那个被我毙掉的 AI 项目，终于被一个AI原生数据库救活了

发现了一个好东西兄弟们，给大家分享一下：是一个支持AI原生多模态混合搜索的数据库，叫OceanBase seekdb（简称 seekdb）。

之前我们有接到过一个制造业客户的需求，因为底层数据的构建难度太大，召回率我没把握，就没做。然后这两天看到了seekdb，发现最难的问题好像完全能解决了。

客户信息脱敏，大概的需求场景是这样的：

这是一家工厂的高层找来的，他们是做塑制品生产的，类似于手机壳那种，工厂每条产线的年产值高达数千万。设备全是进口的先进设备，整个产线工序很庞大，但是厂家能提供的只有一个维修手册和远程的支持，如果有必要还要给人家报销从国外来付费修检。

他们自己确实也培养了一个老师傅，但是现在产线增多，新的技术工培养周期太长，目前真的能干的就一个师傅，七条产线，日常巡检根本就巡检不过来，而且一旦某个产线出现问题，一个产线还能紧急应对，但是多个产线一旦停工，损失非常大。

所以，老板听说AI很厉害，就安排他们看看是否能够做一个智能体。即使不能像老师傅一样，最起码能够让普通员工拿着这个智能体能完成日常的巡检，然后有小问题也能自己查看手册维护都行。腾出时间，让老师傅专注于比较复杂的，并且能多教些徒弟。

这个需求是一个非常典型的需求。 （注意：我说的不是场景典型，而是使用到的技术比较典型。）

相信很多小伙伴看完这个场景，乍一听起来，就是一个经典的多模态RAG的事。

但是，真当我们深入产线去了解之后，就会感受到这是一个多么困难的事情。

项目背景

大家代入一下产线员工的视角，产线跑出来的产品有问题或者是产线某个流水线卡住了。

员工只能对着AI说：在产线注塑的这一块，现在卡住了，怎么解决。因为不太好描述组件，拍张照片给AI。这时候我们会在每一次询问时把“环境参数”，一起传给AI。比如：产线 ID 是 07 号，当前的水温是 85℃，压力是 120MPa。方便AI结合场景数据做判断。

通常AI知识库类的助手的逻辑原理如下：

在这个逻辑下，能不能从知识库里把正确的知识片段拿出来，其实是决定了AI是否能回答正确的决定性因素。

所以，要想给出这个精准方案，系统必须在海量数据里，找到同时满足以下三个条件的那条知识：

1. 视觉条件： 照片长得像“高压泵阀体”（图片向量匹配）。

2. 语义条件： 故障原理符合“异响震动”（文本向量匹配）。

3. 硬性指标： 该故障触发的阈值，必须包含当前传上来的 85℃ 水温（结构化数据过滤）。

在以往的架构里，图片放在图片向量库，手册在文本向量库，指标数据在业务数据库。要想把这三个条件“取交集”，我们需要在代码里写极其复杂的逻辑：

• 先去搜图，拿到一堆疑似相同零件的ID和零件名称；
• 然后拿着这一堆 ID 去查业务数据库，把等于85°C水温的使用中的零件ID筛选出来。
• 然后再拿工人描述的状况+零件名称去查知识库中维修手册。
• 然后根据维修手册里边的知识片段+数据指标+已有信息，让最后的AI给出判断。

这就像是在三个不同的部门之间跑腿盖章，只要中间一个环节对不上，或者查询的内容不对，整个链条就断了。而且大家都清楚，标量查询还好，但是向量是按照近似值进行的查询，都会有一定的偏差，每个环节正确率是90%，但是三个环节的叠加，那么最终的正确率就变成了：72%。

这就是为什么很多多模态项目落地后，总是出现答非所问的情况，因为逻辑是割裂的。

而 seekdb 让我兴奋的点就在这，解决了核心问题！它是一个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 等多模数据类型。

• Image Vector（故障图片的特征向量）

• Text Vector（维修手册的语义向量）

• Scalar（实时监测的业务数据库数据）

这意味着，面对上面那个场景的查询，我们可以丢掉拼凑逻辑了。

我们可以通过一条 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（Image Similarity）  
      "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（Text Similarity）  
      "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】：SQL Filter  
  "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);

