摘要：在 AI 2.0 时代，开发者面临着“向量数据库+关系型数据库+搜索引擎”多头管理的痛苦。OceanBase 重磅推出的开源 AI 原生数据库SeekDB，以“做减法”的思路，在一个引擎内统一了向量、文本、结构化数据，实现了极致的轻量化与高性能。本文将带你深入了解 SeekDB 的架构、优势及上手指南。
📖 1. 什么是 SeekDB？
SeekDB是 OceanBase 团队推出的一款AI 原生（AI-Native）混合搜索数据库。
不同于传统的“数据库 + 向量插件”模式，SeekDB 专为 AI 场景重构设计。它在一个数据库内核中同时支持向量检索（Vector Search）、全文检索（Full-Text Search）、结构化查询（SQL）以及半结构化数据（JSON/GIS）。
- 官网文档：OceanBase SeekDB Overview
- 开源协议：Apache 2.0（完全开源免费）
- 核心口号：Document-in, Data-out，让数据库“理解”数据。
🏗️ 2. 产品架构解析
SeekDB 的架构设计不仅继承了 OceanBase 稳定可靠的内核，还针对 AI 负载进行了深度优化。
核心架构图
架构亮点
统一多模引擎 (Unified Engine)：
- 无需维护多个系统（MySQL + ES + Milvus），SeekDB 单一引擎搞定所有数据类型（标量、向量、文本、JSON）。
- 支持复杂的混合查询，例如：“查找价格<100元（标量）且描述包含‘红色’（全文）且图片看起来像这件衬衫（向量）的商品”。
AI Inside (库内 AI)：
- 内置 AI 函数（如
embedding(),rerank()），数据无需搬运到应用层处理，直接在数据库内完成向量化和重排序，实现端到端 RAG。
- 内置 AI 函数（如
高性能存储：
- 基于LSM-Tree架构，支持高频实时写入，数据入库即立即可查。
- 采用行列混存技术，兼顾事务处理（TP）和分析查询（AP）。
🌟 3. 核心优势
| 优势维度 | 详细说明 |
|---|---|
| 🚀 极致轻量 | 1C 2G资源即可流畅运行，支持嵌入式部署，适合边缘设备、个人开发及 CI/CD 环境。 |
| ⚡ 混合搜索 | 一条 SQL 同时完成向量、全文和标量过滤。支持多路召回 + 粗排 + 精排，大幅提升 RAG 准确率。 |
| 🔌 MySQL 兼容 | 深度兼容 MySQL 协议、语法和数据字典。现有 MySQL 客户端工具（如 Navicat, DBeaver）可直接连接。 |
| 🤖 极简开发 | 号称“三行 Python 代码构建 AI 应用”。大大减少了胶水代码（Glue Code）的编写。 |
| 🛡️ 生产级可靠 | 继承 OceanBase 的金融级内核，具备完整的 ACID 事务能力，不仅是玩具，更能上生产。 |
🛠️ 4. 如何部署 SeekDB
SeekDB 提供了极其灵活的部署方式，满足从本地开发到服务器部署的需求。
方式一：Docker 容器部署（最推荐）
最快上手方式，无需配置环境。
# 拉取并启动 SeekDB 镜像# 映射端口 2881 (SQL端口)dockerrun -d --name seekdb -p2881:2881 oceanbase/seekdb:latest# 查看容器状态dockerps方式二：Yum/RPM 包安装 (Linux)
适合 Centos/RedHat 系服务器环境。
# 1. 添加 OceanBase 镜像源sudoyum-config-manager --add-repo https://mirrors.aliyun.com/oceanbase/OceanBase.repo# 2. 安装 SeekDBsudoyuminstall-y seekdb# 3. 启动服务# 默认安装在 /home/admin/oceanbasecd/home/admin/oceanbase&&./bin/observer -r127.0.0.1:2881:2881方式三：Python 嵌入式模式
直接作为 Python 库运行（类似 SQLite 的体验，适合本地 AI Agent 开发）。
pipinstallseekdb⚙️ 5. 配置指南
SeekDB 的主要配置文件通常位于/etc/oceanbase/seekdb.cnf(RPM安装) 或挂载卷中。
核心配置参数解析：
| 参数名 | 默认值 | 说明 |
|---|---|---|
