认知型向量数据库

可私有部署的认知型向量数据库
数据永不离开你的基础设施。

VecminDB 运行在你自己的基础设施上——单容器即启、支持气隙离线部署，内置 BGE-M3 嵌入权重，不调用任何第三方 Embedding 或 LLM API。原生记忆生命周期（LTSM 衰减、PCA 蒸馏）配合 HMAC 签名审计链与引擎层租户隔离。一行 Docker 命令，你的 Agent 记忆留在你自己的网络里。

Docker 一行启动合规部署指南

已服务 0+ 位开发者与智能体实例

数据主权与合规

以下每一条都是引擎可验证的工程属性——面向必须将数据留在自己边界内的团队。

支持气隙离线部署无外部 Embedding API HMAC-SHA256 审计链引擎层租户隔离联邦质心共享离线许可激活

🔒

私有化与气隙部署

一个容器（docker run，端口 5520）或原生二进制，内置 BGE-M3 ONNX 权重。嵌入与检索全程在你的网络内完成——不调用任何第三方 Embedding 或 LLM API。

了解更多 →

🧾

防篡改审计链

每一次记忆写入都会追加到 HMAC-SHA256 签名的 WAL 审计链。Agent 的决策可对照签名历史回放与验证。

了解更多 →

🛡

引擎层隔离

Sovereignty Token 在引擎层将 Agent 绑定到各自记忆域——不是应用层过滤。RBAC 中间件校验每一次 API 调用。

了解更多 →

🌐

联邦共享质心而非记忆

Sovereignty Border Guard 的 PII 正则门禁阻止原始记忆进入联邦池。DP-Federated PCA 只共享聚合质心。

了解更多 →

面向受监管环境部署？本部署形态支持你的合规要求。

阅读安装部署与商业运维指南 →

Memory Distillation Pipeline

LTSM LIFECYCLE

为什么选择认知型向量数据库？

传统的向量数据库给了智能体一块静态硬盘。而 VecminDB 赋予智能体一个双核驱动、具备自我巩固、遗忘进化与隐私联邦的“活记忆大脑”。

自动遗忘 (LTSM)

Episodic Memory 按 W(t)=exp(-λ×Δt) 自动衰减。被反复访问的记忆留下，一次性噪音自动消失。Agent 永远不会从三个月前的垃圾记忆里检索答案。

PCA 记忆蒸馏

3 条以上衰减的记忆自动 PCA 压缩为一个 Abstract Centroid。不需要写摘要脚本，不需要调 LLM API——引擎层自动完成。存储量随时间收敛，而非发散。

Agent 主权隔离

Sovereignty Token + HMAC-SHA256 签名链在引擎层强制隔离。财务 Agent 的记忆物理上不能被客服 Agent 读取——不是应用层 filter，是引擎层隔离。

了解更多 →

联邦知识共享

Sovereign Federation 将多个 Agent 的蒸馏候选在 DP-Federated PCA 下聚合为 Alliance Centroid。共享的是知识质心，不是原始隐私记忆。

零外部依赖

内置 BGE-M3 旗舰权重 ONNX 引擎。一个 Docker 镜像启动。不需要 Python 环境、不需要 PyTorch、不需要 OpenAI API Key、不需要任何外部 Embedding 服务。

了解更多 →

NSGA-II 自调优

内置多目标演化优化器自动在召回率×延迟×内存的 Pareto 前沿搜索最优解。Shadow Index 后台重建 + ArcSwapAny 原子切换——前端查询零中断。

长期拥有成本 (TCO) 差异化对比

传统向量数据库采用“数据随时间线性膨胀”的计费模式，而 VecminDB 依靠内置的 LTSM 遗忘与 PCA 蒸馏，使存储空间渐进收敛，助您锁定长期预算。

为何存储与费用会收敛？

🧬 LTSM 遗忘曲线：自动淘汰占比达 65% 的一次性无用临时记忆；
📉 PCA 质心冷凝：相似语义块后台自动压缩为参数流形，不再随数据量发散。

传统向量 DB 账单

VecminDB 记忆 OS 账单

企业级行业落地场景

将高维智能体记忆能力具象化为政企核心业务的降本增效与安全合规护栏

🔒

金融风控：机密主权联邦

多个金融机构或 Agent 实例在完全不跨域传输原始敏感记忆（如姓名、卡号等）的前提下，通过 DP-Federated PCA 差分隐私联邦提纯第一主成分，安全共享“反洗钱/反欺诈特征质心”。

