seekdb：OceanBase推出的AI原生多模态混合搜索数据库

一、seekdb是什么？

seekdb是由OceanBase团队开发的开源AI原生搜索数据库，定位为“一站式多模态数据处理与智能检索引擎”。它打破了传统数据库对数据类型的割裂限制，在单一引擎中实现了关系型数据、向量数据、文本数据、JSON数据及GIS地理空间数据的统一存储与管理，核心目标是解决AI应用开发中“多数据源整合难、检索方式单一、AI能力集成繁琐”的痛点。

与传统数据库及专用向量数据库不同，seekdb以“AI原生”为核心设计理念，不仅支持数据存储与检索，更将AI能力深度嵌入数据库内核，可直接在库内完成嵌入生成、重排序、LLM推理、提示词管理等操作，无需依赖外部AI服务，从而构建完整的“文档输入-数据输出”RAG（检索增强生成）工作流。同时，它继承了OceanBase引擎的成熟技术底座，具备MySQL生态无缝兼容、ACID事务保障、实时读写等特性，让传统应用无需大幅改造即可获得智能检索能力。

从本质上看，seekdb是“数据库+AI引擎”的融合产物——它既保留了传统数据库的可靠性与兼容性，又具备向量数据库的语义检索能力，还集成了AI模型的推理与处理能力，最终实现“一份数据、多种检索方式、内置AI支持”的高效开发体验，适用于从原型验证到生产部署的全流程AI应用开发。

二、功能特色

作为AI原生搜索数据库，seekdb的功能特色围绕“多模态整合、混合检索、AI内置、高效部署”四大核心展开，具体如下：

1. 多模型数据统一存储，打破数据壁垒

seekdb的核心优势之一是支持多类型数据的一站式管理，无需在多个数据库间切换即可处理复杂数据场景：

• 关系型数据：兼容MySQL语法，支持传统表结构、主键、索引等关系型数据库特性，满足结构化数据存储需求；

• 向量数据：原生支持向量存储与检索，适配AI模型生成的嵌入向量（默认384维，支持自定义维度），为语义搜索提供基础；

• 文本数据：内置全文检索功能，支持关键词匹配、自然语言搜索，搭配IK分词器等插件适配中文场景；

• 半结构化/非结构化数据：支持JSON格式数据的存储与查询，同时兼容GIS地理空间数据，满足位置检索等场景；

• 多模态协同：不同类型数据可关联存储与查询，例如将产品的结构化属性（价格、分类）、文本描述、图片向量、地理位置信息整合在同一表中，实现全方位检索。

2. 混合搜索能力，精准捕捉检索意图

传统搜索受限于“关键词匹配”或“单一检索模式”，难以满足复杂场景需求。seekdb支持在单一查询语句中融合多种检索方式，实现更精准的结果匹配：

• 混合检索组合：可自由搭配向量搜索（语义匹配）、全文搜索（关键词匹配）、关系查询（条件筛选），例如“查找价格低于500元、描述包含‘轻薄’且语义接近‘便携办公本’的笔记本电脑”；

