管理者一目了然。设置自动化规则：当状态变为“已完成”时，自动归档卡片并通知相关人员，保持看板整洁高效。

九、Wrike：企业级复杂项目的管控专家

Wrike 面向中大型企业，提供强大的项目组合管理（PPM）能力。它在处理跨部门、跨地域的复杂项目时表现出色。

• 核心优势：独特的文件夹与项目双层结构，既保证了组织结构的清晰，又兼顾了项目的灵活性。其请求表单（Request Forms）功能可标准化需求入口。
• 实战技巧：通过“请求表单”收集外部需求，自动转化为项目任务并分配给对应团队，规范需求流入渠道。利用“动态请求”功能，根据表单答案自动路由任务，减少人工分派错误。

结语

没有绝对最好的工具，只有最适合团队的方案。禅道适合追求自主可控的研发团队，Jira是复杂敏捷流程的首选，Project坚守传统工程领域，而Trello、Asana等则在轻量协作中大放异彩。项目经理在选型时，应充分考量团队文化、业务形态及预算限制，善用上述实战技巧，将工具效能最大化，从而推动项目从“按时交付”迈向“卓越交付”。

“工欲善其事，必先利其器。”在《PMBOK指南》第七版中，特别强调了工具与技术对于项目交付价值的支撑作用。在现代软件研发与复杂项目管理中，选择合适的数字化工具不仅是提升效率的手段，更是确保项目透明、可控的关键。面对市场上琳琅满目的项目管理软件，如何根据团队规模、开发模式及预算做出最优解？本文将中立盘点九款主流项目管理工具，涵盖从敏捷开发到传统瀑布流的全场景需求，并分享实战中的核心应用技巧。

一、禅道：国产开源项目管理的基石

禅道（ZenTao）作为国产开源项目管理软件的代表，凭借其“原生支持敏捷开发”的理念，在国内拥有极高的市场占有率。它不仅仅是一个任务跟踪系统，更完整覆盖了产品管理、项目管理、质量管理的全过程。

• 核心优势：禅道独创了“产品 - 项目 - 测试”三权分立的管理模型，完美契合Scrum流程。其开源版本功能强大且免费，适合中小团队快速上手；企业版则提供了更丰富的报表和权限控制。
• 实战技巧：利用禅道的“需求 - 任务 - Bug”关联机制，在迭代规划会上直接将产品需求分解为开发任务，并自动关联测试用例。通过燃尽图实时监控迭代进度，一旦发现偏差立即调整资源，确保 sprint 目标达成。

二、Jira：全球敏捷开发的行业标准

Jira 由 Atlassian 出品，是全球公认的软件项目管理标杆。它以高度可配置的工作流和强大的插件生态著称，几乎能适应任何复杂的开发流程。

• 核心优势：极其灵活的工作流引擎和看板定制能力，支持从 Scrum 到 Kanban 等多种敏捷框架。其与 Confluence、Bitbucket 等工具的无缝集成，构建了完整的研发生态闭环。
• 实战技巧：不要使用默认工作流，务必根据团队实际研发规范定制状态流转（如增加“代码审查”、“灰度发布”状态）。利用 JQL（Jira Query Language）编写高级筛选器，自动生成每日站会所需的“阻塞任务列表”，提升沟通效率。

三、Microsoft Project：传统瀑布流的权威之选

对于建筑、制造或大型基础设施等遵循严格瀑布模型的行业，Microsoft Project 依然是不可撼动的王者。它擅长处理复杂的依赖关系和资源平衡。

• 核心优势：强大的甘特图绘制能力和关键路径法（CPM）计算功能，能够精准预测项目完工时间。其资源直方图有助于识别资源过度分配问题。
• 实战技巧：在制定主计划时，务必设置好任务间的逻辑依赖（FS、SS等），而非仅靠日期硬排。利用“基线”功能保存计划初稿，在项目执行过程中通过对比基线与实际进度，量化偏差并分析原因。

四、Trello：轻量级看板的视觉化利器

Trello 以极简的看板（Kanban）形式闻名，适合小型团队或个人进行任务管理。其“卡片”概念直观易懂，拖拽操作流畅自然。

• 核心优势：零学习成本，界面清爽。通过 Power-Ups（插件）可以扩展日历、投票、自定义字段等功能，灵活性随需而变。
• 实战技巧：采用“待办 - 进行中 - 审核 - 完成”的四列布局。利用标签颜色区分任务优先级（如红色代表紧急），并在卡片封面直接显示截止日期。对于重复性任务，可设置卡片模板一键生成，减少重复劳动。

五、Asana：团队协作与目标追踪的平衡者

Asana 在设计美学与功能深度之间找到了极佳的平衡点，特别适合市场、运营及跨职能团队的协作。它强调“目标（Goals）”与“任务（Tasks）”的对齐。

• 核心优势：提供列表、看板、日历、时间轴（甘特图）四种视图切换，满足不同角色的查看习惯。其“规则”自动化功能可大幅减少手动更新状态的工作。
• 实战技巧：建立层级分明的项目结构，将年度OKR拆解为季度项目，再细化为具体任务。利用“依赖关系”功能标记前置任务，当上游任务延期时，系统自动通知下游负责人，避免信息滞后。

