一场黑客松，让我看见自己与 Neo4j 时代的差距

我原本是冲着 Neo4j 去的。

这场黑客松由 +81 Builders 主办。这个组织很年轻，活动拉到的赞助商是 ai&，一家提供 API 服务的公司。我想听图数据库厂商讲讲产品，结果当天 Neo4j 没有安排分享，台上讲的是 ai&。原本的期待落了空，收获却比预想大得多：一个是 ai& 把 API、CLI 和 skills 串起来的方式，另一个是参赛者用 Neo4j 做出来的东西。后者让我切实感到了一种危机感。

ai&：把 skills 变成一个可以启动的程序

ai& 的卖点很直接：便宜、快、稳定。说实话，我对这类卖点已经有点免疫，真正让我意外的是它附带的 CLI。

你可以在自己的电脑里写好 skills，再通过 ai& 的 CLI 去调用它的服务。这意味着 harness engineering 那部分不用从零硬写：把定义好的 skills 放到一台普普通通的 web 服务器上，它就能作为一个 AI server 跑起来。

流程可以这样理解：前台传来一段普通文字，后台已经写好的 skills 接住它，按定义好的步骤执行。感觉不像在“调用一个模型”，更像启动一个程序——skills 是程序，CLI 是启动命令。这个类比是否严谨可以再讨论，但它确实把“AI 服务”从一次问答，变成了一个可部署、可复用的东西。对我来说，这一点比价格更有吸引力。

同一场分享里，ai& 还提供了视频生成服务，用的是 MiniMax 的模型。快，而且便宜。我当天以 5 秒为单位生成了三十多个视频，不到半小时全部跑完，加起来花了不到 500 日元。它支持并发，不用一个个排队等。具体单价我记不清了，但“快、便宜、不用等”这三个感受很明确。对需要大量试错素材的人来说，这种成本结构会直接改变工作方式：以前要斟酌着生成，现在可以先把想法铺开，再挑。

主办方：克制是一种能力

这场活动的主办方 +81 Builders 是一个很年轻的团队。让我印象最深的不是活动规模，而是主持的方式。

主持人是一位黑人小哥，英语是母语，日语也说得很流利。更难得的是台风：稳，话不多，没有废话。开场不是“大家好，欢迎来到……”的一大串，而是很温柔地问一句“我要开始说话了，大家能听一下吗”。点名、推进、收住，都很干净。

我参加过不少在日本办的 IT 活动，见过另一种主持风格：主持人很努力地表现自己，一句话拆成好几段说，语气和节奏都让人不太舒服。相比之下，这位主持人的克制反而显得专业——他不需要靠音量证明自己在控场。

现场还有一位很亮眼的女生负责 support。她的作用不只是“站在旁边”：主动和每一个来访者搭话，问你今天想做什么、要不要介绍一下，把人的情绪先拉起来。整场氛围很大程度上是她烘托出来的。一个年轻团队能把主持和接待这两件事同时做得不抢戏、又不冷场，我觉得很难得。这是我今年参加过的活动里，主办方表现最好的一次。

四个小时，他们用 Neo4j 做了什么

如果说 ai& 让我觉得“这东西以后可以多用”，那接下来的作品展示，让我有点坐不住。

我这次做的，是把 ai& 的 CLI 和视频生成接起来，做成一个全自动生成动画的小服务。逻辑不复杂：前台输入，后台按 skills 调用视频模型，产出成品。放在去年的语境里，这算是我擅长的东西。去年大家都在学 coding agent，研究程序员怎么用 agent 快速做出有意思的东西，我算是比较适应那种节奏，也还算有点风光。

但上台展示的人，几乎都在讲 Neo4j。

Ontology、知识图谱、怎么和应用结合——这些词我之前不是没听过，但在日本的开发者圈子里，它真正被热炒也就是最近的事。我没想到，刚热起来没多久，登台的人已经把它用到了这个程度。

一张照片，问出照片里的关系

坐我旁边的日本小哥，做的是这样一件事：给他一张照片，他把照片里的东西一个个拆出来。到这一步，很多人能想到；用图像识别猜出每个物件是什么，也不难想到。真正让我佩服的是下一步——他把每个物件的含义、它所在的位置、物件之间的距离关系，全都扔进 Neo4j，让图数据库生成关系，再顺着这些关系去查：这张照片里的物品之间，究竟构成了什么意义。

