html
OceanBase SeekDB：AI原生多模态混合搜索数据库
最近发现了一个好东西，必须分享给各位兄弟：一个支持AI原生多模态混合搜索的数据库，名叫OceanBase SeekDB（简称SeekDB）。
一、项目背景：制造业客户的痛点
1.1 客户需求：智能巡检与维修
之前我们接到一个制造业客户的需求，他们是做塑制品生产的，类似于手机壳那种。工厂的产线年产值高达数千万，设备先进但维修依赖国外支持，成本高昂。他们虽然培养了一个老师傅，但面对越来越多的产线，日常巡检力不从心，停工损失巨大。因此，他们希望利用AI做一个智能体，辅助普通员工进行日常巡检和简单维护，解放老师傅的时间，让他专注于复杂问题和培养徒弟。
1.2 难点分析：多模态数据融合
从产线员工的角度来看，他们希望遇到问题时，可以通过拍摄照片、描述故障现象、提供环境参数（如产线ID、水温、压力等）来向AI寻求解决方案。这看似是一个经典的多模态RAG问题，但深入了解后会发现其困难之处。
要给出精准方案，系统需要在海量数据中找到同时满足以下三个条件的知识：
- 视觉条件：照片与“高压泵阀体”相似（图片向量匹配）。
- 语义条件：故障原理符合“异响震动”（文本向量匹配）。
- 硬性指标：故障触发的阈值包含当前上传的85℃水温（结构化数据过滤）。
1.3 传统架构的局限性
在传统架构中，图片、手册和指标数据分别存储在图片向量库、文本向量库和业务数据库中。要将这三个条件“取交集”，需要在代码中编写极其复杂的逻辑，就像在三个部门之间跑腿盖章，任何一个环节出错都会导致整个链条中断。而且，向量查询是基于近似值的，每个环节的正确率都有偏差，最终结果的准确率会大打折扣。这就是很多多模态项目落地后出现答非所问的原因。
二、SeekDB的解决方案：融合式AI原生数据库
2.1 SeekDB的核心优势
SeekDB是一个AI原生数据库，它并没有搞什么花里胡哨的概念，而是解决了一个最本质的问题：融合。它支持在一张表里，同时存储和索引向量、文本、JSON、GIS等多种数据类型。这意味着，面对上述场景的查询，我们可以丢掉拼凑逻辑，通过一条SQL指令（混合检索）直接告诉数据库：
“帮我找跟这张照片长得像的故障案例（Vector相似度），同时，这个案例的描述要跟工人的问题语义相关（Text相似度），并且，这是一个硬性门槛——这个案例对应的温度范围必须包含当前传进来的85℃（SQL Filter），最后把符合这三个条件的维修方案直接返给我。”
--定义查询参数
SET @search_params = '{
-- 【多路向量召回】：同时匹配视觉和语义
"knn": [
{
-- 1. 视觉相似度（ImageSimilarity）
"field": "image_vec", -- 对应表里的图片向量字段
"k": 10, -- 取前10个最相似的
"query_vector": [0.12, 0.35, ...] -- 这里填入工人刚才拍的照片生成的向量
},
{
-- 2. 文本语义相似度（TextSimilarity）
"field": "text_vec", -- 对应表里的文本描述向量字段
"k": 10, -- 取前10个最相关的
"query_vector": [0.88, 0.12, ...] -- 这里填入 "异响震动" 等描述生成的向量
}
],
-- 【硬性指标过滤】：SQLFilter
"query": {
"bool": {
"filter": [
-- 3. 温度范围必须包含85℃ (即：min_temp <= 85 且 max_temp >= 85)
{
"range": {
"min_temp": {
"lte": 85 -- 案例的最低适用温度 <= 85
}
}
},
{
"range": {
"max_temp": {
"gte": 85 -- 案例的最高适用温度 >= 85
}
}
}
]
}
},
-- 【返回结果】：只展示维修方案
"_source": ["solution_content", "part_name"]
}';
-- 执行混合搜索
SELECT DBMS_HYBRID_SEARCH.SEARCH('maintenance_knowledge', @search_params);
2.2 SeekDB的底层逻辑