六、ClickUp：All-in-One 的超级工作台

ClickUp 近年来异军突起，主打“一个应用替代所有”的理念。它集成了文档、目标、聊天、邮件甚至白board功能，试图解决工具碎片化问题。

• 核心优势：极高的自定义程度，允许用户为不同部门创建完全不同的视图和字段。其内置的文档编辑体验媲美 Notion，实现了“文档即任务”的融合。
• 实战技巧：利用“点击Up文档”直接在需求文档中指派任务，消除文档与任务系统的割裂感。使用“自定义状态”映射团队独特的研发流程，并通过仪表盘（Dashboard）聚合多个项目的进度数据，为管理层提供上帝视角。

七、Teambition：阿里生态下的协同典范

Teambition 现隶属于阿里云，是国内企业级协作的优秀代表。它深度融合了钉钉生态，特别适合已在使用钉钉的企业。

• 核心优势：与钉钉消息、日程、云盘深度打通，任务动态实时推送至手机端。其“项目集”功能便于管理多项目组合，统计视图丰富直观。
• 实战技巧：在钉钉群聊中直接创建 Teambition 任务，实现沟通与执行的无缝衔接。利用“工时统计”功能，让成员便捷填报工时，自动生成项目人力成本报表，为绩效考核提供数据支撑。

八、Monday.com：可视化工作流的创意平台

Monday.com 以其色彩斑斓的界面和高度可视化的工作流设计著称，深受创意团队、广告公司及非技术部门的喜爱。

• 核心优势：像搭积木一样构建工作流，支持多种列类型（如人员、状态、进度条、评分等）。其自动化逻辑简单易懂，无需代码即可实现复杂的通知和状态变更。
• 实战技巧：利用“进度条”列直观展示子任务完成情况，让管理者一目了然。设置自动化规则：当状态变为“已完成”时，自动归档卡片并通知相关人员，保持看板整洁高效。

九、Wrike：企业级复杂项目的管控专家

Wrike 面向中大型企业，提供强大的项目组合管理（PPM）能力。它在处理跨部门、跨地域的复杂项目时表现出色。

• 核心优势：独特的文件夹与项目双层结构，既保证了组织结构的清晰，又兼顾了项目的灵活性。其请求表单（Request Forms）功能可标准化需求入口。
• 实战技巧：通过“请求表单”收集外部需求，自动转化为项目任务并分配给对应团队，规范需求流入渠道。利用“动态请求”功能，根据表单答案自动路由任务，减少人工分派错误。

结语

没有绝对最好的工具，只有最适合团队的方案。禅道适合追求自主可控的研发团队，Jira是复杂敏捷流程的首选，Project坚守传统工程领域，而Trello、Asana等则在轻量协作中大放异彩。项目经理在选型时，应充分考量团队文化、业务形态及预算限制，善用上述实战技巧，将工具效能最大化，从而推动项目从“按时交付”迈向“卓越交付”。

开发者朋友们大家好：

这里是 「RTE 开发者日报」 ，每天和大家一起看新闻、聊八卦。我们的社区编辑团队会整理分享 RTE（Real-Time Engagement） 领域内「有话题的技术」、「有亮点的产品」、「有思考的文章」、「有态度的观点」、「有看点的活动」，但内容仅代表编辑的个人观点，欢迎大家留言、跟帖、讨论。

本期编辑：@koki、@瓒an、@鲍勃

01 有话题的技术

1、OpenAI 正式发布 GPT‑5.3 Instant，幻觉率暴降 27%

今天，OpenAI 正式发布 GPT‑5.3 Instant，该模型在回答的语气倾向、回复相关度以及对话的顺畅度均有相应的提升。

OpenAI 团队称其收到用户反馈，GPT‑5.2 Instant 有时会拒绝回答本可以安全响应的问题。在涉及敏感话题时，模型的表现偶尔显得过于保守或带有说教感。

GPT‑5.3 Instant 的回答将直击重点，不再夹杂冗长的限制性说明，显著减少了不必要的拒答行为，并削减了回答前那些过度防卫或带有说教色彩的开场白。

此前，GPT‑5.2 Instant 的语气偶尔会让人感到「尴尬、违和」，表现为言语过于强势，或者在未获确认的情况下，就对用户的意向和情绪进行过度解读或妄加揣测。本次更新大幅削减了不必要的冗余宣告，以及类似「停一下，深呼吸」等口吻。用户可以在设置中调整模型的回复语调，例如其亲和力与热情度。

相比 GPT‑5.2 Instant，GPT‑5.3 Instant 提供的回答更具事实性，在广泛的话题领域内均显著降低了幻觉率。

为了衡量准确度，OpenAI 团队采用了两项内部评估指标：其一侧重于医疗、法律及金融等高风险领域；其二则专门针对「幻觉」高发场景进行测试，样本取自经过脱敏处理、被用户标记为事实错误的真实对话记录。

对比前代模型，GPT‑5.3 Instant 在「高风险领域」评估中，联网模式下的幻觉率降低了 26.8%，仅依靠模型自身知识库时，幻觉率降低了 19.7%。

而在基于用户真实反馈的评估中，该模型在联网模式下的幻觉率下降了 22.5%，非联网模式下则下降了 9.6%。

GPT‑5.3 Instant 自即日起面向所有 ChatGPT 用户开放，开发者也可通过 API 使用名为 gpt-5.3-chat-latest 的模型。Thinking 和 Pro 版本的更新也将于近期推出。