💬

智能客服：降噪与存储收敛

大流量客服 Agent 长期高频交互产生海量冗余记忆。LTSM 遗忘线自动淡化一次性无用噪声，3-Sigma 哨兵实时拦截对抗性指令毒化，使存储和 API 账单直降 85%。

🚀

国防与政务：气隙局域网部署

特种机密或本地涉密网络需 100% 物理断网。基于单机零外部依赖的 C/C++ 机器码部署，内置 ONNX 运行环境与 BGE-M3 权重，配合设备 HAI 硬件指纹和 Monotonic Startup 校准，防范系统篡改。

30 秒看到价值

不需要 SDK。不需要 API Key。不需要配置环境。你甚至不需要碰向量。

Terminal bash

# 1. 启动 VecminDB（零外部依赖）

# 官方 GitHub GHCR 源 (海外直连推荐):
docker run -d --name vecmindb -p 5520:5520 -v vecmindb-data:/home/vecminDB/data -e VECMIN__SECURITY__ADMIN_KEY=my-secret-key ghcr.io/lingxinmind/vecmindb:latest

# 备选：国内阿里云极速专线 (中国大陆开发者推荐，免翻墙秒级下载):
# docker run -d --name vecmindb -p 5520:5520 -v vecmindb-data:/home/vecminDB/data -e VECMIN__SECURITY__ADMIN_KEY=my-secret-key crpi-ngtfnt7d3tsnwk7l.cn-shanghai.personal.cr.aliyuncs.com/vecmindb/vecmindb:latest

# 2. 存一条记忆——纯文本，不要向量。内置模型自动处理 Embedding。

curl -X POST http://localhost:5520/api/v1/mcp/message \

  -H "Content-Type: application/json" \

  -d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"store_memory","arguments":{"text":"Customer #4521 always disputes charges over $50; requires manager approval for refunds","agent_id":"billing"}}}'

# 3. 语义搜索——"who disputes charges" 找到 "always disputes charges over $50"

curl -X POST http://localhost:5520/api/v1/mcp/message \

  -H "Content-Type: application/json" \

  -d '{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"search_memory","arguments":{"query":"who disputes charges","agent_id":"billing"}}}'

# 4. 浏览器打开 Dashboard，看记忆蒸馏实时发生

open http://localhost:5520/dashboard

Terminal

# docker-compose.yml
# 一键拉起 3 节点 Raft 强一致性分布式集群
version: '3.8'
services:
  node1:
    image: ghcr.io/lingxinmind/vecmindb:latest
    ports: ["5520:5520"]
    volumes: ["vecmin-data1:/home/vecminDB/data"]
    command: ["--node-id", "1", "--raft-addr", "node1:6001", "--peers", "node1:6001,node2:6002,node3:6003"]
  node2:
    image: ghcr.io/lingxinmind/vecmindb:latest
    volumes: ["vecmin-data2:/home/vecminDB/data"]
    command: ["--node-id", "2", "--raft-addr", "node2:6002", "--peers", "node1:6001,node2:6002,node3:6003"]
  node3:
    image: ghcr.io/lingxinmind/vecmindb:latest
    volumes: ["vecmin-data3:/home/vecminDB/data"]
    command: ["--node-id", "3", "--raft-addr", "node3:6003", "--peers", "node1:6001,node2:6002,node3:6003"]

volumes:
  vecmin-data1:
  vecmin-data2:
  vecmin-data3:

# 1. 一键拉起 3 节点 Raft 强一致性分布式集群（自带 30s 极速自愈）
docker compose up -d

# 2. 集群启动自动探测硬件并自动调优，检查集群拓扑健康状态
curl http://localhost:5520/api/v1/cluster/topology

# 3. 分布式多节点高并发存入记忆，数据根据分区哈希路由与重平衡
curl -X POST http://localhost:5520/api/v1/mcp/message \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"store_memory","arguments":{"text":"Internal Audit Secured","agent_id":"cluster"}}}'