• 统一查询入口：无需编写多段代码或调用多个接口，通过SQL语句或SDK即可完成混合检索，降低开发复杂度；

• 智能排序：支持基于向量距离、文本匹配得分、业务权重等多维度排序，可根据场景自定义排序规则，平衡检索精准度与业务需求。

3. 数据库内AI集成，简化RAG工作流

seekdb将AI能力深度嵌入数据库内核，无需依赖外部AI服务即可完成端到端的智能检索流程，大幅降低AI应用开发门槛：

• 自动嵌入生成：内置默认嵌入函数（DefaultEmbeddingFunction），添加文本数据时可自动生成向量，无需手动调用外部嵌入模型；

• 内置AI功能：支持在数据库内执行重排序、LLM推理、提示词管理等操作，无需将数据导出至外部AI服务，减少数据传输与隐私风险；

• 完整RAG支持：从外部知识导入、嵌入生成、检索匹配到LLM应答生成，全流程可在数据库内完成，实现“数据不落地、智能在库内”的闭环；

• 模型兼容性：支持与HuggingFace、LangChain、LangGraph等主流AI生态工具集成，可灵活替换嵌入模型或LLM模型，适配不同场景需求。

4. 兼容MySQL生态，降低迁移与使用成本

对于现有MySQL用户而言，seekdb的兼容性设计大幅降低了上手难度与迁移成本：

• 语法完全兼容：支持标准MySQL SQL语法，现有MySQL应用可直接替换驱动连接seekdb，无需修改业务代码；

• 生态工具适配：支持sqlalchemy等Python数据访问框架，可与现有数据分析、后端开发工具链无缝对接；

• ACID事务保障：继承OceanBase引擎的事务能力，确保数据读写的原子性、一致性、隔离性与持久性，满足生产级应用需求；

• 索引优化：支持向量索引（HNSW算法）、全文索引（IK分词器）、关系索引等多种索引类型，兼顾检索速度与查询效率。

5. 灵活部署模式，适配全场景需求

seekdb提供多种部署模式，可根据场景规模与资源条件灵活选择，从本地原型到边缘设备再到服务器部署均能覆盖：

• 嵌入式模式：无需启动独立服务，直接嵌入应用进程中运行，适用于本地工具、桌面应用、边缘设备等资源受限场景；

• 单节点模式：独立部署为服务，支持多应用连接，适用于中小型项目、测试环境或单机生产场景；

• 服务器模式：可连接远程OceanBase服务器，借助OceanBase的分布式能力扩展（注：seekdb自身暂不支持分布式部署，需依赖OceanBase主引擎）；

• 轻量高效：支持在1C2G的低配置环境中运行，启动快速、资源占用低，可通过VectorDBBench等工具进行性能验证。

6. 多场景适配的核心附加能力

除核心功能外，seekdb还提供多项实用特性，进一步提升开发与使用体验：

• 快速迭代支持：从原型开发到生产部署仅需分钟级配置，无需复杂的集群搭建或参数调优；

• 多语言支持：目前优先提供Python SDK，支持主流AI/ML开发场景，后续将扩展更多语言支持；

• 数据隐私保障：多级别访问控制机制，支持数据隔离与权限管理，适配企业级数据安全需求；

• 开源免费：基于Apache 2.0许可证开源，无商业授权费用，可自由用于商业项目与二次开发。

表1：seekdb与主流数据库/向量库特性对比

注：✅=支持，❌=不支持，⚠️=有限支持

技术细节

1. 核心架构设计

seekdb的架构基于OceanBase成熟的数据库内核进行扩展，核心分为“存储层、计算层、AI引擎层、接口层”四大模块，确保多模态数据处理与AI能力的高效集成：

• 存储层：采用混合行列存储结构，针对不同数据类型优化存储效率——关系型数据采用行存储保障事务性能，向量与文本数据采用列存储提升检索效率；支持数据持久化与内存缓存结合，平衡读写速度与数据安全性。

• 计算层：集成关系查询引擎、向量检索引擎、全文检索引擎，三大引擎可协同工作，实现混合搜索的统一解析与执行；支持并行执行与查询优化，降低多模态检索的延迟。

• AI引擎层：内置嵌入模型接口、LLM推理适配器、重排序模块，支持与外部AI模型的灵活对接；提供提示词管理功能，可存储与复用常用提示词模板，简化AI工作流配置。

• 接口层：提供MySQL协议兼容接口、Python SDK、RESTful API（规划中），支持多种开发方式接入；兼容SQL标准与AI生态工具，降低集成成本。

2. 关键技术特性

• 向量索引优化：采用HNSW（Hierarchical Navigable Small World）算法构建向量索引，支持L2距离计算，兼顾检索速度与精度；索引支持动态更新，适配数据高频写入场景。

• 全文检索引擎：集成IK分词器等主流分词插件，支持中文、英文等多语言分词；支持模糊匹配、短语匹配、自然语言查询，可通过索引优化提升检索效率。

• 事务与一致性：基于OceanBase的MVCC（多版本并发控制）机制，实现高并发场景下的事务隔离；支持实时写入与查询，数据写入后可立即被检索，满足实时性需求。

