「小墨是前端」专注前端技术分享，推荐优质开源项目，展示 Github、Gitee 创意作品，深入前端底层原理，一起探索技术边界。

都 2025 年了，做一个 RAG（检索增强生成）应用，还得维护三套数据库？存用户信息用 MySQL，存向量用 Chroma，做全文检索用 ES。代码写得我想吐，一出 Bug 更是查到头秃。

我在 GitHub 上刷到了 OceanBase seekdb。号称 “AI-Native Search Database”。我一开始以为又是哪个大厂出的 KPI 项目，结果仔细一看，好家伙，这不就是 “All in One” 方案吗？

为什么我们需要 “AI-Native” 数据库？

做过 AI 应用的兄弟都知道，目前的技术栈有多割裂。

你想做一个带权限的知识库搜索：

1. 先去 MySQL 查用户权限，拿到一堆文档 ID。
2. 再去 Chroma 用向量搜类似文档。
3. 如果还要支持关键词匹配，还得去 ES 查一遍。
4. 最后在内存里把这三堆数据聚合、排序、过滤。

这流程，光是网络 IO 就得跑好几趟，更别提数据一致性了。万一 MySQL 删了文档，Chroma 没删，搜出来的就是死链。

seekdb 就是为了解决这个问题。它把关系型数据、向量数据、文本数据和 JSON 全部塞进了一个引擎里。

核心特性：把复杂留给数据库

1. 混合搜索：一条 SQL 搞定所有

这是我最爽的功能。以前得写几十行代码逻辑，目前直接一条 SQL：

看到没？这就叫降维打击。数据库层面直接过滤+排序，性能比应用层聚合快了不止一个数量级。

2. AI Inside：数据库自己会”思考”

以前存向量，得先在应用层调 OpenAI 的 API 拿到 Embedding，再存进去。

seekdb 直接把 Embedding 和 Reranking 做进去了。你定义表的时候，告知它用什么模型，剩下的就不用管了。

你只管往里塞文本，它自己转向量。这对于我们这种想快速验证想法的开发者来说，简直是神技。

3. 多模态支持：啥都能存

除了向量，它还支持标准的 SQL 关系型数据，支持全文检索（类似 ES），支持 JSON 文档。这意味着，你真的只需要部署这一个数据库，就能覆盖 90% 的业务场景。

实战体验：5分钟搭个私有知识库

光说不练假把式。我手痒试了一下，用 seekdb 搭个语义搜索真的快。

第一步：启动服务

它是 C++ 写的，可以直接用 Docker 跑，不用装一堆 Python 依赖。

第二步：创建向量表

连上数据库（支持 MySQL 协议，Navicat 都能连），建个表：

第三步：写入数据

第四步：混合查询

整个过程流畅得不像是在做 AI 开发，更像是在写传统的 CRUD。我原来那个项目，光是处理数据同步的代码就写了两天，用 seekdb 半天就重构完了。

实战对比：谁才是 RAG 的终极答案？

为了让大家看得更清楚，我做了一个简单的对比。别看 seekdb Star 数目前只有 1.1K，但在架构理念上，它真的赢麻了。

真的有那么神吗？

当然，没有完美的技术。seekdb 也有它的短板，我得实话实说：

1. 社区还不够大：毕竟刚开源不久，Star 数 1.1K，跟那些老牌向量库比，生态还不够丰富。遇到问题可能得自己去 GitHub 提 Issue，或者直接看源码。
2. 文档还在完善：有些高级功能的文档写得比较简略，列如某些特定 AI 模型的配置，我当时折腾了好一会儿才跑通。
3. 工具链支持：虽然兼容 MySQL 协议，但有些针对 MySQL 优化的特定工具可能不完全兼容。

但是，对于我们这种想快速落地 AI 应用，又不想维护复杂技术栈的开发者来说，它绝对是一个值得尝试的选择。

结论

如果你正在从头搭建一个 RAG 应用，或者受够了在 MySQL、Redis、VectorDB 之间来回横跳，不妨试试 seekdb。

它可能不是最成熟的，但绝对是最省心的。把复杂留给数据库，把简单留给自己，这才是程序员该有的生活。

项目地址：https://github.com/oceanbase/seekdb

如果这篇文章对你有协助，欢迎点赞、收藏、转发！持续分享前端干货和开源好物，关注我，不迷路～

#Github##开源##数据库##RAG技术##向量数据库#