（@智东西）

02 有亮点的产品

1、光帆科技获联想、小鹏汽车新一轮投资，种子轮融资总金额近 3 亿元人民币

近日光帆科技正式宣布，已于年前完成种子++轮及种子+++轮融资，一年内连续完成四轮融资，种子轮融资总金额近 3 亿元人民币，募集资金将重点用于面向下一代人机交互的 AI 可穿戴硬件及 Agent OS 相关领域的落地。

据悉，本次融资由 联想集团 和小鹏汽车（星航资本） 联合领投，高秉强教授、Brizan Ventures、Forebright Concerto 参投，众多老股东连续追投，并满额、超额加注。

2025 年 12 月，成立仅 1 年的光帆科技便交出了一份不错的答卷。发布了全球首款具备视觉感知能力的主动式 AI 耳机，构建起「AI 耳机+手表」的全感穿戴设备。 作为全球首款实现了「完全不依赖手机、AI 独立运行」的穿戴设备，Lightwear 跳出了 AI 穿戴设备作为手机附属品的传统思路，走上了以用户体验为核心的创新赛道。

（@雷锋网）

2、2025 年中国智能眼镜销量为 145 万台，同比大涨 211%

根据洛图科技（RUNTO）发布的数据显示，2025 年，中国智能眼镜市场的销量为 145.4 万台，同比大涨 211%。

洛图科技（RUNTO）将智能眼镜划分为 AR 眼镜（有显示+有音频）、音频眼镜（无显示+有音频）和拍摄眼镜（无显示+有摄像头）。其中，AR 眼镜和音频眼镜的销量同比涨幅分别为 83%和 135%，拍摄眼镜则几乎实现了从 0 到 50 万台的突破。

关于市场规模爆发式增长的原因，洛图科技（RUNTO）分析：光学显示/轻量化/AI 与多模态交互等核心技术的突破、产业链上下游的全面成熟，以及各领域科技巨头与资本的入局加速了市场教育与竞争。此外，还包括了政策的强力支持、应用场景从娱乐到生产力的全覆盖渗透等多方面因素的共振。

洛图科技（RUNTO）预测，2026 年中国智能眼镜整体市场的销量将突破 320 万台，同比增长 120%。

（@多知）

3、Button Computer 发布可穿戴 AI 语音按钮「Button」：主打低摩擦即时交互与隐私设计

近日，Button Computer 发布 Button，这是一个可以夹在衬衫上的按钮，通过物理按键触发的可穿戴 AI 语音终端，主打低摩擦即时交互与隐私设计。按下它即可与人工智能对话，它会立即做出响应。

以下为已披露的技术与产品要点：

1. 交互机制：物理触发，极简路径

• 物理按钮触发：仅在按下时激活语音交互
• 即时响应：强调低延迟语音往返
• 交互路径：按下 → 说话 → 实时返回语音结果

其设计目标是消除移动端典型路径（解锁手机 → 打开 App → 等待加载 → 语音输入）中的多步摩擦

2. 隐私策略：显式唤醒，无常驻监听

• 无持续监听（No always-on listening）
• 仅物理按键触发后才激活麦克风
• 不进行持续环境录音
• 不做行为追踪

目前 Button 已在美国开启订购。

( @Buttoncomputer\@X、@ycombinator\@X)

4、XR 眼镜厂商 VITURE 再获 1 亿美元融资，正加速北美市场布局

XR 眼镜厂商 VITURE 宣布，在 2025 年 9 月完成 1 亿美元 B 轮融资后，如今公司再次获得 1 亿美元新增融资。

据悉，本轮融资由联想系投资机构 Legend Capital 领投，同时吸引了包括老股东 Bertelsmann Group 在内的多家战略投资方参与。目前 VITURE 累计融资总额已达 2.215 亿美元（现汇率约合 15.29 亿元人民币）。

VITURE 表示，自 2025 年 9 月以来，公司主要推出了 Luma 系列 AR 眼镜与 BeastXR眼镜，2025 年 12 月，公司还与 CD Projekt RED 合作推出《Cyberpunk 2077》联名限定款Luma眼镜当下 VITURE 正在北美市场加快线下布局，进一步铺开产品销售渠道。

（@IT 之家）

03 有态度的观点

1、荣耀方飞：AI 的终极意义不是取代人类

日前，荣耀产品线总裁方飞在 MWC 2026 现场，与 Orange 集团围绕 AI 终端、连接和生态展开了对话。

方飞在个人微博表示，其坚信 AI 的终极意义不是取代人类，而在于服务人、陪伴人、成就人。同时她也指出，这正是荣耀提出人与 AI 共生智能的 AHI 理念的初心所在。

方飞在文中提到，没有任何一家公司能独立构建 AI 的未来。其还抛出了一个观点：「未来的 AI 体验，绝不会局限于封闭的『围墙花园』，必须建立在开放共创的生态之上。」

在微博文中，方飞还表示，从手机到家居、教育、音频乃至宠物玩具，更多元、更垂直的需求场景正在涌现，属于 AI 硬件的「寒武纪大爆发」时代已经来临。

( @APPSO)