datafile_size | 2G | 初始数据文件大小，生产环境建议调大。 |
memory_limit | 2G | 内存限制，SeekDB 对内存极度节省，2G 即可跑 benchmark。 |
cpu_count | 4 | 使用的 CPU 核数。 |
log_disk_size | 2G | Redo Log 磁盘大小，影响写入吞吐。 |
port | 2881 | SQL 服务端口，兼容 MySQL 协议。 |
修改配置示例：
[server] # 调整内存上限为 8G memory_limit=8G # 设置数据目录 data_dir=/data/seekdb/store💻 6. 实战调用：从 SQL 到 Python
场景：构建一个简单的知识库搜索
1. 使用 SQL (兼容 MySQL)
你可以使用任意 MySQL 客户端连接 SeekDB。
-- 1. 创建表：包含文本内容和向量字段 (假设向量维度为 3)CREATETABLEknowledge_base(idINTPRIMARYKEYAUTO_INCREMENT,contentTEXT,embedding VECTOR(3),-- SeekDB 特有的向量类型categoryVARCHAR(20),FULLTEXT(content)-- 创建全文索引);-- 2. 插入数据INSERTINTOknowledge_base(content,embedding,category)VALUES('OceanBase is a distributed database.','[0.1, 0.2, 0.3]','Tech'),('SeekDB is AI-native.','[0.4, 0.5, 0.6]','Tech'),('Apple is a fruit.','[0.9, 0.1, 0.1]','Food');-- 3. 混合搜索查询-- 查找分类为 'Tech'，且向量相似度高，且包含关键词的数据SELECTid,content,VECTOR_DISTANCE(embedding,'[0.1, 0.2, 0.3]')asdistFROMknowledge_baseWHEREcategory='Tech'ANDMATCH(content)AGAINST('distributed')ORDERBYdistASCLIMIT5;2. 使用 Python SDK (极简模式)
importseekdb# 1. 初始化客户端 (嵌入式或连接 Server)db=seekdb.connect(mode="embedded")# 或 host="127.0.0.1", port=2881# 2. 创建集合 (类似表的概念，自动处理 Embedding)collection=db.create_collection("my_docs",dimension=768)# 3. 插入数据 (自动调用内置 Embedding 模型，如果配置了的话)collection.add(documents=["SeekDB simplifies AI stack.","RAG is powerful."],metadatas=[{"category":"database"},{"category":"AI"}])# 4. 语义搜索results=collection.query(query_texts=["What is SeekDB?"],n_results=2)print(results)🎯 7. 适用场景总结
- RAG (检索增强生成)：结合 LLM 构建企业知识库、智能客服。SeekDB 的混合检索能显著降低 LLM 的“幻觉”。
- 推荐系统：利用向量相似度进行“猜你喜欢”召回。
- 多模态搜索：以文搜图、以图搜商品。
- 边缘 AI：在手机、IoT 设备端侧运行本地知识库（得益于其轻量化）。
📝 总结
OceanBase SeekDB的出现，标志着数据库正在从单纯的“存储工具”向“智能引擎”进化。对于开发者而言，它最大的价值在于**“省心”**——不需要再去学习和维护复杂的向量数据库集群，只需用最熟悉的 SQL，配合极低的资源成本，就能构建出高性能的 AI 应用。
如果你正在寻找一个轻量、全能且对 MySQL 友好的 AI 数据库，SeekDB 绝对值得一试！
🔗 相关链接：
- GitHub 项目地址
- OceanBase 官网
注：本文基于截至 2026 年 1 月的公开资料整理，具体 API 细节请以官方最新文档为准。