• 资源优化：针对嵌入式与边缘场景优化资源占用，支持内存限制与磁盘缓存策略；在低配置环境下自动调整索引精度与并发数，平衡性能与资源消耗。

3. 部署与运行依赖

• 系统兼容性：支持Linux（推荐CentOS 8+/Ubuntu 20.04+）、Docker容器环境，后续将扩展Windows与macOS支持；

• 硬件要求：最低配置1C2G（适用于原型开发与测试），生产环境建议2C4G及以上；

• 依赖组件：Python SDK需Python 3.8+；Docker部署需Docker 20.0+；二进制部署需依赖libaio等系统库；

• 网络要求：服务器模式需开放2881端口（默认），支持跨设备访问；嵌入式模式无需网络依赖。

表2：seekdb部署模式对比

应用场景

seekdb的多模态整合、混合搜索、AI内置、灵活部署等特性，使其适配从企业级应用到边缘设备的全场景AI开发需求，核心应用场景如下：

1. RAG与知识检索

RAG（检索增强生成）是LLM应用的核心场景，旨在通过外部知识提升LLM回答的准确性与时效性。seekdb为RAG提供端到端支持：

• 企业QA系统：整合企业文档、知识库、历史问答数据，支持员工与客户通过自然语言查询相关信息，例如“查询公司报销政策中差旅费报销标准”；

• 客户支持：将产品手册、常见问题、售后记录存储至seekdb，客服可通过关键词或自然语言快速检索答案，提升响应效率；

• 行业洞察：整合行业报告、政策文件、新闻数据，支持语义检索与关键词筛选，快速提取关键信息，辅助决策；

• 个人知识库：开发者或研究者可搭建私人知识库，通过自然语言检索笔记、论文、代码片段，提升学习与工作效率。

2. 语义搜索引擎

传统关键词搜索引擎难以理解用户意图，语义搜索引擎通过向量检索实现“意图匹配”，seekdb的混合搜索能力进一步提升检索精准度：

• 产品搜索：电商平台可整合产品属性（价格、分类）、描述文本、图片向量，支持“查找适合学生党的轻薄便携笔记本”等自然语言查询，同时筛选价格、品牌等条件；

• 文本-to-图像/图像-to-产品：支持文本描述检索相似图像，或上传图像检索同类产品，适用于内容平台、电商导购场景；

• 内容推荐：基于用户查询意图与内容语义相似度，推荐相关文章、视频、商品，提升推荐精准度。

3. Agentic AI应用

Agentic AI（智能代理）需要具备记忆、规划、检索、推理能力，seekdb为智能代理提供统一的数据存储与检索底座：

• 个人助手：整合用户日程、通讯录、笔记、文件数据，支持自然语言查询与任务执行，例如“查找上周与客户的沟通记录并生成跟进邮件”；

• 企业自动化：作为企业智能代理的“记忆库”，支持流程自动化、文档处理、跨系统数据检索，例如自动提取合同关键信息并与业务系统对接；

• 垂直领域代理：在医疗、法律、金融等领域，整合专业知识库与业务数据，为代理提供精准检索支持，例如医疗代理检索病症相关案例与治疗方案。

4. AI辅助编码与开发

AI编码工具需要理解代码语义与文档内容，seekdb的多模态存储与语义检索能力可提升编码效率：

• IDE插件：集成至IDE（如VS Code、PyCharm），支持代码片段检索、API文档查询、错误解决方案匹配，例如“检索Python连接MySQL的示例代码”；

