作者：傅榕锋，OceanBase 高级技术专家

AI 开发者需要什么样的数据库

在开始正式话题前，我们不妨先思考一个问题： AI 时代下开发者需要什么样的数据库？

自本世纪初以来数据库需求的演变历程。Web 2.0及业务在线化的时代，强调的是一个可靠、精确的记录系统，能够精准地记录每一笔交易数据，满足典型的事务处理（TP）需求。进入移动互联网和数据智能化时代后，随着数据量的爆发式增长，海量数据分析的需求成为主流。这时，分析型（AP）数据库开始占据重要位置。AI 时代的真正到来，驱动数据库不仅要支持查询和分析功能，更需具备理解和推理的能力。

快来关注我，获取 OceanBase 第一手的产品信息和技术资源，与行业大咖 “唠” 出真知！

AI 时代开发者的痛点

作为数据库从业者，我们需要深入分析 AI 时代下开发者对数据库的具体需求。

数据类型的多维化：在传统数据库中，图片、视频、音频仅能被存储而难以有效利用。借助 AI 模型的帮助，这些非结构化数据可以转化为可检索的形式，如通过嵌入模型转换为向量，或使用大语言模型提取文本描述和标签，从而将非结构化数据转变为结构化或半结构化数据以实现高效检索。

性能与规模的极致化：鉴于向量数据对内存和磁盘资源的高占用特性，在成本与性能之间寻求最佳平衡显得尤为关键。为此，亟需采用高效的算法，以优化召回率与资源成本之间的权衡关系。

智能处理的内生化：例如，在 RAG 场景中，文档需先进行切片并生成向量，这通常涉及向量数据库、文档型数据库以及事务型数据库的联合使用。为了简化这一流程，理想的解决方案是让数据库自身承担更多的标准化数据处理任务，减少开发者的负担。

开发流程的敏捷化：目标是让开发者更加专注于业务逻辑本身，而非陷入复杂的数据处理流程之中。

AI 时代的理想数据库

基于上述痛点，AI 时代的理想数据库应具备以下四个特征。

  • 多模态支持：提供统一的平台，支持多种数据类型，包括但不限于向量、全文、标量、 JSON 格式。
  • 高性能引擎：针对 AI 工作负载进行优化，确保在控制成本的前提下实现最优性能表现。
  • 智能化集成：内置 AI 运行时环境，使数据库可以直接执行复杂的智能处理任务，减少对外部系统的依赖。
  • 简易操作：设计直观易用的界面和工具，降低非专业开发者的使用门槛，促进更多领域专家参与到数据处理工作中。

综上所述， AI 时代我们期待的数据库应该是强大、智能、一体化的，是数据与 AI 融合的平台。

AI原生的一体化数据库是否存在

正所谓“需求决定市场”，契合AI时代理想数据库特质的产品必然会出现。而就目前来看，OceanBase 新发布的 seekdb 已率先落地，不仅具备了相关核心能力，更在快速迭代中持续进化。

混搜架构的轻量级、多模态的AI原生数据库

OceanBase seekdb 是一款面向 AI 场景的轻量级、多模态的原生数据库，专为支持混合搜索、上下文理解与智能数据处理而设计。其整体架构分为五个核心层级，实现从数据存储到查询执行的全链路优化。

1. 统一应用接口层。

seekdb提供基于 SQL 的统一查询语言，兼容标准 SQL 语法，支持多模态数据的联合查询。同时，提供面向开发者的 Python SDK，具备简洁易用的 API 接口，支持 skip-by-list 等高效检索模式，显著降低开发者使用门槛。

2. 支持混合负载的多模计算层。

继承自 OceanBase 的成熟优化器体系，seekdb具备强大的查询规划与执行能力，在混合检索场景中，会自动进行自适应执行和查询优化，能够根据查询条件自动选择最优执行路径。同时，支持混合负载自适应执行、AI 函数调用、ACID 事务保障及灵活 UDF 扩展，满足复杂业务需求。

3. 多模数据层。

支持多种数据类型统一存储，实现“存即能检”，打破传统系统中不同数据类型需分库管理的局限。包括：

  • 关系表（传统结构化数据）
  • 向量（Embedding 向量）
  • 文本（原始文本内容）
  • JSON（半结构化数据）
  • GIS（地理空间数据）
  • 数组、位图等扩展类型

4. 多模索引层。

构建业界领先的多模索引体系，支持的索引类型如下。

  • 向量索引：高效支持近邻搜索（ANN），兼顾精度与性能。
  • 全文索引：支持中文分词与语义匹配。
  • 混合索引：结合向量与标量条件进行联合检索。
  • JSON 索引：加速嵌套字段查询。
  • 二级索引、GIS 索引：满足多样化查询需求。