04 社区黑板报

招聘、项目分享、求助……任何你想和社区分享的信息，请联系我们投稿。（加微信 creators2022，备注「社区黑板报」）

1、线下活动招募丨 Physical AI Camp 北京站：无所不在的语音智能体丨 RTE Meetup

2026 开年，开源项目 OpenClaw 的热度证明了个人化 AI 的潜力。而我们更关心个人化 AI 如何真正进入并感知物理世界，与人一起和现实产生实时互动。

从纯文本对话演进而来，Voice Agent 正在 Go Visual、Go Physical，并在往横跨桌面端、移动端与智能硬件的 Go Everywhere 发展。跨平台、多模态的落地实战已经展开。

本周六（3 月 7 日）下午，Physical AI Camp 北京站\&RTE Meetup 落地北京。我们邀请了来自声网、矽递科技、Intent Company 和盒智科技的技术与产品专家。大家将围绕模型、通讯、硬件解决方案和终端落地场景的跨平台协同，交流真实的经验。

📅活动时间： 2026 年 3 月 7 日（周六） 13:30 - 16:30

📍活动地点： 北京市，望京（报名审核通过后分享地址）

🎟参与方式： 扫描海报二维码，或点击下方链接报名

报名链接：

https://www.rtecommunity.dev/t/t_a3AjCnV6RpwTFh

阅读更多 Voice Agent 学习笔记：了解最懂 AI 语音的头脑都在思考什么

写在最后：

我们欢迎更多的小伙伴参与 「RTE 开发者日报」 内容的共创，感兴趣的朋友请通过开发者社区或公众号留言联系，记得报暗号「共创」。

对于任何反馈（包括但不限于内容上、形式上）我们不胜感激、并有小惊喜回馈，例如你希望从日报中看到哪些内容；自己推荐的信源、项目、话题、活动等；或者列举几个你喜欢看、平时常看的内容渠道；内容排版或呈现形式上有哪些可以改进的地方等。

作者提示: 个人观点，仅供参考

当你在浏览网页时，如果浏览器地址栏突然弹出“您的连接不是私密连接”或“该站点不安全”的红色警告，这不仅会让来访用户立刻丧失信任、关闭页面，更可能意味着你的网站数据正处于风险之中。面对这种情况，网站管理员应该怎么办呢？

一、为什么会提示“不安全”？

浏览器提示不安全，绝大多数情况是因为SSL证书缺失或配置不当。SSL证书的作用是加密网站与用户之间传输的数据，并验证网站的真实身份。具体原因通常包括以下几点：

1. 未部署SSL证书：网站仍使用HTTP协议，所有数据明文传输，容易被黑客窃取。
2. 证书已过期：SSL证书有生命周期，过期未续费会导致安全连接失效。
3. 证书类型不匹配：例如使用单域名证书访问子站点，导致域名不匹配错误。
4. 混合内容加载：页面虽为HTTPS，但加载了HTTP协议的图片或脚本。

二、快速解决：部署或更换SSL证书

解决“不安全”提示的根本方法，就是为网站安装一套有效且受信任的SSL证书。对于个人博客、中小企业官网乃至需要通配符加密的多子域名网站，现在有了更经济高效的选择——JoySSL。

SSL证书申请入口

部署教程：三步搞定网站加密

如果你希望快速解决网站不安全提示，可以按照以下步骤操作：

第一步：注册并领取免费证书
访问JoySSL官网，注册一个新账户。在注册过程中，务必填写指定的注册码：230970。这是享受永久免费SSL证书及后续技术支持的关键凭证，填写后即可在账户中免费申请所需证书。

第二步：选择证书并验证域名
登录后，在证书列表中找到“免费体验版”，根据你的需求选择单域名证书（保护一个域名）或通配符证书（保护主域名及所有二级域名）。提交申请后，按照提示在域名管理后台添加TXT解析记录，几分钟内即可完成域名所有权验证。

第三步：下载安装与自动续签
验证通过后，下载对应服务器（如Nginx、Apache、IIS）的证书文件并上传至服务器进行部署。JoySSL后台支持开启自动续签功能，证书到期前系统会自动续期，让你从此无需担心证书过期导致的不安全警告。

三、后续检查与预防

安装完证书后，建议在浏览器中访问网站，确认地址栏显示安全的“锁形”图标。此外，可以在服务器端设置强制HTTPS重定向，确保所有用户访问都自动跳转到加密连接。定期登录JoySSL后台查看证书状态，利用其自动化管理功能，让网站长期维持在安全评级A级以上。

在网络安全日益重要的今天，不要让“不安全”的提示赶走你的访客。通过JoySSL这类便捷工具，低成本、高效率地完成HTTPS加密，既保护了用户数据，也奠定了网站长远发展的信任基石。

Qwen最强阵容，散了

前一天还在通宵发模型，第二天就走人了

3月4日凌晨，所有人都还沉浸在Qwen3.5小模型发布的兴奋中。

马斯克刚刚点赞，海外社区刷屏转发，千问团队士气正高。

然后林俊旸发了一条推文。

六个单词，me stepping down, bye my beloved qwen.