• 设计-to-web：整合设计文档、UI组件库、代码模板，支持根据设计描述生成对应的前端代码，或检索相似设计的实现方案；

• 多项目管理：支持多项目代码与文档的隔离存储，通过语义检索跨项目复用代码与经验，提升开发效率。

5. 企业应用智能化

传统企业应用（如OA、CRM、ERP）缺乏智能检索能力，seekdb可作为“智能存储层”为其赋能：

• 文档智能处理：整合企业合同、报表、邮件等文档，支持语义检索、关键信息提取、文档分类，例如自动检索与某客户相关的所有合同与沟通记录；

• 业务洞察分析：整合业务数据与外部行业数据，支持混合查询与趋势分析，例如“查询近三个月某产品的销售数据并关联行业政策变化”；

• 遗留系统升级：无需重构现有企业应用，通过MySQL兼容特性对接遗留系统，快速赋予智能检索与AI分析能力。

6. 边缘AI应用

边缘设备（如手机、车载终端、工业传感器）资源受限，且需要低延迟数据处理，seekdb的嵌入式模式完美适配：

• 车载智能系统：作为车载AI的本地存储与检索引擎，支持语音查询导航路线、车辆状态、本地服务信息，无需依赖云端，降低延迟；

• 移动个人助手：集成至手机应用，支持离线检索本地文档、笔记、联系人，保护用户数据隐私；

• 工业边缘设备：在工业终端中存储传感器数据、设备手册、故障案例，支持本地检索故障解决方案，提升维修效率；

• 医疗设备：在便携式医疗设备中存储患者数据、诊疗指南，支持本地快速检索，保障医疗场景的实时性与数据安全性。

五、使用方法

seekdb提供多种安装与使用方式，以下为详细的入门指南，涵盖安装部署、核心操作示例，帮助快速上手：

1. 安装方式

（1）Python SDK安装（推荐AI/ML场景）

适用于Python开发者，可快速集成至AI项目中，支持嵌入式与服务器模式：

# 升级pip并安装pyseekdb
pip install -U pyseekdb

（2）Docker安装（快速测试）

无需配置系统依赖，通过容器快速启动seekdb服务，适用于测试与演示：

# 拉取镜像并启动容器
docker run -d \
 --name seekdb \
 -p 2881:2881 \
 -v ./data:/var/lib/oceanbase/store \
 oceanbase/seekdb:latest

# 验证容器运行状态
docker ps | grep seekdb

（3）二进制安装（Linux独立部署）

适用于生产环境，通过RPM包安装，需依赖Linux系统（推荐CentOS 8+/RHEL 8+）：

# 下载对应版本的RPM包（替换为实际版本号）
wget https://github.com/oceanbase/seekdb/releases/download/v1.0.0/seekdb-1.0.0-xxxxxxx.el8.x86_64.rpm

# 安装RPM包
rpm -ivh seekdb-1.0.0-xxxxxxx.el8.x86_64.rpm

# 启动seekdb服务
systemctl start seekdb

# 验证服务状态
systemctl status seekdb

2. Python SDK快速入门（语义搜索示例）

以下示例演示如何通过Python SDK构建语义搜索系统，涵盖“连接客户端、创建集合、添加数据、检索查询”全流程：

步骤1：安装SDK并导入依赖

pip install -U pyseekdb

import pyseekdb
from pyseekdb import DefaultEmbeddingFunction

步骤2：创建客户端连接

支持嵌入式、服务器、OceanBase三种模式，按需选择：

# 模式1：嵌入式模式（本地运行，无需服务）
client = pyseekdb.Client(
  path="./seekdb.db", # 本地数据库文件路径
  database="test"   # 数据库名称
)

# 模式2：服务器模式（连接Docker或二进制部署的服务）
# client = pyseekdb.Client(
#   host="127.0.0.1", # 服务地址
#   port=2881,     # 默认端口
#   database="test",
#   user="root",    # 默认用户名
#   password=""    # 默认无密码
# )

# 模式3：对接OceanBase服务器（企业级部署）
# client = pyseekdb.Client(
#   host="127.0.0.1",
#   port=2881,
#   tenant="test",   # OceanBase租户名称
#   database="test",
#   user="root",
#   password=""
# )

步骤3：创建集合（类似数据库表）

集合用于存储文档、向量、元数据，可指定嵌入函数自动生成向量：

# 集合名称
collection_name = "my_semantic_collection"

# 创建集合，使用默认嵌入函数（自动生成384维向量）
collection = client.create_collection(
  name=collection_name,
  embedding_function=DefaultEmbeddingFunction() # 自动嵌入生成
)

print(f"集合创建成功，维度：{collection.dimension}")
print(f"嵌入函数：{collection.embedding_function}")