支持多索引协同查询，在一次请求中完成跨模态数据的融合检索。

5. 部署模式层。

  • 服务器模式：传统集群部署，适用于高并发、大规模生产环境。
  • 嵌入式模式：以库的形式内嵌于应用程序中，生命周期与应用一致，适合边缘计算、AI 应用快速构建等轻量化场景。

OceanBase seekdb 通过“统一接口 + 多模存储 + 智能索引 + 灵活部署”的一体化设计，实现了对 AI 工作负载的端到端支持，真正做到了“一个数据库，搞定所有数据”。

快速构建：更灵活、更轻量、不止于 SQL

OceanBase seekdb 不仅具备强大的功能，更在易用性和部署灵活性上进行了深度优化，助力开发者快速构建 AI 应用。

1. 更灵活：双运行模式，适配多样场景。

  • 服务器模式：适用于企业级、高可用、分布式部署。
  • 嵌入式模式：直接集成到 #Python 应用中，无需独立部署数据库服务，极大简化开发流程，特别适合 RAG、Agent、智能问答等轻量级 AI 应用。

2. 更轻量：极简资源占用，轻松跑起基准测试。

单实例仅需 1C2G 内存即可运行 VectorDBBench 基准测试，相比传统数据库，资源消耗更低，启动更快，非常适合本地调试、原型验证和边缘部署。

3. 不止于 SQL：引入 Schemaless SDK。

引入 Schemaless SDK，开发者无需定义表结构即可直接插入和查询数据，提升开发灵活性。

使用seekdb快速创建RAG应用

下面我们演示一下如何使用 seekdb 快使创建一个 RAG 应用。

第一步：三行代码快速创建一个知识库（SETUP）

  1. 导入 pyseekdb 模块，启用 seekdb 的 Python SDK。
  2. 初始化客户端实例，参数为空表示采用嵌入式模式，数据库生命周期与应用绑定，无需独立部署服务。
  3. 创建知识库并定义为 Collection。

第二步：批量插入文档片段（INSERT）

功能说明：

  • 调用 upsert() 函数批量插入文档内容（documents）。
  • 同时关联元数据（metadatas），包括分类、内存、存储、价格等结构化信息。
  • 显式指定文档 ID（ids），便于后续检索与更新。

关键特性：

  • 用户仅需提供原始文本和元数据，无需手动调用嵌入模型生成向量。
  • 数据库内部自动调用内置的嵌入模型，将文本转换为向量并存储。

AI 能力下沉至数据库，开发者无需关注向量化过程，seekdb 自动完成文本 → 向量的转换，实现“透明化”处理。

第三步：混合检索，精准召回（QUERY）

查询维度分析：

  • query_texts：输入自然语言文本，触发向量检索，用于语义匹配。
  • where：设置关系型过滤条件，如 category == laptop 和 ram >= 16，实现精确筛选。
  • where_document：基于全文索引进行关键词匹配，要求文档内容包含 “RAM”。
  • n_results：限制返回结果数量为 2 条。

实现机制：

  • 查询时，seekdb 内部自动将 query_texts 输入传递给嵌入模型，生成查询向量。
  • 结合向量索引、全文索引、二级索引等多种索引执行混合检索。
  • 最终返回满足所有条件的最相关结果。

第四步：效果展示

输入检索条件为：需要一个 12 GB 内存以上的高性能笔记本。运行后输出结果如下图所示，

召回结果分析如下。

  • 第一条：16GB 内存、512GB 固态的专业笔记本，完全满足“高性能 + 16GB 以上内存”的要求。
  • 第二条：32GB 内存、1TB 固态的游戏本，虽非专业用途但性能卓越，符合语义意图。

该案例模拟了典型的 RAG 场景，用户只需输入自然语言问题，系统即可自动完成文本向量化、多条件联合检索、高精度召回。全流程由数据库内核统一处理，极大简化了开发复杂度,真正实现“让开发者专注于业务，而非数据处理”。

欢迎亲自上手试用：https://github.com/oceanbase/seekdb。当前版本支持 Linux 平台下的嵌入式模式运行，Windows 和 macOS 版本将在近期和大家见面。可访问 oceanbase.ai 获取样例代码，支持本地测试与快速验证。

SQL 直接调用 AI 的原生体验

OceanBase seekdb 不仅是一个支持多模态数据存储与混合检索的数据库，更致力于将 AI 能力深度集成于数据库内核，实现“SQL 直接调用 AI”的原生体验。

seekdb AI Inside 的内置处理除了 AI_EMBED 方法外，还引入 AI_RERANK 和 AI_COMPLETE，可以实现数据分析自动化、特征提取、智能内容生成、语义搜索增强、结果优化等效果。在 seekdb 中使用可以构建从粗排到精排的高效分层混合检索处理流程。该流程分为四个阶段。