# 4. 无损平滑升级集群 (Raft 数据卷自动保留):
docker compose down && docker compose pull && docker compose up -d

你从未碰过 embedding 模型——VecminDB 内置处理了。你从未写一行蒸馏代码——引擎在后台自动运行。

🖥️

服务启动后即可访问可视化控制台

一旦 Docker 或二进制启动成功，直接在浏览器中打开内置控制台，直观观察记忆蒸馏与集群拓扑。

Open Console ↗

下载原生离线包 (Zero-Docker)

🐧 Linux (含模型·离线完整包) 🍏 macOS (M1/M2/M3) 🪟 Windows (x64)

内置 ONNX 运行库与 BGE-M3 权重。解压即用，支持 100% 物理断网运行。

VECMINDB UI

内置零依赖可视化脑图控制台

无需安装额外软件，浏览器一键访问。实时掌握智能体大脑的所有状态演化。

⚡

LTSM 遗忘线与记忆衰减监测

以曲线直观展现 Episodic Memory 的半衰期衰减与降噪过滤进度。
🧠

PCA 知识质心自进化演化图

实时观察多条关联记忆如何通过 Welford 在线均值和 DP-Federated PCA 蒸馏合并为稳定的知识质心。
⛓️

集群强一致 Raft 拓扑图

呈现分布式节点的心跳状态、主备关系及日志复制轨迹，确保 100% 数据一致性。

VECMINDB CORE DASHBOARD v1.5.0

LIVE

LTSM Forgetting & Decay Monitoring

                                    Execute semantic vector queries directly in the browser to instantly trace
                                    associated agent memories across sovereignty domains.
                                

Raft Cluster Topology Console

Cluster Status HEALTHY

Active Nodes 3 / 3

Raft Index 2,845,910

群脑认知 Memory OS vs 传统向量数据库

这不仅仅是另一个向量数据库。VecminDB 在行业首创了认知记忆全生命周期的管理系统（Memory OS），解决了多智能体架构下的成本、隔离和协同痛点。

L5: 记忆引擎 (Memory OS)

VecminDB

能做啥：从存储、自动衰减、质心蒸馏、遗忘，到跨租户差分联邦、WAL 加密审计全生命周期闭环管理。

L4: 图 + 向量融合

Neo4j, TigerVector

能做啥：GraphRAG，处理复杂多跳语义推理；做不了啥：无记忆自然衰减，无质心压缩及遗忘机制。

L3: 自学习引擎

Cognee

能做啥：向量与图谱融合、ECL 数据流水线；做不了啥：无本地打包二进制、必须依赖外部大模型及 Embedding API、缺乏跨 Tenant 联邦保护。

L2: Agent 记忆框架

Mem0, Letta (MemGPT)

