1. 项目概述ArcadeDB一个为极致性能而生的多模型数据库如果你像我一样在数据库领域摸爬滚打了十几年从关系型到NoSQL再到图数据库一路走来最大的痛点可能就是“选择困难症”。每个项目都有不同的数据形态社交网络需要图关系产品目录适合文档用户会话缓存用键值对最方便而物联网设备上报的数据又是典型的时间序列。过去我们往往需要部署多个专门的数据库然后在应用层费力地做数据同步和关联不仅架构复杂运维成本也高得吓人。直到我遇到了ArcadeDB这个由 OrientDB 创始人 Luca Garulli 在 SAP 收购后另起炉灶打造的全新多模型数据库管理系统DBMS它让我眼前一亮感觉“一库统管”复杂数据模型的梦想终于有了一个务实且高性能的落地方案。简单来说ArcadeDB 是一个原生支持图、文档、键值、搜索引擎、时间序列、向量和地理空间七种数据模型的单一数据库引擎。它的核心卖点不是简单的功能堆砌而是通过底层“外星科技”Alien Technology级别的全新引擎设计实现了在普通硬件上每秒处理数百万条记录的极致性能同时保持极低的资源占用。这意味着你可以用一套技术栈处理过去需要 MongoDB、Neo4j、Redis、InfluxDB 等多个系统才能覆盖的场景。对于需要快速迭代、处理多态数据的现代应用尤其是涉及实时推荐、知识图谱、欺诈检测和物联网分析的场景ArcadeDB 提供了一个极具吸引力的“瑞士军刀”式解决方案。注意这里的“外星科技”是项目原话指的是其底层大量运用了“机械同情”Mechanical Sympathy等低级Java API优化技术旨在减少垃圾回收压力最大化硬件利用率并非指其使用了什么神秘技术。2. 核心架构与设计哲学拆解2.1 “多模型”不是简单的包装而是原生融合很多数据库也宣称支持多模型但底层往往是多个独立的存储引擎或者是在一种核心模型如文档上模拟其他模型。ArcadeDB 的设计哲学截然不同。它从一个更底层的抽象——记录Record开始。每条记录都有一个唯一的标识符RID可以灵活地承载任意结构的数据属性。在这个基础上通过引入链接Link的概念记录之间可以建立直接的关系指针这就天然地构成了图模型。同时这些记录可以按类型Type组织形成类似文档集合或表的结构。这种设计带来的最大好处是数据无需复制和转换。同一份数据你可以用 SQL 把它当表来查询和关联用 Cypher 把它当图来遍历路径用 MongoDB 的查询语法来检索文档甚至用 PromQL 来对其中的时间序列字段做聚合分析。所有操作都作用于同一份物理数据保证了数据的强一致性和实时性彻底避免了多系统间数据同步的延迟和一致性问题。2.2 为性能而生的“低层Java”LLJ引擎ArcadeDB 性能宣称的底气来自于其用“低层Java”Low Level Java重写的引擎。这听起来有点矛盾Java 不是以“高级”和“抽象”著称吗这里的 LLJ 是指在坚持使用 Java 21 语言的前提下刻意避免使用高级抽象和会产生大量临时对象的 API转而大量使用sun.misc.Unsafe在安全范围内、直接内存操作、内存映射文件等底层技术。举个例子传统数据库在解析一条复杂的 SQL 或 Cypher 查询时可能会创建大量的中间对象如迭代器、包装类、临时集合这些对象很快会成为垃圾给 GC 带来巨大压力导致“Stop-the-World”停顿。ArcadeDB 的引擎则尽可能在栈上分配内存复用缓冲区并采用面向列Columnar的压缩格式存储时间序列数据如 Gorilla 压缩算法使得它在处理海量数据时不仅速度快而且性能曲线非常平稳不会因为 GC 而导致响应时间毛刺。这也是它敢说能从树莓派资源受限流畅运行到云端多服务器集群的资本。2.3 丰富的查询语言与协议兼容性降低迁移与学习成本对于一个新数据库生态和迁移成本是不得不考虑的问题。ArcadeDB 在这方面做得非常出色。它没有发明一种全新的查询语言强迫用户学习而是选择了全面兼容主流生态SQL: 继承并大幅改进了 OrientDB 的 SQL 方言支持图遍历语法对于从传统关系型数据库或 OrientDB 迁移的用户非常友好。Cypher: 完全兼容 Neo4j 的 Open Cypher这意味着你现有的 Neo4j 图查询可以几乎无缝迁移。Gremlin: 支持 Apache TinkerPop 3.7.x 规范满足了喜欢用 Gremlin 进行复杂图遍历的用户。MongoDB Query Language: 通过 MongoDB 驱动可以直接使用熟悉的 MongoDB 查询语法操作文档集合。Postgres Wire Protocol: 实现了 PostgreSQL 的网络协议。这意味着你可以使用任何支持 PostgreSQL 的客户端库如psycopg2,node-postgres来连接 ArcadeDB执行 SQL 查询。这对于生态集成是巨大的便利。