阶段1：标量过滤（Scalar Filtering）。在全量数据集上首先执行关系型条件过滤（如 category = 'laptop', ram >= 16），缩小候选集过滤范围。

阶段2：向量搜索（Vector Search）。对过滤后的候选集执行向量相似度检索，基于语义匹配找出最相关的文档，使用近邻搜索算法（ANN）高效完成高维向量比对。

阶段3：全文搜索（Full-text Search）。在候选集中进一步执行关键词匹配，确保结果包含用户关心的关键信息（如 "RAM"），支持中文分词与模糊匹配，提升召回精度。其中标量、向量、全文的过滤顺序取决于优化器。

阶段4：粗排 → 精排 → 大模型重排。经过以上过滤后得到粗排的结果，此时再去调用 AI_RERANK，数据库会直接调用 RERANK 模型进行精排，精排结束后，通过调用 AI_COMPLETE 即可调用大模型，大模型会直接进行回答。以上所有的 AI 标准操作流程都在数据库中进行，开发者只需在查询中添加相应函数，即可让数据库自动调用大模型对数据进行处理，显著提升用户体验。

OceanBase seekdb 适用场景

OceanBase seekdb 作为一款轻量级、多模态、AI 原生的数据库，凭借其统一存储、混合检索、内嵌 AI 能力 和嵌入式部署支持，在多个新兴与传统智能化场景中展现出显著优势。以下是其典型的适用场景。

1.替代“三库并行”，降本增效

在 RAG 架构中，传统方案通常需要同时维护三类数据库。

  • 向量数据库存储文本嵌入向量。
  • 文档数据库保存原始文本内容。
  • 关系型数据库管理元数据（如分类、时间、权限等）。

这种“三库并行”模式不仅带来高昂的运维复杂度，还导致资源重复占用（三份独立实例），难以在资源受限的本地或边缘环境中落地。seekdb 通过单一数据库统一承载向量、文本与结构化元数据，实现一次写入，多路索引（向量索引 + 全文索引 + 二级索引）、统一查询接口，支持混合条件过滤、极低资源开销（1C2G 即可运行），适合个人本地知识库、中小企业内部知识管理系统、边缘侧智能问答应用等。

2.语义搜索引擎，打破模态壁垒

seekdb 的多模态能力使其天然适配跨模态语义搜索场景。无论是文本、图片、音频还是视频，均可通过嵌入模型转化为统一的向量表示，并结合元数据进行联合检索，通过统一向量 + 元数据 + 全文的混合检索框架，打破模态壁垒。典型应用包括：以图搜图、音频内容检、视频片段语义匹配、多媒体资产管理系统。

3.Agentic AI 应用，保证数据一致性

在 Agentic AI（智能体）场景中，Agent 需要频繁执行上下文感知的混合检索，比如结合用户历史行为（标量过滤）、匹配任务目标语义（向量搜索）、检索相关文档片段（全文匹配）。seekdb 的原生混合检索引擎与内嵌 AI 函数能够高效支撑此类复杂查询，避免外部服务调用带来的延迟与一致性问题。适用于任务型对话系统、自主决策机器人、智能工作流引擎等应用场景。

4.AI 辅助编程，提升质量，降低成本

AI 编程助手存在云端 + 客户端双端检索需求，传统方案面临两大挑战。

  • 架构割裂：云端使用多源召回（向量+全文+语法树），客户端依赖轻量插件（如 SQLite + 向量扩展），两套系统逻辑不一致。
  • 性能瓶颈：通用数据库缺乏专业向量索引与优化器，召回效果与效率受限。

seekdb 提供统一的 SDK 与查询接口，可使云端与客户端使用同一套 API，且客户端在嵌入式模式下仍具备专业级向量检索能力。seekdb还支持代码语义搜索、API 推荐、错误修复建议等高级功能。通过这些能力统一技术栈，提升召回质量，降低双端开发与维护成本。

5.企业应用智能化丝滑升级

对于大量仍在使用 MySQL 的传统企业应用，seekdb 提供了一条平滑演进路径：

  • 高度兼容 MySQL 协议，现有应用可无缝迁移。
  • 迁移后即可获得 向量检索、全文搜索、JSON 支持等 AI 原生能力。
  • 为未来引入 RAG、智能报表、自动化分析等 AI 功能奠定数据基础。