步骤4：添加数据（自动生成向量）

无需手动计算向量，传入文档即可自动生成嵌入：

# 待添加的文档与元数据
documents = [
  "机器学习是人工智能的一个子集，专注于数据驱动的模型训练",
  "Python是一种流行的编程语言，广泛用于AI、数据分析与Web开发",
  "向量数据库通过向量相似度匹配实现语义搜索，适用于AI应用",
  "神经网络受人类大脑结构启发，是深度学习的核心组成部分",
  "自然语言处理（NLP）帮助计算机理解、处理和生成人类语言"
]
ids = ["id1", "id2", "id3", "id4", "id5"] # 文档唯一ID
metadatas = [
  {"category": "AI", "index": 0},
  {"category": "Programming", "index": 1},
  {"category": "Database", "index": 2},
  {"category": "AI", "index": 3},
  {"category": "NLP", "index": 4}
] # 元数据（用于筛选与分类）

# 添加数据（自动生成向量）
collection.add(
  ids=ids,
  documents=documents,
  metadatas=metadatas
)

print(f"成功添加{len(documents)}条文档，向量自动生成")

步骤5：语义检索（自动生成查询向量）

传入查询文本，自动生成向量并匹配相似文档：

# 查询文本（无需手动生成向量）
query_text = "人工智能与机器学习的关系"

# 检索Top3相似文档
results = collection.query(
  query_texts=query_text,
  n_results=3 # 返回前3条结果
)

# 打印查询结果
print(f"\n查询：{query_text}")
print(f"找到{len(results['ids'][0])}条匹配结果：")
for i in range(len(results['ids'][0])):
  print(f"\n结果{i+1}：")
  print(f" ID：{results['ids'][0][i]}")
  print(f" 相似度距离：{results['distances'][0][i]:.4f}") # 距离越小相似度越高
  print(f" 文档：{results['documents'][0][i]}")
  print(f" 元数据：{results['metadatas'][0][i]}")

步骤6：清理资源（可选）

# 删除集合（测试完成后执行）
client.delete_collection(collection_name)
print(f"\n集合{collection_name}已删除")

3. SQL操作示例（兼容MySQL语法）

对于熟悉SQL的开发者，可通过SQL语句直接操作seekdb，支持关系查询、向量搜索、混合检索：

步骤1：连接数据库

使用MySQL客户端或sqlalchemy连接seekdb（默认端口2881，用户root，无密码）：

# 使用sqlalchemy连接
from sqlalchemy import create_engine, text

engine = create_engine("mysql+pymysql://root:@127.0.0.1:2881/test")
conn = engine.connect()

步骤2：创建表（含向量列与全文索引）

CREATE TABLE articles (
  id INT PRIMARY KEY,
  title TEXT,
  content TEXT,
  embedding VECTOR(384), # 向量列（384维）
  category VARCHAR(50),
  FULLTEXT INDEX idx_fts(content) WITH PARSER ik, # 全文索引（IK分词）
  VECTOR INDEX idx_vec(embedding) WITH(DISTANCE=l2, TYPE=hnsw, LIB=vsag) # 向量索引
) ORGANIZATION = HEAP;

步骤3：插入数据（需提前生成向量）

INSERT INTO articles (id, title, content, embedding, category)
VALUES
(1, 'AI与机器学习', '人工智能正通过机器学习技术改变各行各业...', '[0.123, 0.456, ..., 0.789]', 'AI'),
(2, '向量数据库原理', '向量数据库利用高维向量的相似度计算实现语义检索...', '[0.321, 0.654, ..., 0.987]', 'Database'),
(3, 'Python AI开发', 'Python凭借丰富的库生态成为AI开发的首选语言...', '[0.234, 0.567, ..., 0.890]', 'Programming');

步骤4：混合检索（向量搜索+全文搜索+条件筛选）

-- 结合向量相似度、全文匹配、分类筛选
SELECT
  title,
  content,
  category,
  l2_distance(embedding, '[0.111, 0.222, ..., 0.333]') AS vector_distance, # 查询向量
  MATCH(content) AGAINST('人工智能 语义检索' IN NATURAL LANGUAGE MODE) AS text_score
FROM articles
WHERE category = 'AI' OR category = 'Database'
 AND MATCH(content) AGAINST('人工智能 语义检索' IN NATURAL LANGUAGE MODE)
ORDER BY vector_distance APPROXIMATE, text_score DESC
LIMIT 10;