Redis Protocol: 支持部分 Redis 命令可以将其作为一个高性能的键值存储来使用。这种多语言、多协议的支持极大地降低了技术选型风险。团队可以根据现有技能栈选择最熟悉的接口进行操作而数据本身则享受统一引擎带来的好处。3. 核心功能与特性深度解析3.1 图数据库能力不止于“链接”作为起源于图数据库OrientDB的项目ArcadeDB 的图能力是其强项。它内置了超过70 种图算法开箱即用涵盖了路径查找、中心性计算、社区发现、链接预测和图嵌入等几乎所有常见图分析场景。与关系型 JOIN 的本质区别这是理解图数据库价值的关键。在关系型数据库中查询“用户A的朋友的朋友”可能需要多次 JOIN随着深度增加性能呈指数级下降。在 ArcadeDB 中记录间的“边”是以物理链接的形式存储的。遍历“朋友”关系实际上是沿着这些预存的指针进行跳转其时间复杂度与遍历的步数成线性关系因此在处理深度关联查询时具有压倒性优势。并行查询执行ArcadeDB 的 SQL 引擎能够将复杂的查询计划拆分成多个子任务并利用多核 CPU 并行执行。例如一个需要扫描大量顶点并计算其度的查询可以被分发到多个线程中同时处理最后汇总结果这对于分析型查询提速非常明显。3.2 时间序列与向量搜索拥抱现代数据范式除了传统的模型ArcadeDB 对两个现代数据范式提供了原生支持时间序列模型专为物联网、监控指标等场景优化。它采用列式存储并应用了 Gorilla 和 Delta-of-Delta 等高效的压缩算法在保证查询速度的同时极大地减少了存储空间。更棒的是它直接支持InfluxDB 的行协议和Prometheus 的 remote_write/read API这意味着你可以将 Telegraf、Prometheus 等生态工具的数据直接写入 ArcadeDB并使用PromQL进行查询。配合 Grafana 插件可以快速搭建监控仪表盘。向量模型这是为了支持 AI 和相似性搜索。你可以将文本、图像等嵌入Embedding成向量存储在 ArcadeDB 中然后使用内置的向量索引进行高效的相似性搜索如 K-NN。这对于构建推荐系统、语义搜索、AI 问答RAG等应用至关重要。ArcadeDB 将向量搜索与图、文档模型结合能实现“基于内容的相似性 基于关系的图谱推理”的混合检索这是单一向量数据库难以做到的。3.3 运维与扩展性特性物化视图Materialized Views这是解决复杂查询性能问题的利器。你可以定义一个物化视图其内容是一个预计算好的查询结果。ArcadeDB 会自动维护这个视图当底层数据变化时增量更新视图。对于 dashboard 所需的复杂聚合查询直接查询物化视图可以获得毫秒级响应。多模式部署嵌入式可以将 ArcadeDB 作为库直接嵌入到 Java 或 Python通过绑定应用中消除网络开销适用于单机高性能场景。服务器模式作为独立服务运行通过 HTTP/JSON、Postgres、Redis 等多种协议提供服务。云原生提供 Docker 镜像和完整的 Kubernetes 支持包括 Helm Chart可以轻松在云上部署和管理集群。内置 MCP 服务器与 AI 助手这是一个非常前瞻性的功能。MCPModel Context Protocol是新兴的 AI 助手与工具集成的协议。ArcadeDB 内置 MCP 服务器意味着你可以让 Claude、GPT 等 AI 助手直接安全地连接数据库理解 Schema并帮你编写或优化查询。其 Studio 中的 AI 助手Beta也能基于自然语言生成查询语句降低了使用门槛。4. 从零开始实战部署与操作指南4.1 快速启动使用 Docker 体验 ArcadeDB最快的方式莫过于 Docker。以下命令不仅启动了数据库还直接导入了一个示例数据集OpenBeerdocker run --rm -p 2480:2480 -p 2424:2424 \ -e JAVA_OPTS-Darcadedb.server.rootPasswordplaywithdata -Darcadedb.server.defaultDatabasesImported[root]{import:https://github.com/ArcadeData/arcadedb-datasets/raw/main/orientdb/OpenBeer.gz} \ arcadedata/arcadedb:latest参数解析-p 2480:2480映射 HTTP 端口Studio 和控制台。-p 2424:2424映射二进制协议端口供驱动使用。-e JAVA_OPTS...设置 Java 系统属性。arcadedb.server.rootPassword设置超级用户root的密码。arcadedb.server.defaultDatabases定义服务器启动时自动创建的数据库。