因此，MySQL 到 OceanBase 的迁移是“最丝滑”的路径之一。seekdb 作为其轻量化延伸，进一步降低了企业智能化转型的技术门槛。

6.端侧应用智能化的理想选择

随着终端设备算力提升，越来越多智能应用向端侧迁移。seekdb 的嵌入式部署能力使其成为端侧智能数据库的理想选择：

  • 资源占用极低（1C2G 可运行）。
  • 支持离线向量检索与语义理解。
  • 生命周期与应用绑定，无需独立服务进程。
  • 让端侧应用具备“本地大脑”，减少对云服务的依赖。

典型场景包括：

  • 智能家居设备中的本地知识问答。
  • 工业机器人中的实时故障诊断。
  • 移动端个人助理的上下文记忆管理。
  • 车载系统的本地语义导航。

从轻到重、从简到繁： AI 应用快速迭代的理想基础设施

在 AI 应用快速迭代的背景下，开发者面临从原型验证、开发测试到生产部署的多阶段需求。OceanBase 与 seekdb 的深度融合，构建了一套覆盖全生命周期、支持平滑演进的弹性数据库架构，能够满足不同阶段、不同规模场景下的灵活部署需求。

原型验证与开发测试阶段：嵌入式模式（seekdb）

在项目初期，开发者通常需要快速验证 AI 模型效果或构建最小可行产品（MVP）。此时可采用 seekdb 嵌入式模式：

  • 将 libseekdb.so 动态库直接集成至应用中，作为本地数据库运行。
  • 数据库生命周期与应用绑定，启动即用，关闭即销毁。
  • 无需独立部署服务，极大简化环境搭建流程。
  • 支持向量、文本、JSON 等多模态数据存储与混合检索。

嵌入式模式适用于个人开发者快速原型开发、端侧智能应用（如移动端、机器人）、本地调试与算法验证等场景。

测试与小规模生产环境：单机部署模式

当应用进入测试或小规模上线阶段，可迁移到单机部署模式：

  • 启动独立的 seekdb 进程，提供服务端接口。
  • 支持多客户端连接，适合团队协作开发。
  • 可通过配置文件管理数据路径、内存参数等。
  • 仍保持与嵌入式模式的 API 兼容性，代码无需变更。

单机部署模式适用于小型工作负载、测试环境与生产环境、多租户需求等场景。

生产环境：多租户与高可用架构

随着业务稳定运行，需考虑资源隔离、高可用性和容灾能力，此时可选择以下两种生产级部署方式。

  • 单机多租户模式（OceanBase 单机部署） ：

    • 使用 OceanBase 单机实例，通过多租户机制实现多个业务之间的资源隔离。
    • 适用于多个业务共享同一数据库实例但需独立管理资源的场景。
    • 支持独立的配额控制、备份策略和监控告警。

  • 主备模式 / 三副本模式（OceanBase 高可用架构）：

    • 采用主备架构或三副本（2F1A）架构，保障数据高可用。
    • 支持自动故障切换与读写分离。
    • 适用于对稳定性要求较高的中小规模业务系统。

多租户与高可用架构适用于中小规模工作负载、对容灾和高可用有明确要求的业务、多租户共用数据库的 SaaS 平台等场景。

大规模与高性能场景：分布式集群架构

当业务持续增长，数据量和并发请求激增时，可进一步扩展为分布式集群架构。

  • 无共享分布式集群 ：

    • 由多个 OBServer 节点组成，支持水平扩展。
    • 支持大规模工作负载、关键业务高并发访问。
    • 具备强一致性、线性可扩展性与动态扩容能力。

  • 基于对象存储的存算分离集群：

    • 存储层使用对象存储（如 OSS），计算层由 OBServer 提供。
    • 实现“冷热数据分离”，降低存储成本。
    • 适用于海量非敏感数据分析场景（如日志分析、历史归档）。
    • 提供更高的性价比与更强的扩展能力。

分布式集群架构适用于大规模工作负载、关键业务系统、高性能高并发、更高性价比的大数据处理任务等场景。

OceanBase 与 seekdb 的组合形成了一个 “从轻到重、从简到繁” 的完整弹性架构体系，核心优势有如下三点。

  • API 完全兼容：无论选择哪种部署模式，业务代码无需修改；
  • 配置驱动升级：只需更改连接地址与配置参数，即可完成架构迁移；
  • 平滑演进路径：支持从个人开发到企业级生产的无缝过渡。

这使得 OceanBase + seekdb 成为 AI 应用快速迭代的理想基础设施，真正实现了“一次开发，全栈适配”，助力企业在 AI 时代加速创新落地。

当然，在AI时代，AI数据库不足以支撑应用所需的完整基础设施能力，因此，OceanBase构建了上下文工程体系中的关键能力。让我们敬请期待下一篇文章。

标签: SQL, JSON, Python SDK, RAG, Vector, OceanBase seekdb, Embedding, ANN, VectorDBBench, pyseekdb

添加新评论