翻译过来就是，我走了，再见了我亲爱的千问。

他刚宣布离开不久，Qwen3.5/VL/Coder核心贡献者Kaixin Li也在X上发帖告别。紧接着，长期活跃在X平台的通义实验室科学家Binyuan Hui也于今早发文bye qwen, me too。

一个上午，三个核心骨干，接连告别。

这不是普通的人事变动。这是一支正在巅峰期的团队，被亲手拆散。

他们是谁？不是空降的，是阿里自己养大的

先说一个关键事实。

近期密集离职的林俊旸、郁博文、惠彬原的第一份工作都在阿里，是阿里培养的应届生。

林俊旸2019年从北京大学语言学与应用语言学硕士毕业后加入阿里达摩院。郁博文2022从中国科学院信息工程研究所博士毕业后加入阿里达摩院，是当年的阿里星。1999年生的惠彬原，于2022年获得天津大学硕士学位后正式加入阿里达摩院。三人都参与了Qwen模型的早期训练。

换句话说，这三个人不是从外面挖来的大佬。他们是阿里一手培养的，从校园里走出来，在达摩院长大，在通义实验室扛起了整个千问。

林俊旸不是海归博士，而是本土环境成长起来的、具有国际影响力的AI技术领袖。2025年，1993年出生、时年32岁的林俊旸成为阿里最年轻的P10。

32岁，P10，千问从0到1的技术灵魂人物。

Qwen Code负责人惠彬原也于2026年1月从阿里离职，加入Meta。此后林俊旸曾接手负责Qwen Code，就在上周，林俊旸还在社交媒体分享Qwen Coding Agent相关的招聘信息。

上周还在替团队招人，这周自己走了。你品，你细品。

同一天，Qwen的后训练负责人郁博文也正式离职，他的工作将由今年初加入阿里通义实验室的前DeepMind高级资深研究员周浩接任。

惠彬原1月走，郁博文3月走，林俊旸3月走，李凯鑫3月走。四个月内，千问核心研发层近乎清空。

这不叫正常离职。这叫溃散。

到底发生了什么？两个字，拆团队

林俊旸最终选择离开，很可能与Qwen团队正经历的组织调整有关。

什么调整呢？

近期，通义实验室计划将Qwen团队分拆，从涵盖不同训练流程和模态的垂直整合体系，变成预训练、后训练、文本、多模态等一个个分开的水平分工团队，这些团队仍隶属通义实验室。林俊旸的管理范围被缩小。

我翻译一下这段话。

原来的千问是一个完整的作战单元。预训练、后训练、多模态、代码，所有环节打通，一个团队搞定。这种垂直整合的模式，恰恰是千问能快速迭代的核心原因。

现在管理层要把它拆成好几个小团队，各管各的。预训练一拨人，后训练一拨人，文本一拨人，多模态一拨人。

听起来是不是很熟悉？没错，这就是大公司最经典的管理套路，把一个能打仗的整体，按照职能切成碎片，然后每个碎片安排一个汇报线。

问题来了。

把模型团队拆开、打散的变化，也不符合林俊旸对技术趋势的判断。去年至今，林俊旸曾多次提及，他认为预训练、后训练，乃至Infra和训练团队应该更紧密地结合和沟通。

技术负责人说应该更紧密。管理层说要拆开。

这就是矛盾的根源。

商业目标和技术目标之间并没有完全对齐。从上而下制定战略和分工，与内部小团队的独立探索之间的拉扯，是Qwen团队与阿里大环境之间更深层的问题。

说白了，管理层的颗粒度和技术团队的颗粒度，根本没有对齐。

管理层想的是组织架构清晰，汇报线分明，每个模块有KPI可以考核。技术团队想的是我做模型需要端到端打通，流水线越短迭代越快。

一个要拆，一个要合。拆赢了，人走了。

最讽刺的部分来了

一位通义实验室人士曾说，2023年的AI热潮之前就已在开发大模型的Qwen团队曾成长于一个少有人注意的角落，少被打断和拉扯，团队可以把精力用在模型本身的迭代上。

Qwen最强的时候，恰恰是没人管它的时候。

当它默默无闻，蹲在达摩院角落里搞研究的时候，没有组织分拆，没有架构调整，没有DAU考核。团队想怎么试就怎么试，预训练后训练一起搞，文本多模态一起推。

结果呢？推出来了。Qwen3打榜全球前列，Qwen3.5除夕夜发布397B参数模型，第三方机构QuestMobile最新数据显示，千问在2026年春节期间创DAU新高，拿下940%的最高增幅。

而当AI成为大型科技公司输不起的全局战争，各公司的核心模型研发团队开始面临更多组织变化。常见的变化发生在研发明显受挫时，而阿里的此次变化，发生在外部评价和内部士气都相对不错时。

看到这句话，我真的笑不出来。

一般来说，团队搞砸了，领导换人，大家能理解。但千问正处在历史最好的状态，技术强、口碑好、增长猛，然后管理层说，来，我们重新调整一下组织架构。

这就好比你刚跑完马拉松前半程领先所有人，教练突然跑过来说，我觉得你的跑姿需要改一下，顺便把你的跑鞋也换了。

接替者是谁？从Gemini来的

近期加入阿里的周浩则在2019年博士毕业于威斯康星大学麦迪逊分校。据周浩领英的信息，他是Gemini 3.0、AI Mode、DeepResearch、Gemini 1.0等项目的关键贡献者，领导了针对Gemini 3.0的多步骤强化学习。