这里配置为从远程 URL 导入一个压缩的OpenBeer数据集并命名为OpenBeer。执行后访问http://localhost:2480使用用户名root和密码playwithdata登录即可进入 ArcadeDB Studio直观地查看和查询这个啤酒数据库。实操心得生产环境切勿使用如此简单的密码也切勿通过环境变量传递敏感密码。应使用 Docker Secrets 或配置卷挂载配置文件。4.2 手动安装与服务器配置从 GitHub Releases 下载对应平台的压缩包如arcadedb-26.3.1-full.tar.gz。解压后目录结构清晰bin/启动脚本server.sh/server.bat。lib/所有依赖的 Jar 包。config/配置文件目录。databases/数据库文件默认存储位置。logs/日志文件。核心配置文件config/arcadedb-config.json 这是一个 JSON 格式的配置文件主要结构如下{ server: { rootPassword: ${ARCADEDB_ROOT_PASSWORD:?ChangeMe!}, http: { port: 2480, address: 0.0.0.0 }, binary: { port: 2424, address: 0.0.0.0 } }, databases: { default: { type: embedded, path: ./databases/default } } }你可以在这里配置监听地址、端口、SSL、插件、数据库路径等。建议将rootPassword改为通过环境变量ARCADEDB_ROOT_PASSWORD注入提升安全性。启动服务器./bin/server.sh。首次启动会在./databases/下创建配置的数据库。4.3 使用 ArcadeDB Studio 进行可视化管理Studio 是一个功能强大的 Web 管理界面是学习和日常管理的主要工具。数据库管理创建、删除、备份、恢复数据库。Schema 管理可视化创建顶点类型Vertex Type、边类型Edge Type、文档类型Document Type并定义属性及其约束。数据查询与编辑内置多标签页查询编辑器支持 SQL、Cypher、Gremlin、MongoDB Shell 等多种语言语法高亮和自动补全。可以以表格、JSON、图形等多种形式展示结果。数据导入/导出支持 JSON、CSV 等多种格式。监控查看服务器状态、活跃查询、内存使用情况等。AI 助手Beta在查询界面可以用自然语言描述你的需求AI 助手会尝试生成对应的查询语句。对于初学者强烈建议花时间在 Studio 里点击和尝试它能帮你快速建立对 ArcadeDB 数据模型的直观理解。5. 核心操作实战以“社交网络”为例让我们通过一个简单的“社交网络”场景串联起 ArcadeDB 的核心操作。我们将创建用户顶点、关注关系边并插入一些帖子文档最后进行混合查询。5.1 使用 SQL 创建 Schema首先我们通过 Studio 的 SQL 标签页或任何 Postgres 客户端连接执行-- 创建一个名为SocialNetwork的数据库如果通过配置创建可跳过 -- CREATE DATABASE SocialNetwork; -- 切换到目标数据库在Studio中直接选择 -- USE DATABASE SocialNetwork; -- 创建顶点类型 User CREATE VERTEX TYPE User IF NOT EXISTS; -- 为User类型添加属性 ALTER TYPE User ADD ATTRIBUTE name STRING; ALTER TYPE User ADD ATTRIBUTE email STRING; ALTER TYPE User ADD ATTRIBUTE createdAt DATETIME; -- 创建边类型 Follows 连接两个User顶点 CREATE EDGE TYPE Follows IF NOT EXISTS; ALTER TYPE Follows ADD ATTRIBUTE since DATETIME; -- 创建文档类型 Post (虽然也可以用顶点但这里演示文档模型) CREATE DOCUMENT TYPE Post IF NOT EXISTS; ALTER TYPE Post ADD ATTRIBUTE title STRING; ALTER TYPE Post ADD ATTRIBUTE content STRING; ALTER TYPE Post ADD ATTRIBUTE author LINK; -- 链接到User顶点 ALTER TYPE Post ADD ATTRIBUTE tags EMBEDDED SET STRING; ALTER TYPE Post ADD ATTRIBUTE publishedAt DATETIME; -- 为常用查询字段创建索引大幅提升性能 CREATE INDEX ON User (email) UNIQUE; CREATE INDEX ON Post (publishedAt) NOTUNIQUE; CREATE INDEX ON Post (tags) NOTUNIQUE;注意事项LINK类型是 ArcadeDB 中表示记录间引用的特殊类型它是图关系的基石。