能做啥：为 AI 智能体封装上层记忆 API 接口；做不了啥：纯 SaaS 模式多依赖外部服务、企业敏感数据必须出境、缺乏对底层计算引擎的精细资源控制。

L1: 传统向量数据库

Pinecone, Milvus, Qdrant

能做啥：高性能向量数据存储及常规的近邻 ANN 检索；做不了啥：不具备生命周期管理能力，不主动进行记忆蒸馏、概念提纯与自动遗忘。

能力维度	行业痛点 / 业务价值	传统竞品状态	VecminDB 引擎状态
1. LTSM 生物学遗忘曲线	防范垃圾记忆腐化，保证智能体不会被几个月前的干扰噪音误导	❌ 空白需应用层自行写过滤规则	✓ 内核级 W(t)=exp(-λ×Δt) 自动半衰期退化
2. PCA 质心异步蒸馏	自动压缩归纳同类记忆，杜绝大量冗余向量导致的检索精度雪崩	❌ 外部调用依赖外部 LLM 总结，费用暴涨	✓ 引擎级后台自动执行 PCA 协方差冷凝质心
3. InsertionLatch 去重锁	防止相同或相似语义的并发重复写入导致 ANN 索引异常膨胀	❌ 空白只能全量重复存入	✓ 内核级并发语义锁拦截，实现内存去重
4. 内置端侧模型 (BGE-M3)	零环境依赖，100% 离线脱网运行，免去配置庞大 Python 库的痛苦	❌ 依赖 API 需额外部署 Python/PyTorch 或连接 OpenAI	✓ 零依赖内置 ONNX Runtime，解压单二进制即可运行
5. Alliance Centroid 联邦	新部署的 Agent 能够共享群体知识经验，无需一切从零开始学习	❌ 空白无法实现跨实例的安全语义同步	✓ DP-Federated 跨租户差分隐私 PCA 协同，共享语义质心
6. 自动衰减→存储收敛	控制存储预算，防止传统向量库随运行时间推移费用沦为无底洞	❌ 越用越贵向量数无限累积，费用线性暴涨	✓ 自动收敛记忆冷凝成质心后自动物理剪枝，存储受控
7. Sovereignty Token 隔离	强力阻止跨智能体（如财务与客服 Agent）之间越权读取私密记忆	❌ 逻辑命名空间仅在应用层 filter，安全性弱	✓ 内核级绑定签名链强制物理隔离校验
8. HMAC-SHA256 审计链	金融级审计智能体的决策链，防止智能体出现幻觉或被恶意注入指令	❌ 空白无法还原决策发生时的原始向量快照	✓ 自动落盘每次访问均生成不可篡改的加密审计日志
9. 原始文本与向量同步落盘	极度关键：当 Embedding 模型升级时，历史向量自动重算，防数据作废	❌ 空白历史向量彻底报废，必须重新抽取原始数据	✓ 自动同步原始文本与多维向量同步原子落盘，无缝平滑重构
10. NSGA-II 影子自调优	无需高薪 DBA，自动在召回率、延迟和内存消耗中搜寻最优索引配置	❌ 手工调参需离线停机重建索引，调参痛苦	✓ 零中断切换 HNSW 影子重建 + ArcSwapAny 双指针原子热切换
11. Air-gapped 离线部署	满足国防、政企、金融行业的极端数据出境合规和局域网要求	❌ 需连接公网需拉取云端模型依赖或授权服务	✓ 100% 局域网单文件解压，全量算法与验证离线自闭环
12. 遥测健康大盘	直观监控智能体的抽象概念网络、系统吞吐量及许可天数，便于运维管理	❌ 基础指标仅有 CPU、内存等基础物理硬件指标	✓ 可视化脑图脑图质心聚类大盘 + 专属 Prometheus 记忆指标

Memory OS vs Vector Databases

VecminDB is not just another vector database. It introduces the industry's first active Memory OS, managing the entire cognitive lifecycle of autonomous agents.

L5: Memory Engine (Memory OS)

VecminDB

Capabilities: Complete lifecycle management: storage, decay, centroid distillation, forgetting, differential federated consensus, and WAL auditing.

L4: Graph + Vector Fusion

Neo4j, TigerVector

Capabilities: GraphRAG, handling complex multi-hop semantic reasoning. Limitations: No automatic memory decay, summarization, or forget gates.

L3: Self-Learning Engine

Cognee

Capabilities: Graph-vector fusion, ECL data pipelines. Limitations: No local offline binary package, heavily relies on external LLM and Embedding APIs, lacks cross-tenant privacy federation.

L2: Agent Memory Framework

Mem0, Letta (MemGPT)

Capabilities: Encapsulates high-level memory APIs for AI agents. Limitations: SaaS-heavy setups, sensitive enterprise data leaves boundaries, lacks fine-grained resource limits on the core database engine.

L1: Traditional Vector DB

Pinecone, Milvus, Qdrant

Capabilities: High-performance vector storage and basic ANN semantic search. Limitations: No lifecycle concept; memories simply pile up without distillation, compression, or active forgetting.