请注意这个信号。

走掉的是阿里自己培养的本土骨干，接替的是从Google Gemini团队空降的海归。这个安排本身没有对错之分，周浩的履历确实漂亮。

但问题在于节奏。

核心技术负责人还在岗位上，你就把他的权限收窄，把他的团队拆散，然后找外面的人来接他的活儿。

多位接近此事的人告诉我们，林俊旸的离职很突然。同事用了三个词形容这件事，带着遗憾，唏嘘，他很爱Qwen。

同为千问团队成员的Chen Cheng在转帖中透露，林俊旸的离开似乎并非其本人意愿。

也就是说，这不是一个人主动放弃了千问。是千问被管理层从他手里拿走了。

一个更深层的问题，阿里到底想要什么样的AI

这件事的本质，其实不是一个人或几个人的离职。它揭示了一个在所有大厂AI团队中都普遍存在的拉锯战。

技术团队觉得，做基础模型就应该像一个创业公司那样运转。小团队，高度自治，快速决策，端到端负责。你给我算力和时间，我给你世界前三的模型。

管理层觉得，AI是集团战略，必须有清晰的组织架构、明确的分工、可量化的产出。团队大了就要拆，拆了才好管理，管理了才能对上汇报。

两种逻辑都有道理。但当你非要把一个技术驱动的创新单元，硬塞进大公司标准化的管理框架里，结果往往是创新死了，框架也空了。

特别是DeepSeek-V3享誉全球，R1被众多友商接入后过了一个多月，Qwen2.5-Max、QwQ-32B、QvQ-Max这些能对标前者性能的模型才姗姗来迟，给人一种疲于应对的感觉。

千问一直在追赶，一直在努力缩小和最前沿的差距。好不容易到了Qwen3.5这一代，几乎站稳了全球开源第一梯队。

然后管理层动刀了。

写在最后

林俊旸此次提出离职对阿里也很突然。对阿里来说，任何个体需求都要让位于组织需求。

这句话才是整件事最冷的注脚。

任何个体需求都要让位于组织需求。

翻译成人话就是，你再重要，也没有组织架构图重要。你再能打，也要先适应新的汇报线。

林俊旸走了。郁博文走了。惠彬原走了。李凯鑫走了。

他们不是被竞争对手挖走的。他们是被自己人逼走的。

千问从来没有像今天这样强大，也从来没有像今天这样脆弱。

模型还在，代码还在，论文还在。但写出这些东西的那群人，散了。

管理层可能觉得，换一批人来，照样能干。毕竟组织大于个体嘛。

但他们忘了一件事。

Qwen团队曾成长于一个少有人注意的角落，少被打断和拉扯，团队可以把精力用在模型本身的迭代上。

千问最初能成功，靠的不是组织架构多清晰，汇报线多明确。靠的是一群年轻人在没人打扰的角落里，闷头做出了一个世界级的模型。

现在你把角落拆了，把闷头做事的人赶走了，然后指望新来的人在聚光灯下，在层层审批中，做出同样的东西。

祝好运吧。

Cohesity NetBackup 11.1 for Linux & Windows - 领先的企业备份和恢复解决方案

Comprehensive enterprise data protection

请访问原文链接：https://sysin.org/blog/netbackup-11/ 查看最新版。原创作品，转载请保留出处。

作者主页：sysin.org

Cohesity NetBackup：全面的企业数据保护

备份和恢复软件解决方案领导者

Veritas (now part of Cohesity) 荣膺 2024 Gartner® “企业备份和恢复软件解决方案” 魔力象限的领导者，第 19 次获此殊荣。

详见：Gartner Magic Quadrant for Enterprise Backup and Recovery Solutions 2024

备份和恢复市场中供应商有大大小小数百个之多，我们认为，Gartner 报告再次彰显了 Veritas 在全球高端中型市场和大型企业环境具有较高影响力。

Veritas 深受企业信赖，管理的数据超过任何其他数据保护类公司。

我们的数据保护范围包括：

• 80,000+ 家企业客户
• 95% 的财富 100 强企业
• 全球十大商业银行巨头、领先的金融数据服务公司以及通信公司

Veritas 长久以来，一直致力于帮助全球企业在重重挑战面前全方位保护数据并维持业务照常运营，从而备受业界认可。

了解 NetBackup 11.1 的最新创新成果

发布最新版本的 NetBackup 11。

随着由 AI 和量子计算提供支持的新威胁不断出现，Cohesity NetBackup 将继续提供智能网络弹性、高级自动化以及扩展的控制和灵活性，所有这些都可以增强保护，同时降低成本和资源需求。