EMBEDDED SET则表示一个内嵌的字符串集合。创建索引尤其是唯一索引UNIQUE是保证性能和数据完整性的关键步骤。5.2 插入数据混合模型操作接下来我们插入一些数据。注意如何建立记录间的链接。-- 插入用户顶点并获取其自动生成的RID (rid) INSERT INTO User CONTENT { name: Alice, email: aliceexample.com, createdAt: sysdate() }; LET $alice LAST(rid); INSERT INTO User CONTENT { name: Bob, email: bobexample.com, createdAt: sysdate() }; LET $bob LAST(rid); INSERT INTO User CONTENT { name: Charlie, email: charlieexample.com, createdAt: sysdate() }; LET $charlie LAST(rid); -- 创建关注关系边 CREATE EDGE Follows FROM $alice TO $bob CONTENT { since: sysdate() }; CREATE EDGE Follows FROM $alice TO $charlie CONTENT { since: sysdate() }; CREATE EDGE Follows FROM $bob TO $charlie CONTENT { since: sysdate() }; -- 插入帖子文档并链接到作者 INSERT INTO Post CONTENT { title: Hello ArcadeDB!, content: This is my first post using this awesome multi-model DB., author: $alice, tags: [database, graph, first], publishedAt: sysdate() }; INSERT INTO Post CONTENT { title: Performance Thoughts, content: The LLJ engine really makes a difference in throughput., author: $bob, tags: [performance, java], publishedAt: sysdate() };5.3 执行多模型查询现在让我们展示 ArcadeDB 如何统一查询这些不同模型的数据。场景1使用 SQL 进行图遍历查找 Alice 关注的人SELECT expand(out(‘Follows’)) FROM User WHERE name ‘Alice’;这条查询从名为 Alice 的用户顶点出发沿着出方向的Follows边进行遍历返回她关注的所有用户。expand()函数用于将链接集合展开为实际的记录。场景2使用 Cypher 进行更复杂的图查询查找 Alice 的二级人脉MATCH (a:User {name: ‘Alice’})-[:Follows*2]-(c:User) RETURN a.name, c.name;Cypher 的语法对于表达多步路径查询非常直观。[:Follows*2]表示沿着Follows边遍历恰好2步。场景3混合查询查找 Bob 发布的带有‘performance’标签的帖子并获取作者详情SELECT Post.title, Post.content, Post.author.name as authorName FROM Post WHERE ‘performance’ IN tags AND author.name ‘Bob’;这里Post.author是一个LINK我们可以直接通过点符号.深入访问被链接的User记录的属性author.name无需显式 JOIN。这是 ArcadeDB 图模型带来的核心便利。场景4使用 Gremlin 进行图遍历同样的查找 Alice 的关注者g.V().has(‘User’, ‘name’, ‘Alice’).out(‘Follows’).values(‘name’)如果你熟悉 Gremlin这是另一种强大的表达方式。