Feature	Pain Point & Business Value	Competitors	VecminDB Status
1. LTSM Biological Decay	Prevents memory corruption; stops agents from being misled by obsolete context.	❌ Empty Handled manually in app-level.	✓ Kernel-level W(t)=exp(-λ×Δt) half-life decay.
2. PCA Centroid Distillation	Compresses redundant memories automatically into centroids to keep recall precision high.	❌ External LLM High API costs to summarize.	✓ Engine-level Automatic PCA covariance distillation.
3. InsertionLatch Deduplication	Intercepts duplicate semantic records to prevent HNSW index bloat.	❌ Empty Duplicates simply appended.	✓ Kernel-level Semantic lock intercepts identical records.
4. Built-in BGE-M3 Model	Zero-config, 100% offline local running; no heavy Python setup needed.	❌ External API Requires PyTorch/OpenAI setup.	✓ Zero-dependency Integrated ONNX Runtime out-of-the-box.
5. Alliance Centroid Federation	Enables new agents to instantly inherit group experience without starting from scratch.	❌ Empty Cannot sync knowledge securely.	✓ DP-Federated Cross-tenant PCA with Laplace noise and 10% bias.
6. Storage Convergence	Controls cloud storage bill, preventing endless growth of index size.	❌ Linearly Growing Costs grow with time.	✓ Converged Obsolete centroids physically pruned automatically.
7. Sovereignty Token Isolation	Guarantees that agents in different departments cannot access each other's memories.	❌ Logic Namespaces Soft filters at the app layer.	✓ Kernel-level Cryptographic signature chains.
8. HMAC-SHA256 WAL Audit Trail	Enables security auditing of agent decisions to prevent prompt injection.	❌ Empty Cannot reconstruct historical memories.	✓ Auto-persist Signed immutable access logs on disk.
9. Raw Text & Vector Sync	Ensures automatic vector reconstruction when upgrading embedding models.	❌ Empty Historic vectors become useless.	✓ Atomic Sync Native text + vector synchronization on disk.
10. NSGA-II Shadow Tuning	Zero-downtime database optimization for recall, latency, and memory.	❌ Offline Rebuild Re-indexing causes query downtime.	✓ Zero-Downtime HNSW shadow build + ArcSwapAny hot swap.
11. Air-gapped Deployment	Meets strict data sovereignty compliance requirements (defense, banking, government).	❌ Online Required Requires cloud verification.	✓ 100% Offline Single-binary self-verification.
12. Telemetry & Visual Graph	Allows DevOps to monitor concept graphs, cluster heartbeats, and license terms.	❌ Hardware Only Generic CPU/Memory graphs.	✓ Brain-map UI Clustering visual graph + Prometheus metrics.

客户成功故事

听听全球开发者与企业决策者在使用 VecminDB 后的真实实战反馈

“

“从 Pinecone 迁移到 VecminDB 后，客服智能体的记忆召回精度提升了 42%，运行半年后存储开支比原本预计的线性开支降低了 72%。”

某头部跨境电商平台 — 技术总监 (Director of Engineering)

“

“5 个委办局的 Agent 在各自的主权 VPC 内运行，通过 Sovereign Federation 的 Alliance Centroid 联邦实现了跨部门经验共享，在无隐私泄露前提下使跨业务协同效率提升了 30%。”

某大型智慧政务研发团队 — 架构师 (Lead Architect)

“

“100% 离线机器码部署和 Monotonic 时钟校验完美契合了我们的合规要求，Prometheus 遥测指标直接无缝接入了我们的内网大盘，这才是真正的记忆操作系统。”

某航天特种装备科研所 — 首席安全官 (CSO)

按 Agent 计费，不按向量

向量数随时间增长。Agent 数不会。LTSM 蒸馏让存储收敛而非发散——你的账单不随 Agent 运行时间增长。

Free

支持最多 5 个 Agent 实例
每个 Agent 最高 100K 向量
单机单节点部署
LTSM 遗忘线后台降噪
无需信用卡，永久免费

开始免费使用

最受欢迎

Pro

$49/月

支持最多 50 个 Agent 实例
每个 Agent 最高 1M 向量
支持最多 3 节点 Raft 集群
PCA 质心后台冷凝压缩
7×24 小时工作日邮件支持

立即升级

Team

$299/月

支持最多 500 个 Agent 实例
单 Agent 无限制向量规模
支持最高 10 节点分布式集群
Sovereign Federation 联邦知识网
优先级 SLA 响应服务保障

申请团队试用

Enterprise

定制

无限制 Agent 实例与向量容量
无限分布式集群扩展能力
支持私有气隙断网与物理服务器部署
底层 Rust 核心源码托管审计
信创软硬件兼容性深度适配

联系架构师

常见问题解答

关于认知型向量数据库的深度解答与技术细节

VecminDB 可以完全私有部署吗？我的数据存放在哪里？

可以——VecminDB 以单容器或原生二进制交付，内置 BGE-M3 嵌入权重，不调用任何外部 Embedding 或 LLM API。你的记忆、向量与审计日志全部存放在你自己的硬件或 VPC 内。支持完全气隙离线部署，许可激活通过内置 Ed25519 签名校验离线完成。

