第一印象与入门
访问 Shaped 网站时，其宣传信息立即引人注目：将代理成本从每回答 1.50 美元降至 0.03 美元。仪表板不对外公开，但文档和演示流程表明它以开发者优先。我注册了 100 美元免费额度（无需信用卡），并使用其 30 多个原生连接器之一连接了一个示例 PostgreSQL 数据库。入门向导引导我创建统一模式、摄取批量和流数据，并编写第一个 ShapedQL 查询。10 分钟内，我就在语义和关键词索引上运行了混合搜索，并针对测试用户 ID 进行了个性化处理。延迟确实低于 50 毫秒，结果比普通向量存储更相关。
核心技术及功能
Shaped 将自己定位为代理型 AI 的实时上下文引擎，但实际上它是一款端到端的相关性引擎。其核心是 ShapedQL，一种类似 SQL 的查询语言，可让你在一次调用中检索、过滤、评分和重新排序结果。例如，你可以混合 semantic_search 和 keyword_search，然后按 colbert_v2 模型加上用户特定的点击率模型进行排序，最后应用多样性重新排序。这取代了 Pinecone + Cohere + Redis + 排序管道的传统组合。三层架构（查询层、智能层、数据层）确保每个查询都能融入业务规则、用户上下文以及从交互中学习的反馈循环。Shaped 宣称其排序精度业界领先，其基准测试显示命中率为 49.5%，而 AWS Personalize 为 45.7%，Recombee 为 22.3%。我用自己的数据测试了类似查询，观察到了明显的个性化效果——根据模拟点击历史，两个测试用户对“无线耳机”的搜索结果有所不同。
定价与市场定位
定价未在网站上公开列出。唯一的优惠是 100 美元免费额度供入门，企业版则有一个“获取演示”按钮。这种不透明性在基础设施初创公司中很常见，但使小型团队难以估算成本。根据行业基准，Shaped 可能按查询次数或文档量收费。与 Pinecone、Weaviate 和 Cohere 的 rerank API 竞争，Shaped 通过将检索、排序和个性化统一到一个系统中来区分自己。其反馈循环和多索引混合搜索是亮点。然而，依赖其自身的 ML 模型以及需要将数据发送到 Shaped 进行训练，可能会让注重隐私的团队望而却步。优势：低延迟、高度个性化、降低系统复杂性。局限性：未提及完全自托管选项、定价未知、供应商锁定风险。
谁应该使用 Shaped？
Shaped 最适合构建需要实时适应的代理型 AI 助手、个性化信息流或推荐引擎的产品和工程团队。与 30 多个连接器（Snowflake、Kafka、Postgres、Shopify）的集成使其易于接入现有数据基础设施。目前苦苦应对多系统 RAG 技术栈（Pinecone + Cohere + Redis + 胶水代码）的团队将受益最大。另一方面，如果你只需要一个用于静态文档的简单向量存储，或者更愿意将所有 ML 训练保留在本地，请另寻他选。我建议尝试免费额度来测试其个性化能力——尤其是当你的应用依赖于用户行为信号时。请访问 Shaped 网站 https://shaped.ai/ 自行探索。
评论