5.4 使用物化视图优化查询假设我们的应用首页需要频繁显示“最新的10条帖子及其作者”。每次查询都执行SELECT ... ORDER BY publishedAt DESC LIMIT 10并展开作者链接虽然可行但数据量大时仍有开销。我们可以创建一个物化视图来预计算这个结果CREATE MATERIALIZED VIEW LatestPosts IF NOT EXISTS AS SELECT rid as postId, title, content, publishedAt, author.name as authorName FROM Post ORDER BY publishedAt DESC LIMIT 10 UPDATE EVERY 5 SECONDS;创建后查询SELECT * FROM LatestPosts;会瞬间返回结果。系统会每5秒检查一次底层Post数据的变化并自动更新视图。对于读多写少、查询模式固定的场景物化视图是提升性能的利器。6. 高级特性与生产环境考量6.1 集群与高可用性ArcadeDB 支持分布式集群部署以实现水平扩展和高可用性。其架构基于多主复制Multi-Master Replication模式每个节点都可以处理读写请求数据通过 RAFT 一致性协议在节点间同步。配置集群的核心步骤准备节点在多台服务器上部署 ArcadeDB。修改配置文件在每个节点的arcadedb-config.json中配置ha部分指定集群名称、当前节点名称、节点列表等。{ ha: { enabled: true, clusterName: MyArcadeCluster, serverName: node1, servers: [ node1:2424, node2:2424, node3:2424 ] } }启动顺序建议先启动第一个节点待其完全启动后再依次启动其他节点。它们会自动发现并组成集群。生产环境提示集群部署需要仔细规划网络低延迟、高带宽、存储持久化卷和监控。建议在测试环境充分验证故障转移和数据同步机制。6.2 备份与恢复对于任何数据库备份都是生命线。ArcadeDB 提供了多种方式在线全量备份通过BACKUP DATABASE db-name命令或 HTTP API 触发会创建一个数据一致性的快照。增量备份可以配置定期增量备份减少全量备份的压力。文件系统快照如果数据库文件存储在支持快照的文件系统如 ZFS、LVM或云盘上可以在数据库安静时进行文件系统级快照。导出/导入使用EXPORT DATABASE和IMPORT DATABASE命令进行逻辑备份格式为 JSON。推荐的备份策略结合使用。例如每天凌晨进行在线全量备份每小时进行增量备份并定期将备份文件传输到异地存储。6.3 性能调优要点索引是王道分析你的查询模式为WHERE、ORDER BY、GROUP BY子句中的字段以及链接LINK属性创建合适的索引。ArcadeDB 支持多种索引类型唯一、非唯一、全文、空间、向量等。合理使用内存调整 JVM 堆内存-Xmx和直接内存-XX:MaxDirectMemorySize大小。对于大量数据操作充足的直接内存对性能至关重要。批量操作插入或更新大量数据时务必使用批量提交Batch避免逐条提交带来的巨大开销。HTTP API 和客户端驱动都支持批量操作。监控与诊断充分利用 Studio 的监控页面和服务器日志。关注慢查询日志分析执行计划EXPLAIN命令。7. 常见问题与故障排查实录在实际使用和 PoC概念验证过程中我遇到了一些典型问题这里分享排查思路问题1连接池耗尽或“Too many open files”错误。表现应用运行一段时间后出现无法获取数据库连接或系统报错。原因每个数据库连接无论是嵌入式还是远程都会占用文件描述符。未正确关闭连接会导致泄漏。解决确保在应用代码中每个获取的连接、会话或事务都在finally块中或使用 try-with-resourcesJava确保被关闭。调整操作系统的文件描述符限制ulimit -n。对于远程连接使用连接池如 HikariCP并设置合理的最大连接数和空闲超时。问题2查询性能突然下降。表现之前很快的查询变得很慢。排查步骤检查数据量是否发生了数据激增使用EXPLAIN在查询前加上EXPLAIN关键字如EXPLAIN SELECT ...查看查询执行计划。检查是否进行了全表扫描FULL SCAN而没有走索引。检查索引状态使用SELECT FROM index:metadata查看索引是否处于ACTIVE状态。大量数据插入后索引重建可能需要时间。查看服务器负载通过监控检查 CPU、内存、磁盘 I/O 是否饱和。检查锁竞争是否有长时间运行的事务阻塞了其他操作问题3从其他数据库如 Neo4j、MongoDB迁移数据后查询结果不对。表现数据导入了但图遍历查不到路径或文档查询缺失字段。