矩阵起源

从 App + Database 到 Agent + Context：下一代企业 AI Infra 的架构推演在确定性软件与概率性智能之间，企业需要一套新的工程体系：既让传统软件继续承担可靠执行，也让 Agent 可以获得上下文、记忆、预算、治理与持续学习。

Astra 正式开源了：面向长期复杂工作的企业级 Agent Runtime矩阵起源一直是一家 Data Infra 公司，长期做数据库和数据系统的企业级基础设施。最近几年，模型从回答问题走向调用工具、执行流程，我们的重心也随之明确：支持 Agentic Workload。与此同时，我们自己的数据平台也越来越离不开 Agent。它不再只是产品外面的一层对话入口，而是开始理解意图、组织上下文、选择模型和工具、调度查询与任务，在权限边界内推动执行，正在成为数据基础设施的一种新型控制面。Agent 需要数据基础设施提供持久状态、上下文、事务、治理、恢复和可观测性；数据平台也需要 Age

矩阵起源中标外研社“多模态数据智能平台和智能体开发项目“以 MatrixOne Intelligence（MOI）多模态数据底座，赋能外语出版龙头数智化升级近日，矩阵起源成功中标外语教学与研究出版社有限责任公司（简称「外研社」）“多模态数据智能平台和智能体开发项目”，本次项目将围绕多模态数据智能平台部署与教学 / 编辑 / 服务智能体的开发，构建面向外语教育出版全业务场景的 “Data + AI” 基础设施 —— 这也是矩阵起源核心产品 MatrixOne Intelligence（MOI）在国内头部出版机构中的又一次标杆落地。

MatrixOne Git4Data 技术详解（十二）·大模型篇：RLHF 偏好数据——分歧、裁决与可复现上一篇我们做了一轮完整的 SFT 数据 curation：在分支上做六步过滤，每步先计数，DIFF 留下审计记录，先登记后快照发布。这一篇沿着大模型的训练链路往下走一步，进入偏好对齐——RLHF / DPO 依赖的那份偏好数据。

MatrixOne Git4Data 技术详解（十一）·大模型篇：SFT 数据 curation——可审计、可复现的数据清洗前十篇里，我们把 MatrixOne 的 Git4Data 能力从概念一路带到了 AI 训练现场：前四篇建立技术坐标，第五到第七篇是数据运维（误操作救援、多人协作、Write-Audit-Publish），第八、九篇讲传统机器学习（全流程总图、数据集发布与泄漏），第十篇转向深度学习的文件型数据，让 lakeFS 管文件、MatrixOne 管元数据。

MatrixOne Git4Data 技术详解（十）·深度学习篇：训练数据怎么管——lakeFS 管文件，MatrixOne 管元数据前面九篇一直在结构化数据上打转：前四篇讲清了 Git4Data 是什么、怎么用、和其他方案分别站在哪一层；第五到第七篇是数据运维；第八、九篇进入 AI 训练，用一个风控模型走通了全流程总图和数据集发布与泄漏。

MatrixOne Git4Data 技术详解（七）·数据运维实践篇：Write-Audit-Publish——给 ETL 流水线装一道发布门禁数据流水线有一个老大难问题：上游来的数据，质量不归你管，但出了事算你的。凌晨三点，定时 ETL 把昨天的一批新数据灌进生产表 events——报表、看板、下游作业、特征管道全都在读它。这批数据里混着上游常见的脏东西：空 user_id、负数金额、一眼假的离群值、对不上维表的用户。等白天有人发现时，晨会看板已经算错、下游作业已经跑完、模型已经拿它训了一轮。然后是更难的部分：脏数据和好数据已经混在同一张表里，事后把它摘干净，比当初挡在门外难十倍——那又回到了第五篇的事故救援。

MatrixOne Git4Data 技术详解（三）：MatrixOne 架构及 Git4Data 原理解析，快照、Diff、Merge 凭什么这么快前两篇里，我们先讲了为什么数据需要 Git，又动手把所有 Git 原语在百万行上跑了一遍。动手那篇结尾留下一张让人有点意外的表：

【MOI 实践 Vol.2】[特殊字符]报表数字看不懂、口径对不上？让AI帮你搞定一切不知道你有没有经历过这样的场景——老板突然问你：“今年哪个事业部的业绩表现最好？”你愣了一下，脑子里瞬间冒出无数个问号：要用哪张表？数据在哪个系统？各系统的统计口径一样吗？"业绩"到底怎么定义？跑出来的数据要怎么验证？

喜报｜矩阵起源获InfoQ极客传媒2025年度技术生态构建品牌奖1月21日，以“超越泡沫，开始构建”为主题的2026极客科技伙伴时刻圆满结束，该活动是极客邦科技一年一度的保留节目，旨在表彰过去一年中为技术生态发展与建设贡献突出力量的企业、团队和个人。

我是有底线的