这就是我最想强调的能力。

我们不再是先查图片再去猜原因，而是 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。

此内容这样也意味着，我们可以让模型多次的试错，多次查询，从而再次提高准确率。

以上的过程有点像“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。

“好用”和“能落地”是两码事。 之前我们没有接这个项目，是因为部署一套集群，无论是开发还是运维成本都太高了，给客户能带来的收益还很难测算。

而有了OceanBase seekdb 后，我感觉已经可以重新把这个事情再研究一下了。

此外，OceanBase seekdb还切中了几个非常好的点，让我觉得这个项目非常值得大家关注和使用：

1、纯正开源，无缝接入 AI 生态 这点必须划重点：seekdb 遵循 Apache 2.0 协议 全面开源，这意味着你可以自由使用、修改，商业非常友好。

• 完全兼容 MySQL 协议，你现在的数据库客户端、驱动都能直接连，没有学习成本。

• 生态完善： 已经和 LangChain、Dify、LlamaIndex 等主流 AI 框架打通了，写 Agent 的时候可以直接把它当做标准的 VectorStore 用，无缝集成。

  2、极致轻量，pip install 就能跑 它支持嵌入式模式，对于 Python 开发者，

只需要一行 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： 这意味着它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、内置 AI 函数 ，省去大量的“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，数据库自动帮你完成“推理+存储”的闭环。

  4、“AI 原生”混合检索， 它不是简单的“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。 正如上面所说，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。

以下是与一些常见数据库的能力支持对比：

说到这，兄弟们应该手痒了。

光说不练假把式，为了让大家更直观和最简单的方式，体验seekdb，我准备了一个最基础的“图搜图”实操案例教程供大家使用。

这个教程是我们本地跑了几遍的，老规矩，我们还是以小白的角度起手，因此以桌面系统“windows”为例，走一下流程。会使用服务器的开发者，浏览以下步骤，肯定也能上手了。

动手实操

一、docker安装。

一路点击ok安装即可。

最后这一步需要重启电脑，注意关闭和保存你的工作，防止突然重启丢失你的工作文件。

然后正常的使用账号登录即可，登录的时候需要🧙，大家注意。

二、部署安装及使用

重启电脑之后，随便找个文件夹，在上边输入"cmd"来打开命令行：

然后打开命令行：

输入以下命令，（为了大家都能跑通，所以默认的文件位置是C盘，大家可以自己修改路径）

  
docker volume create seekdb-data

1、部署

确保你已经有docker的情况下，在终端执行。（注意把替换为你的密码这几个字修改成你的密码）

  
docker run -d --name seekdb -p 2881:2881 -p 2886:2886 -e ROOT\_PASSWORD="123456" -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。

2、连接 seekdb。

  
# 1. 进入容器的命令行环境  
docker exec -it seekdb bash  
# 2. 在容器内部连接数据库  
# 执行后，会提示你输入密码  
mysql -h127.0.0.1 -uroot -P2881 -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：

3、使用：

接下来就可以在浏览器中输入【http://localhost:2886】来访问seedb。

密码是:123456

三、官方demo，以图搜图

1、安装anaconda环境。

下载地址：https://www.anaconda.com/download。也是一路点击 ok，安装即可。

2、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。

3、拉取项目代码：

  
git clone https://gitee.com/oceanbase-devhub/image-search.git  
cd image-search

4、添加项目依赖：

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

5、安装项目依赖：

  
pip install -r .\requirements.txt

6、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="123456"  ## 设置对应的租户用户的密码（（之前安装的seekdb的密码））  
UI_LANG="zh"

7、启动项目：

最后，在这个文件夹下，以管理员身份运行，再打开一个窗口：

然后输入以下命令：

  
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。：

稍等片刻后，就可以打开页面直接使用了：

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

那么既然我们要图搜图，所以先要配置一个，要检索的图片集合的目录，然后点击加载图片。

我配置了我的图片，点击加载，会自动的向量化图片，等图片加载完成后，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。

写在最后

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。

像我们之前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。

这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。

我是梦飞，我们下次见~

seekdb体验方式：

GitHub：https://github.com/oceanbase/seekdb

官方文档： https://www.oceanbase.ai/docs/zh-CN/seekdb-overview

往期推荐

K2 Thinking可能才是Agent的真正起点

国内首个视觉 Agentic 编程模型来了！

强主体弱镜头Seedance 1.0 Pro首尾帧测评

干货拆解｜企业级AI 应用可以怎么做？

30分钟手把手从0训练一个ChatGPT模型

Nano Banana Pro中文/逻辑/写实全SOTA

30秒做出来的网页也能叫应用？