原因迁移工具可能没有正确处理数据模型间的映射关系。例如Neo4j 的节点属性在迁移后可能没有正确设置为 ArcadeDB 顶点类型的必需属性。解决仔细验证迁移脚本确保顶点/边类型、属性名、数据类型、索引都正确创建。抽样验证迁移后手动检查几条关键数据的rid和链接关系是否正确。使用 ArcadeDB 的导入工具优先使用官方提供的ETL工具或IMPORT DATABASE命令它们对模型映射的支持更好。问题4时间序列数据插入速度慢。表现写入 IoT 设备数据时吞吐量达不到预期。排查是否使用了批量提交单条插入的 overhead 极大必须批量。检查时间序列 Bucket 配置时间序列数据按时间窗口分桶存储。如果单个桶内数据量过大如配置的桶时间跨度太长会影响性能。需要根据数据频率调整bucket大小。考虑使用 InfluxDB 行协议直接写入对于纯粹的时序数据写入场景使用 InfluxDB 协议可能比通过 SQL 插入更高效。8. 生态集成与进阶应用场景8.1 与后端应用集成Java 应用嵌入式dependency groupIdcom.arcadedb/groupId artifactIdarcadedb-engine/artifactId version26.3.1/version /dependencytry (Database database new DatabaseFactory(./databases/MyDB).open()) { database.transaction(() - { ResultSet result database.query(sql, SELECT FROM User WHERE name ?, Alice); // 处理结果 }); }嵌入式模式消除了网络序列化开销延迟最低适合高性能、单机部署的应用。Python 应用 虽然 ArcadeDB 是 Java 编写但可以通过其 HTTP API 或社区维护的 Python 嵌入式绑定arcadedb-embedded-python进行交互。HTTP API 是通用性最好的方式使用requests库即可。Node.js / Go / 其他语言 通过Postgres 驱动连接是最佳选择。因为 ArcadeDB 实现了 Postgres 有线协议你可以直接使用对应语言的pg客户端库如node-postgres、pqfor Go、psycopg2for Python来连接 ArcadeDB端口 2424并执行 SQL 查询。这极大地简化了多语言技术栈的集成。8.2 与数据管道和 BI 工具集成Grafana使用 ArcadeDB 的 Grafana 插件或通过 Postgres 数据源配置可以直接将时间序列数据可视化。Apache Spark / Flink可以通过 JDBC 驱动连接 ArcadeDB进行大规模数据分析。Airflow / Dagster可以编写任务使用 Python 的 HTTP 客户端或 SQL 命令来操作 ArcadeDB作为数据管道的一环。8.3 构建 AI 增强型应用Graph RAG这是 ArcadeDB 当前非常亮眼的一个场景。结合其向量和图能力可以构建强大的检索增强生成RAG系统。知识存储将文档如产品手册、公司wiki拆分成片段通过 Embedding 模型如 OpenAI text-embedding-ada-002转换为向量存入 ArcadeDB 的文档类型中并建立向量索引。构建知识图谱同时从文档中提取实体人物、地点、概念和关系存储为图数据顶点和边。混合检索当用户提问时首先将问题转换为向量在 ArcadeDB 中进行向量相似性搜索找到相关文本片段。然后以这些片段中提到的实体为起点在图数据库中遍历找到相关联的、上下文相关的其他实体和信息例如查找一个产品的所有相关组件和常见问题。生成答案将检索到的文本片段和图遍历得到的上下文信息一起提供给大语言模型LLM生成更准确、更具上下文关联的答案。ArcadeDB 在一个系统中同时提供了向量搜索和图遍历的能力使得这种混合检索架构变得异常简洁和高效避免了在多个数据库之间搬运数据的复杂性。经过一段时间的深度使用和测试ArcadeDB 给我的感觉是“野心勃勃且务实”。它没有试图在每一个单一模型上都做到世界第一而是聪明地抓住了“多模型统一”和“极致性能”这两个痛点并通过优秀的工程实现给出了一个非常有竞争力的答案。对于正在面临数据模型碎片化、技术栈复杂、运维成本高昂的团队来说它是一个值得认真评估的选项。当然作为相对较新的数据库其社区规模、第三方工具生态相比 MongoDB 或 Neo4j 这样的巨头还有差距但它的协议兼容性策略巧妙地弥补了这一点。如果你正在设计一个需要处理图关系、文档、时序等多种数据的新系统不妨花上半天时间用 Docker 跑一下它的 Demo亲自体验一下这种“一库在手天下我有”的感觉。