3 人团队零推广获 1.2 万用户：Matrees 如何用 OSS 向量 Bucket 低成本构建 AI 创作平台

2025 年以来，随着大模型能力的快速普及，越来越多的年轻创作者不再只是消费内容，而是用 AI 工具构建属于自己的虚拟世界。Matrees 就是这股浪潮中的一个典型事例——一个 3 人创业团队，几乎零推广预算，却让 1.2 万名 Z 世代（00 后与10 后）用户在平台上创造了超过 4500 万字的世界观内容。

Matrees 是一个以世界观设定为核心的 IP 创作协作平台，用户群体中超过 64% 是 Z 世代。在这里，用户可以像搭积木一样，把人物、物品、事件、种族、地理等碎片化元素拼装成一个完整的架空世界。平台的 AI 能力覆盖背景设定生成、角色一致性校验和插画绘制，充分利用 AI Agent 智能辅助，将作者碎片化的灵感填充为无限广阔的虚拟世界。

截至目前，Matrees 积累超过 1.2 万名用户全部来自自然传播，没有花过一分钱做商业推广。平台上 64% 的注册用户保持活跃，累计创作世界观内容超过 4500 万字。这不是一组“注册即走”的数据，而是创作者们真正在用工具搭建属于自己的世界。

而支撑这一切的 AI 基础设施，在近几个月内经历了一次关键跃迁：从自建开源向量数据库，迁移至阿里云 OSS Vector Bucket。目前平台仍处于种子轮孵化期，但这次技术转型已经为团队释放了大量工程精力。

这不只是一个技术选型的故事，它折射出新一代创业者面对 AI 浪潮时的务实选择，也揭示了云原生向量存储在 AI 应用爆发期的独特价值。

一个 3 人团队的“不可能三角”

Matrees 整个团队只有 3人。3个人要同时推进产品迭代、用户增长、AI 能力建设和基础设施运维——这在传统认知中几乎是不可能的事。但 Matrees 的创始团队从一开始就想清楚了，要把有限的精力花在创造用户价值上。

平台上线初期，团队选择了开源方案来支撑 AI 检索能力，将用户创建的世界观元素进行向量化存储，通过 RAG（检索增强生成）技术让 AI 能够理解并调用这些元素。当一个用户与自己的虚拟世界“对话”时，AI 需要先检索这个世界观中相关的角色设定、事件脉络、地理信息，才能生成符合世界逻辑的回答。

但随着用户量增长，运维的“隐形成本”开始不断膨胀。存储和内存的扩容压力是最直接的——超过 7000 个虚拟世界意味着海量的结构化数据需要向量化，而开源方案往往需要独占的计算和内存资源，对于一个小团队来说是不小的开支。此外，开源向量数据库的版本迭代和日常运维（数据备份、监控、故障恢复等）也在持续消耗团队的工程精力。

团队需要的，是一个能把向量存储这件事完全“托管”掉的方案——不需要自己维护实例、不需要操心扩容、不需要半夜起来处理集群告警。

发现 OSS Vector Bucket：“把地基交给别人打”

大约两个月前，Matrees 团队发现了阿里云 OSS 新推出的 Vector Bucket（向量存储桶）服务。

这个产品在阿里云的对象存储 OSS 基础上，原生集成了向量数据的存储、索引和检索能力。与传统的独立向量数据库不同，Vector Bucket 采用“存算分离”的架构设计：向量数据和文件数据共享同一套存储底座，通过异步处理完成向量化和索引构建，检索时再通过轻量级 API 调用结果。

对 Matrees 团队来说，这个架构最吸引人的地方在于：全托管和高性价比。

不需要部署和维护向量数据库实例，不需要预购计算资源，不需要担心集群扩缩容。所有的向量数据存储在阿里云 OSS 上，按实际使用量付费——存储、检索、写入各自独立计价，每月还有一定的免费写入额度（具体定价以阿里云官网为准）。对于一个仍处于种子轮孵化期的初创团队来说，这种“用多少付多少”的模式远比预留一台服务器来得友好，相对于维护自建的向量数据库成本下降 90%。

更重要的是，OSS Vector Bucket 解决了 Matrees 最头疼的数据同步问题。在原有架构中，世界观元素的结构化数据存储在 MySQL 中，向量化后需要同步到独立的向量数据库，两套系统之间的数据一致性维护是一个持续的工程负担。而 OSS Vector Bucket 作为阿里云生态的一部分，能够更好地与 MySQL 等阿里云数据服务协同，数据同步的路径变得更短、更可控。

用 Matrees 团队的总结：“OSS Vector Bucket 为我们提供了开箱即用的 RAG 向量化存储、检索解决方案，不但大幅度降低了建设成本，还极大地提升了性能和效率。”

在 Matrees 的业务流程中，OSS Vector Bucket 贯穿了从数据写入到 AI 对话的完整链路。

用户创建的世界观元素存储在 MySQL 中。当用户打开"灵感对话"时，系统按需触发向量化——通过 Embedding 模型将元素转化为高维向量，写入该世界对应的 Vector Index，并携带元素类型、关联关系等标量元数据。

用户发起对话时，系统将问题向量化，在该世界的 Index 中执行语义检索，按标量元数据过滤，返回最相关的 TopK 条元素注入大模型，生成符合世界观逻辑的回答。

支撑这套流程的是 Vector Bucket 的存算分离架构——索引异步自动构建，无需独占内存服务器；单 Bucket 100 张 Index 表，匹配多世界隔离需求；模型无关设计让 Embedding 模型可无缝切换；Serverless 按需付费，较自建成本降低约 95%。

把向量存储的复杂性封装在云服务背后，让创作者平台的开发者可以专注于自己最擅长的事，帮助年轻人把脑海中的世界变成现实。正如 Matrees 的品牌标语所说：“从一个种子，到一个世界。”

在这个 AI 重新定义内容创作的时代，或许最好的基础设施，就是让你感觉不到它的存在。

Matrees 平台：matrees

阿里云 OSS Vector Bucket：向量 Bucket - 对象存储 OSS - 万亿规模向量存储 - 阿里云