他举的例子是一个日本传统祭祀活动：一排灯笼挂下来，下面是一排穿和服的人，旁边有祭祀用的器具，还有一群拍照的游客。系统能从这张照片出发，通过关系推断出这是一个什么样的活动。它还有可视化：点一下灯笼，和它关系最深的物件会被连出来，第一个指向的是灯笼底下、桌子边上的那些人。为什么这个人和灯笼关系最深？灯笼是什么？这是什么祭祀？这些人为什么会来唱祭典的歌？一条条关系把答案串了起来。

这个项目只做了四个小时。我服气的地方不是画面炫，而是那个思维：原来“关系”本身可以成为查询对象。

一首 AI 写的歌，拆出创作规律

接着上场的是一位外国大姐。她说，现在大家都在用 AI 做歌，那她也用 AI 做一首；但她真正想试的是：自己喜欢的歌，彼此之间到底有什么关联。

她的做法是，用 AI 生成一首歌，再用 AI 去解析这首歌——和弦、贝斯、音符这些数据；然后换别的曲子继续解析，让模型判断好听还是不好听。这些数据单看没什么意义，她把它们扔进 Neo4j，得到了一张有连接的关系图谱：这个和弦走完，那个贝斯出来，关系是强还是弱，都被连了起来。于是创作这件事，好像真的显出了一些规律。

说实话，我没有完全看懂她的技术细节，但画面出来的那一刻，未来感很强。我干了二十多年 IT，那一刻的感觉是：还得学。

一张动态图，把流调变成可点击的关系

还有一位留学生小哥，做的是疫情题材。一个人感染了，他接触过谁，这些接触者又接触过谁——这个题目本身不新。但他用 Neo4j 做了一张有动画效果的动态关联图谱：点一个人，关系就顺着连到感染者，再连到感染者的接触者，图会随着点击不断切换。

把文字记录里的事实变成可以点、可以看的关系，这个思路一下子把旧题目打开了。他还做了一个解释用的 point finder。整个东西也是四个小时做出来的。

一等奖：让火势在地图上跑起来

最后拿到一等奖的，是一个做火灾推演的小伙子。

他的界面很牛：一张 3D 地图，点某个区域、某家医院，就截取一张图。他用了一项在他看来技术含量最高的方法，从地图图像里判断地形的高低差，再一块一块地把数据抽出来，扔进 Neo4j 训练模型。当某块区域起火时，系统就通过知识图谱和训练出来的数据，推演火势往哪个方向扩散、到哪里能被扑灭、大概要烧多久，而且全程有动画。

从构思、搭建到做出来，也是四个小时。他拿一等奖，实至名归。

真正让我不安的，不是输赢

展示全部结束，我第一个念头不是“我为什么没拿奖”，而是“还好没选我”。

如果换成我来评，我也不会选自己。我做的东西是一个有用的自动化，但别人已经在用一套新的组织知识的方式，去回答原本答不出来的问题。这两者不在一个层面上。

去年，我靠对 coding agent 的熟练度还能占到一点便宜；今年，这个优势正在被抹平。当工具把“做出一个东西”的门槛降下来之后，决定作品上限的就不再是会不会写，而是你脑子里有没有那张关系网。

我一直以为，knowledge graph 就是“另一种数据库”：知道它是什么、会写查询、能把它接到应用上，就够了。但看完这几个项目我发现，真正的差别在于——你能否想到，现实里的哪些关系值得被抽出来、连起来，再用它去回答一个原本答不出来的问题。

我过去做的解析，多是商业关系、代码关系这一类。放在今天看，这些不是错，只是太窄了。Neo4j 只是工具，Ontology 也只是方法；能不能把照片里的物件、音乐里的和声、疫情里的接触、地形里的高低差，都看成同一种“关系问题”，才是分水岭。

活动结束后，我最想做的事有两件：一是把 ai& 用起来，尤其是 CLI 加 skills 这套部署方式；二是补上知识图谱这一课，不是背概念，而是找几个自己熟悉的领域，试着把关系抽出来。

我也期待 ai& 后续补上 text-to-speech、图像生成，以及 LLM 方面的能力。如果这些都能在同一个入口里调用，“skills 即程序”的用法会更完整。

最后还是要感谢 +81 Builders。活动统筹得很成功，主持和现场氛围都好，让我这个本来只想听 Neo4j 的人，带着一肚子危机感回了家。这一天过得很开心，也很值。