什么是认知型向量数据库？它与传统向量数据库有何不同？

传统向量数据库（如 Pinecone 或 Milvus）仅作为智能体的一块“静态硬盘”，容易随交互的增加导致数据线性膨胀。而 VecminDB 作为认知型向量数据库，融合了“记忆全生命周期管理”与“高性能检索”，内置长短期遗忘（LTSM）衰减、在线质心自进化（Welford）与联邦知识共享，使得存储随着时间渐进收敛，提供具备自我淡化与冷凝的“活记忆大脑”。

VecminDB 是如何实现记忆的自动遗忘机制的？

VecminDB 采用定制的长短期记忆（LTSM）衰减机制，其中临时记忆（Episodic Memory）的权重随着时间推移遵循 W(t)=exp(-λ×Δt) 指数规律自动衰减。高频访问的关联记忆会累积权重得到巩固，而一次性的垃圾噪声记忆会因淡化在达到阈值后被引擎层物理修剪，有效防止垃圾记忆毒化智能体检索上下文。

什么是 PCA 记忆蒸馏与抽象质心技术？

当多条开始衰减的临时记忆表现出高语义相关性时，VecminDB 的后台引擎会自动通过在线主成分分析（PCA）和 Welford 算法，将它们压缩与冷凝为单一的“抽象知识质心（Abstract Centroid）”。这不仅极大地减少了冗余存储空间（降低高达 85% 费用），还将琐碎的对话提炼为泛化的知识结构，使得智能体的存储开支收敛。

机密主权联邦（Sovereign Federation）是如何保障跨智能体数据安全的？

机密主权联邦采用差分隐私联邦 PCA（DP-Federated PCA）机制，支持多个 Agent 实例在数据不出域、原始记忆物理隔离的前提下共享知识。各节点仅向协调器提供经由本地脱敏和主成分分析提纯后的“联盟质心（Alliance Centroid）”向量，物理级隔绝原始隐私记忆与敏感个人信息（PII）的泄漏。

VecminDB 是否支持完全物理隔离（气隙）的离线环境部署？

支持。VecminDB 具有零外部依赖的优良架构特性。它被编译为原生机器码程序，内部直接打包了轻量级 ONNX 运行环境与 BGE-M3 旗舰嵌入权重。无需 Python 环境或任何外部 API 服务，便可在 100% 物理断网的局域网中以单容器或单进程方式安全运行，配合硬件 HAI 指纹机制确保系统的自主合规可控。

准备好给你的 Agent 一个真正的记忆系统？

30 天全功能试用。Free tier 永久免费。数据永不离开你的 VPC。

联系我们的企业团队 →

可私有部署的认知型向量数据库数据永不离开你的基础设施。

数据主权与合规

私有化与气隙部署

防篡改审计链

引擎层隔离

联邦共享质心而非记忆

为什么选择认知型向量数据库？

自动遗忘 (LTSM)

PCA 记忆蒸馏

Agent 主权隔离

联邦知识共享

零外部依赖

NSGA-II 自调优

长期拥有成本 (TCO) 差异化对比

为何存储与费用会收敛？

企业级行业落地场景

金融风控：机密主权联邦

智能客服：降噪与存储收敛

国防与政务：气隙局域网部署

30 秒看到价值

下载原生离线包 (Zero-Docker)

内置零依赖可视化脑图控制台

LTSM 遗忘线与记忆衰减监测

PCA 知识质心自进化演化图

集群强一致 Raft 拓扑图

群脑认知 Memory OS vs 传统向量数据库

VecminDB

Neo4j, TigerVector

Cognee

Mem0, Letta (MemGPT)

Pinecone, Milvus, Qdrant

Memory OS vs Vector Databases

VecminDB

Neo4j, TigerVector

Cognee

Mem0, Letta (MemGPT)

Pinecone, Milvus, Qdrant

客户成功故事

按 Agent 计费，不按向量

Free

Pro

Team

Enterprise

常见问题解答

准备好给你的 Agent 一个真正的记忆系统？

可私有部署的认知型向量数据库
数据永不离开你的基础设施。