以下是 NetBackup 11.1 版本中新增的功能和改进：

• Cohesity 术语更改
  与 NetBackup 集成的 Cohesity 术语进行了更新。
• 包含 RESTful API 接口
  NetBackup 11.1 中包含了新的 REST API 功能，可用于程序化访问和自动化管理。
• 支持为 Nutanix AHV 创建即时访问虚拟机（Instant Access VM）功能
  使备份虚拟机更快恢复为可访问状态。
• 支持 Kernel-based Virtual Machine (KVM)
  提供对基于 KVM 的虚拟化环境的原生支持。
• 对象更改跟踪（Object Change Tracking）用于云对象存储保护
  优化对云对象存储备份时的数据变更检测，提高效率。
• 扩展对 HPE GreenLake 块存储阵列的复制支持
  在 HPE GreenLake 环境中提供更高级的数据复制支持。
• NetBackup Snapshot Manager for Data Center 现在支持云存储阵列
  为云存储平台提供更好的快照管理能力。
• 增强对 PaaS 数据库的支持
  改进对平台即服务数据库（如托管数据库服务）的备份与恢复支持。
• 支持 NextGen Malware Scanner 工具
  在备份过程中新增对下一代恶意软件扫描工具兼容性。
• Web UI 中恶意软件扫描操作的实时更新
  管理界面显示更实时的恶意软件扫描状态更新。
• 在检测感染时可以中止恶意软件扫描
  如果扫描过程中发现恶意软件，可立即停止扫描以加快响应。
• 支持单个提供程序插件中的多账户（Multi-Account support）
  同一插件中可配置多个云账户。
• 云规模增强和部署更新
  改进对大规模云环境的支持和部署体验。
• 支持云密钥管理服务（Cloud Key Management Service）
  用于加密密钥的云服务集成支持。
• 支持网络访问控制功能
  增强对网络安全策略的集成。
• 引入 Freeze 模式（冻结模式）
  用于在某些操作中保持系统状态的一致性。
• 支持跨 virtualization 平台的跨-Hypervisor 恢复（如从 VMware 恢复到 Nutanix）
  允许在不同虚拟化平台之间进行恢复操作。
• 支持 PostgreSQL Backups 的 pgBackRest
  通过 pgBackRest 提供对 PostgreSQL 的备份支持。
• 支持 Percona XtraBackup 工具
  为 MySQL 及其衍生版本的备份提供支持。
• 在 Cohesity 与 NetBackup Web UI 中支持 Microsoft SharePoint 恢复
  提供 SharePoint 数据的恢复选项。
• 增强 WebSocket 服务器凭据安全性（使用 JWT 认证）
  提高 Web UI 与后端服务之间通信的安全性。
• Web UI 报告增强功能
  增加更多图形化和可定制的报告。
• Web UI 中的 Vault 管理增强
  改进 Vault（安全存储库）管理功能。
• 支持存储单元组总览视图
  允许用户在界面中看到存储单元分组的信息总览。
• 对存储服务器凭据进行增强支持
  改进了凭据在不同存储服务器之间的一致性和管理方法。

下载地址

Cohesity NetBackup 11 for Linux x64 & Windows x64

• 请访问：https://sysin.org/blog/netbackup-11/

官方文件列表：

相关产品：

• Backup Exec 25.1 Windows x64 - 数据备份和恢复
• Veritas Backup Exec 24.0 (Windows) - 面向中小型企业的数据备份和恢复
• Veritas NetBackup 10.5 (Unix, Linux, Windows) - 领先的企业备份和恢复解决方案
  Cohesity NetBackup 11.1 for Linux & Windows - 领先的企业备份和恢复解决方案

Comprehensive enterprise data protection

请访问原文链接：https://sysin.org/blog/netbackup-11/ 查看最新版。原创作品，转载请保留出处。

作者主页：sysin.org

Cohesity NetBackup：全面的企业数据保护

备份和恢复软件解决方案领导者

Veritas (now part of Cohesity) 荣膺 2024 Gartner® “企业备份和恢复软件解决方案” 魔力象限的领导者，第 19 次获此殊荣。

详见：Gartner Magic Quadrant for Enterprise Backup and Recovery Solutions 2024

备份和恢复市场中供应商有大大小小数百个之多，我们认为，Gartner 报告再次彰显了 Veritas 在全球高端中型市场和大型企业环境具有较高影响力。

Veritas 深受企业信赖，管理的数据超过任何其他数据保护类公司。

我们的数据保护范围包括：

• 80,000+ 家企业客户
• 95% 的财富 100 强企业
• 全球十大商业银行巨头、领先的金融数据服务公司以及通信公司

Veritas 长久以来，一直致力于帮助全球企业在重重挑战面前全方位保护数据并维持业务照常运营，从而备受业界认可。

了解 NetBackup 11.1 的最新创新成果

发布最新版本的 NetBackup 11。

随着由 AI 和量子计算提供支持的新威胁不断出现，Cohesity NetBackup 将继续提供智能网络弹性、高级自动化以及扩展的控制和灵活性，所有这些都可以增强保护，同时降低成本和资源需求。