步骤5：关闭连接

conn.close()
engine.dispose()

六、常见问题解答（FAQ）

1. seekdb与OceanBase主引擎的关系是什么？

seekdb是OceanBase推出的独立AI原生搜索数据库，基于OceanBase成熟的数据库内核开发，但定位不同：OceanBase主引擎专注于分布式关系型数据库，支持高并发、海量数据存储；seekdb专注于AI场景的多模态数据处理与混合搜索，支持嵌入式与单节点部署，可对接OceanBase主引擎实现分布式扩展。两者可互补使用，也可独立部署。

2. seekdb支持分布式部署吗？

目前seekdb自身不支持分布式部署，仅支持嵌入式、单节点、对接OceanBase主引擎三种模式。若需分布式能力，需将seekdb与OceanBase主引擎对接，借助OceanBase的分布式架构实现高可用与海量数据存储。

3. 嵌入函数支持自定义吗？

支持。seekdb默认提供DefaultEmbeddingFunction（384维向量），同时支持集成自定义嵌入模型，例如HuggingFace的BERT、Sentence-BERT等。可通过实现pyseekdb.EmbeddingFunction接口，自定义嵌入生成逻辑。

4. seekdb的数据隐私如何保障？

• 多级别访问控制：支持数据库用户与权限管理，可限制表级、行级访问权限；

• 数据本地存储：嵌入式与单节点模式支持数据本地存储，无需上传至云端，降低数据泄露风险；

• 开源透明：基于Apache 2.0许可证开源，代码可审计，无隐藏数据收集逻辑；

• 兼容加密方案：支持数据加密存储与传输加密，适配企业级数据安全需求。

5. 与其他向量库（如Milvus、Chroma）相比，seekdb的核心优势是什么？

• 多模态整合：支持关系型、文本、JSON、GIS等多类型数据，无需多库协同；

• MySQL兼容：无需学习新语法，现有MySQL应用可直接迁移；

• 内置AI能力：支持在库内完成嵌入、重排序、LLM推理，简化RAG工作流；

• 灵活部署：支持嵌入式模式，适配边缘设备与本地应用。

6. 生产环境使用需要注意什么？

• 硬件配置：生产环境建议2C4G及以上配置，高并发场景建议4C8G+；

• 数据备份：定期备份数据库文件（嵌入式模式）或通过OceanBase主引擎实现数据备份；

• 索引优化：针对高频查询场景优化向量索引与全文索引参数；

• 监控运维：通过OceanBase生态工具监控数据库性能，及时调整资源配置。

7. 支持多语言SDK吗？

目前优先支持Python SDK，适用于AI/ML开发场景。后续将逐步扩展Java、Go、JavaScript等多语言SDK，具体进度可关注GitHub仓库更新。

七、相关链接

• 项目GitHub仓库：https://github.com/oceanbase/seekdb

• 官方官网：https://oceanbase.ai

八、总结

OceanBase seekdb作为一款AI原生搜索数据库，以“多模态数据统一存储、混合搜索能力、数据库内AI集成、MySQL生态兼容”为核心优势，打破了传统数据库与专用向量库的功能边界，为AI应用开发提供了高效、便捷、低门槛的解决方案。它支持嵌入式、单节点、对接OceanBase主引擎等多种部署模式，适配从本地原型到企业级应用、从云端服务到边缘设备的全场景需求，可广泛应用于RAG知识检索、语义搜索、Agentic AI、企业应用智能化等领域。无论是AI开发者、企业IT团队还是独立开发者，都能通过seekdb快速构建具备智能检索能力的应用，无需关注多数据类型整合、AI模型集成、跨系统兼容等复杂问题，实现“原型即生产”的高效开发体验。作为开源项目，seekdb基于Apache 2.0许可证免费开放，具备完善的文档与社区支持，是AI时代数据存储与检索的优质选择。