SeekDB不是简单的“拼凑”，而是在内核层实现了Vector（向量）+ Fulltext（全文）+ SQL（标量）+ GIS（地理信息）的原生融合。它把“图片向量”、“文本向量”和“硬性数据指标”放在同一个层面上进行筛选，拥有强大的混合搜索能力。数据库自己在底层索引里就把交集做好了，直接吐出那个最可能的、精准的数据。
这意味着，我们可以让模型多次试错、多次查询，从而再次提高准确率。
2.3 SeekDB与传统数据库的对比
SeekDB有了全局的能力，把所有条件都能同时响应，精准地筛选出结果，就像盲人摸象，之前的库只能存储和查询单一模态，有点像蒙眼只能摸到大象的耳朵、鼻子、尾巴，按照这些局部条件检索能出现非常多的可能的答案，比如：AI会猜测可能是狮子、长颈鹿。而Seekdb有了全局的能力，把所有条件都能同时响应，精准的筛选出“大象”的结果。AI会明确的回答出来，这是一只大象。 这就是AI原生数据库的能力。
三、SeekDB的其他优势
3.1 纯正开源，无缝接入AI生态
SeekDB遵循Apache 2.0协议全面开源，商业友好。完全兼容MySQL协议，现有数据库客户端、驱动都能直接连接，学习成本低。生态完善，已和LangChain、Dify、LlamaIndex等主流AI框架打通，可以作为标准的VectorStore使用，无缝集成。
3.2 极致轻量，pip install即可运行
SeekDB支持嵌入式模式，Python开发者只需一行pip install seekdb就能安装。资源占用极低，最低起步配置仅需1核CPU、2GB内存。场景通吃，不仅能跑在服务器上，还能塞进工厂的工控机、树莓派，完美适配离线/边缘计算场景。
3.3 内置AI函数，省去大量“胶水代码”
SeekDB把调用AI模型的能力直接内置到了数据库函数。之前需要自己写脚本调用API生成向量或问答，现在直接在SQL里写AI_EMBED或AI_COMPLETE，数据库自动完成“推理+存储”的闭环。
3.4 “AI原生”混合检索
SeekDB不是简单的“拼凑”，而是在内核层实现了Vector（向量）+ Fulltext（全文）+ SQL（标量）+ GIS（地理信息）的原生融合。它支持在一张表里同时处理视觉、语义和硬性指标，通过RRF（倒数排名融合）算法给出输出。
四、动手实操：以图搜图教程
为了让大家更直观地体验SeekDB，这里提供一个最基础的“图搜图”实操案例教程。以桌面系统“windows”为例：
4.1 安装Docker
访问Docker官网下载并安装Docker Desktop，一路点击“ok”安装即可。安装完成后需要重启电脑。
4.2 部署安装及使用SeekDB
- 创建数据卷：随便找个文件夹，在上边输入”cmd”来打开命令行，然后输入以下命令：
docker volume create seekdb-data - 部署SeekDB：确保你已经有docker的情况下，在终端执行（将
<your_password>替换为你的密码）docker run -d --name seekdb -p 2881:2881 -p 2886:2886 -e ROOT_PASSWORD="<your_password>" -v seekdb-data:/var/lib/oceanbase quay.io/oceanbase/seekdb执行完后，耐心等待 2-3 分钟，让SeekDB完成内部初始化。
- 连接SeekDB：
- 进入容器的命令行环境：
docker exec -it seekdb bash - 在容器内部连接数据库：
mysql -h 127.0.0.1 -u root -P 2881 -p
输入完成后会提示enter password，输入上面修改后的密码，注意输入时是不显示的，输入完成后，按回车即可。显示如下内容就证明连接成功了。
- 进入容器的命令行环境：
- 使用SeekDB：在浏览器中输入
http://localhost:2886来访问Seedb。密码是:<your_password>
4.3 官方Demo：以图搜图
- 安装Anaconda环境：访问Anaconda官网下载并安装Anaconda，一路点击“ok”安装即可。
- 安装Python环境：再打开一个新的cmd的窗口。输入以下命令，通过anaconda安装python 3.10:
