作者：MiniMax 基础架构研发工程师 Koyomi、香克斯、TinkerMiniMax 是领先的通用人工智能科技公司，自主研发了不同模态的通用大模型，其中包括拥有万亿参数的 MoE 文本大模型、语音大模型以及图像大模型。MiniMax 以“与用户共创智能”为愿景，通过对大模型持续迭代，MiniMax 在国内率先完成核心 MoE 算法技术路线的突破。2024 年 4 月，公司推出国内首个上线商用

中通快递基于 SelectDB 构建了湖仓分析架构，补齐 OLAP 分析能力。在离线场景中，实现 2000+ QPS 并发点查；在实时场景中，仅以 1/3 原集群机器数量覆盖所有业务，90% 分析任务从 10 分钟缩短至 1 分钟内，投入产出比大幅提升。

在快递行业，运单数据贯穿业务全流程，每一单的流转状态、时效分析、异常监控，都离不开实时数据的支撑。作为行业领军企业，。面对如此庞大的数据规模，如何让数据分析快起来，让业务人员随时能查到想看的运单信息，成为技术团队必须攻克的难题。今天，我们就来聊聊中通快递如何通过技术架构升级，让运单数据分析从分钟级提升至秒级。

针对大模型应用中专用向量库成本高、混合查询难的痛点，本文深入拆解 Apache Doris 4.1 原生向量检索的工程实践。从 IVF 算法降本、存储分层，到突破性能瓶颈的 ANN Index Only Scan，系统化解决 AI 时代的海量数据存算难题。在大幅压低内存开销的同时，跑出了 900 QPS 与 97% 召回率的亮眼成绩。

构建一套能够同时处理文本、向量、标签和元数据，并在海量规模下支持高效检索与分析的统一系统。从分散的架构转向融合的架构，不仅提升了查询性能和开发效率，更为更智能、更数据驱动的研发工作流奠定了坚实基础。这些经验的适用范围远不止自动驾驶。任何面临多模态数据规模化管理挑战的行业：智慧城市、工业质检、内容推荐，以及日益兴起的 AI Agent 基础设施都面临同样的架构抉择。以 Apache Doris 为代

构建一套能够同时处理文本、向量、标签和元数据，并在海量规模下支持高效检索与分析的统一系统。从分散的架构转向融合的架构，不仅提升了查询性能和开发效率，更为更智能、更数据驱动的研发工作流奠定了坚实基础。这些经验的适用范围远不止自动驾驶。任何面临多模态数据规模化管理挑战的行业：智慧城市、工业质检、内容推荐，以及日益兴起的 AI Agent 基础设施都面临同样的架构抉择。以 Apache Doris 为代

构建一套能够同时处理文本、向量、标签和元数据，并在海量规模下支持高效检索与分析的统一系统。从分散的架构转向融合的架构，不仅提升了查询性能和开发效率，更为更智能、更数据驱动的研发工作流奠定了坚实基础。这些经验的适用范围远不止自动驾驶。任何面临多模态数据规模化管理挑战的行业：智慧城市、工业质检、内容推荐，以及日益兴起的 AI Agent 基础设施都面临同样的架构抉择。以 Apache Doris 为代

构建一套能够同时处理文本、向量、标签和元数据，并在海量规模下支持高效检索与分析的统一系统。从分散的架构转向融合的架构，不仅提升了查询性能和开发效率，更为更智能、更数据驱动的研发工作流奠定了坚实基础。这些经验的适用范围远不止自动驾驶。任何面临多模态数据规模化管理挑战的行业：智慧城市、工业质检、内容推荐，以及日益兴起的 AI Agent 基础设施都面临同样的架构抉择。以 Apache Doris 为代

Litefuse 是一个 Agent 可观测与评估平台，通过 Evaluation Driven Development (EDD) “观测-评估-优化”闭环，让 Agent 的执行过程可追踪、问题可定位、效果可量化、优化可验证。Litefuse 兼容 Langfuse SDK 和 100 多个 AI 生态，并支持 Hermes、OpenClaw、Claude Code 等通用 Agent。

随着数据不断演进，尤其在 AI Agent、LLMOps 与可观测性系统快速发展的背景下，宽 JSON 的字段膨胀带来巨大的性能挑战。Apache Doris 4.1 通过 Doc Mode 与 Segment V3 实现了高效的存储与查询优化，使系统在写入吞吐、查询性能与资源开销之间保持良好平衡，其综合性价比优于 Clickhouse、PostgreSQL 等业界典型方案。随着业务持续演进（车型