以下是 NetBackup 11.1 版本中新增的功能和改进：

• Cohesity 术语更改
  与 NetBackup 集成的 Cohesity 术语进行了更新。
• 包含 RESTful API 接口
  NetBackup 11.1 中包含了新的 REST API 功能，可用于程序化访问和自动化管理。
• 支持为 Nutanix AHV 创建即时访问虚拟机（Instant Access VM）功能
  使备份虚拟机更快恢复为可访问状态。
• 支持 Kernel-based Virtual Machine (KVM)
  提供对基于 KVM 的虚拟化环境的原生支持。
• 对象更改跟踪（Object Change Tracking）用于云对象存储保护
  优化对云对象存储备份时的数据变更检测，提高效率。
• 扩展对 HPE GreenLake 块存储阵列的复制支持
  在 HPE GreenLake 环境中提供更高级的数据复制支持。
• NetBackup Snapshot Manager for Data Center 现在支持云存储阵列
  为云存储平台提供更好的快照管理能力。
• 增强对 PaaS 数据库的支持
  改进对平台即服务数据库（如托管数据库服务）的备份与恢复支持。
• 支持 NextGen Malware Scanner 工具
  在备份过程中新增对下一代恶意软件扫描工具兼容性。
• Web UI 中恶意软件扫描操作的实时更新
  管理界面显示更实时的恶意软件扫描状态更新。
• 在检测感染时可以中止恶意软件扫描
  如果扫描过程中发现恶意软件，可立即停止扫描以加快响应。
• 支持单个提供程序插件中的多账户（Multi-Account support）
  同一插件中可配置多个云账户。
• 云规模增强和部署更新
  改进对大规模云环境的支持和部署体验。
• 支持云密钥管理服务（Cloud Key Management Service）
  用于加密密钥的云服务集成支持。
• 支持网络访问控制功能
  增强对网络安全策略的集成。
• 引入 Freeze 模式（冻结模式）
  用于在某些操作中保持系统状态的一致性。
• 支持跨 virtualization 平台的跨-Hypervisor 恢复（如从 VMware 恢复到 Nutanix）
  允许在不同虚拟化平台之间进行恢复操作。
• 支持 PostgreSQL Backups 的 pgBackRest
  通过 pgBackRest 提供对 PostgreSQL 的备份支持。
• 支持 Percona XtraBackup 工具
  为 MySQL 及其衍生版本的备份提供支持。
• 在 Cohesity 与 NetBackup Web UI 中支持 Microsoft SharePoint 恢复
  提供 SharePoint 数据的恢复选项。
• 增强 WebSocket 服务器凭据安全性（使用 JWT 认证）
  提高 Web UI 与后端服务之间通信的安全性。
• Web UI 报告增强功能
  增加更多图形化和可定制的报告。
• Web UI 中的 Vault 管理增强
  改进 Vault（安全存储库）管理功能。
• 支持存储单元组总览视图
  允许用户在界面中看到存储单元分组的信息总览。
• 对存储服务器凭据进行增强支持
  改进了凭据在不同存储服务器之间的一致性和管理方法。

下载地址

Cohesity NetBackup 11 for Linux x64 & Windows x64

• 请访问：https://sysin.org/blog/netbackup-11/

官方文件列表：

相关产品：

• Backup Exec 25.1 Windows x64 - 数据备份和恢复
• Veritas Backup Exec 24.0 (Windows) - 面向中小型企业的数据备份和恢复
• Veritas NetBackup 10.5 (Unix, Linux, Windows) - 领先的企业备份和恢复解决方案

原文地址 https://feinterview.poetries.top/blog/claude-figma-mcp-minmax

本文详细介绍如何通过 Claude Code + MinMax + Figma MCP 的组合方案，实现设计稿到代码的高精度自动还原。

安装 Figma MCP

首先在终端中执行以下命令安装 Figma MCP：

claude mcp add --scope user --transport http figma https://mcp.figma.com/mcp

安装完成后，使用 claude mcp list 查看已安装的 MCP 列表：

授权 Figma 账户

MCP 安装成功后，需要在 Claude Code 界面中完成 Figma 账户的授权操作。点击授权按钮后会跳转到 Figma 官网的 OAuth 页面，登录并确认授权即可。

授权成功后，MCP 即可正常连接并读取你的 Figma 文件：

配置 MinMax 模型（可选）

如果你希望降低 API 调用成本，可以在 Claude Code 中配置 MinMax 作为模型供应商。使用 claude switch 命令调出模型切换面板，添加新的供应商：

详细配置步骤可参考 MinMax 官方文档。

使用 Figma MCP 还原设计稿

接下来演示如何使用 Figma MCP 从设计稿自动生成代码。

选择目标设计稿

本示例使用的是 Figma Community 上的一个咖啡馆落地页设计稿：

• 设计稿地址

打开设计稿后，点击【Open in Figma】进入画布页面：

获取设计元素链接

在 Figma 画布中选择你想要复刻的 Layer 层或 Frame，点击右键选择【Copy link to selection】获取元素链接：

调用 Claude Code 生成代码

切换到 Claude Code 界面，输入以下提示词即可自动还原设计稿：

请使用Figma MCP，在 @test.html 页面还原落地页设计：https://www.figma.com/design/zZQZmhP0lSw4OeCsBvuzFG/Bean-Scene-Coffee--Community-?node-id=1-4&t=2TnBNPKQMGuHxi8w-4

注意：提示词中的 @test.html 指定了输出文件名，Figma 链接包含了文件 ID 和节点 ID 信息，MCP 会据此解析设计元素属性并生成对应代码。

MCP 会自动读取设计稿的颜色、字体、间距等属性，并生成对应的 HTML 和 CSS 代码：

验证还原效果

代码生成完成后，打开生成的 test.html 文件查看效果：还原度还是很高的

参考资料

• Figma MCP Server 官方文档
• MinMax Claude Code 接入指南