conda create -n image-search python=3.10 conda activate image-search当它的开头的括号中，变成（image-search）即为安装成功。
- 拉取项目代码：
git clone https://gitee.com/oceanbase-devhub/image-search.git cd image-search - 添加项目依赖：
在命令行输入：
copy con requirements.txt towhee>=1.1.3,<2.0.0 streamlit>=1.39.0,<2.0.0 python-dotenv>=1.0.1,<2.0.0 opencv-python>=4.10.0.84,<5.0.0 torchvision>=0.20.0 transformers>=4.45.2,<5.0.0 pyobvector>=0.1.6,<0.2.0 torch>=2.6.0输入后，按ctrl+Z，然后再点击回车
- 安装项目依赖：
pip install -r .\requirements.txt - 修改环境参数（.env文件）：打开项目文件夹中的.env文件中（.env文件无法直接打开，可以右键、打开方式、用记事本打开）。
具体参数及说明：
HF_ENDPOINT=https://hf-mirror.com DB_HOST="127.0.0.1" ## 设置对应的服务器 IP（之前安装的seekdb的地址） DB_PORT="2881" ## 设置对应的端口（之前安装的seekdb的端口号） DB_USER="root" ## 设置对应的租户及用户名 DB_NAME="test" ## 设置对应的数据库名 DB_PASSWORD="<your_password>" ## 设置对应的租户用户的密码（之前安装的seekdb的密码） UI_LANG="zh" - 启动项目：在这个文件夹下，以管理员身份运行，再打开一个窗口：
streamlit run --server.runOnSave false image_search_ui.py接着你会看到他正在下载小模型，用于将图片向量化，所以这里需要等待一会。
安装完成后，会自动打开浏览器。你也可以复制这个地址粘贴到浏览器 ，进行访问：http://192.168.1.241:8502
配置一个要检索的图片集合的目录，然后点击加载图片。等待图片加载完成后，可以在右侧上传一张用于搜索的图片，稍等一会就会检索出相似的图片，并且会告诉你距离（相近程度）以及该文件的路径。
五、总结与感悟
折腾完这个 Demo，我不由得感慨：技术迭代的速度简直快得惊人。之前我们在应用层做的那些繁琐的跨库查询、ID 拼接，本质上都是在给基础设施的缺陷“打补丁”。而像 OceanBase SeekDB 这样的工具出现，就是把这些补丁工作消灭在底层，让我们可以更纯粹地利用模型的能力去解决业务问题。
回想一年前，我们还在为各种复杂的业务逻辑编写大量的固定工作流、写死板的胶水代码。而现在，“纯 Agent + MCP（Model Context Protocol）” 的模式正在迅速崛起，以前几百行代码才能搞定的逻辑对齐，现在可能只需要让数据库和模型“通个气”就解决了。
我也是为什么我一直坚持一个观点：要做“模型越强我越强”的事，而不是做那些“模型一迭代就被碾压”的事。
在这个AI日新月异的时代，真心建议大家时刻关注像SeekDB这样的前沿工具。有时候，“做不成”和“做得好”之间，差的可能不是技术实力，而只是你不知道手里有把新锤子。事半功倍，往往就藏在这些新工具里。
我认为： SeekDB 的出现，犹如黑暗中的一丝曙光，照亮了AI原生数据库的发展方向。它不仅解决了多模态数据融合的难题，更将AI能力融入数据库内核，为开发者提供了更加便捷、高效的开发体验。然而，SeekDB 的发展之路还很长，我们需要不断探索其在各行各业的应用，并持续优化其性能与功能，方能使其真正成为推动人工智能发展的强大引擎。希望它能为各行各业带来效率的提升，解决实际问题，这才是技术发展的最终意义！
SeekDB体验方式：
- GitHub：https://github.com/oceanbase/seekdb
- 官方文档：https://www.oceanbase.ai/docs/zh-CN/seekdb-overview
#LlamaIndex
© 版权声明
文章版权归作者所有，未经允许请勿转载。
