在知识库中专注阅读，并随时返回相关工具与课程
大家好，这里是公众号 DBA学习之路，分享一些学习数据库路上的知识和经验。
本章目标：掌握本章核心知识点 前置要求：完成前序章节学习 预计时长：60 分钟
随着 AI 技术的快速发展，AI 应用的快速演进正悄然改变着数据架构的格局。传统的“事务数据库+向量数据库+检索引擎”拼凑方案，虽然能满足功能需求，却带来了显著的数据一致性问题与运维复杂性。
OceanBase 团队近期开源的seekdb，正是瞄准这一痛点，尝试从架构层面提供一体化解决方案。
OceanBase seekdb（以下简称 seekdb）是一款AI 原生混合搜索数据库，基于 Apache 2.0 协议开源。其核心理念在于“AI Inside”，在一个数据库引擎内原生融合了向量、文本、JSON、时空等多模数据的存储、索引与检索能力，并内置了嵌入模型、推理等 AI 功能。
对 DBA 而言，seekdb 的核心价值在于 “简化” ：
seekdb 延续了 OceanBase 在部署上的友好设计，提供多种方式，适应从开发测试到生产部署的不同场景。
部署前准备：
本文分别演示其中三种安装方式。
本文采用 yum install 方式进行部署：
1## 添加 seekdb 镜像源2yum install -y yum-utils3yum-config-manager --add-repo https://mirrors.aliyun.com/oceanbase/OceanBase.repo4## 安装 seekdb5yum install -y seekdb obclient也可以使用源码编译：
1# Clone the repository2git clone https://github.com/oceanbase/seekdb.git3cd seekdb4bash build.sh debug --init --make5mkdir ~/seekdb6mkdir ~/seekdb/bin7cp build_debug/src/observer/observer ~/seekdb/bin8cd ~/seekdb9./bin/observer
最简单的是用 rpm 进行安装：
1rpm -ivh seekdb-1.0.0.0-100000262025111218.el7.x86_64.rpm
安装完成后，启动 seekdb：
1systemctl start seekdb2systemctl enable seekdb3systemctl status seekdb
安装 mysql8 客户端：
1rpm -e --nodeps $(rpm -qa | grep mariadb)2rpm -ivh mysql-community-common-8.0.43-1.el8.x86_64.rpm3rpm -ivh mysql-community-client-plugins-8.0.43-1.el8.x86_64.rpm4rpm -ivh mysql-community-libs-8.0.43-1.el8.x86_64.rpm5rpm -ivh mysql-community-client-8.0.43-1.el8.x86_64.rpm
连接 seekdb：
1mysql -h127.0.0.1 -uroot -P2881 -A oceanbase
或者安装 obclient：
1yum install -y obclient2obclient --version3obclient -h127.0.0.1 -uroot -P2881 -A oceanbase
向量搜索是 AI 应用的基石，seekdb 使其变得像创建普通索引一样简单。
支持主流的 HNSW 索引，并指定相似度度量方式（如 L2 距离）：
1obclient(root@(none))[lucifer]> CREATE TABLE t1(2 id INT PRIMARY KEY,3 doc VARCHAR(200),4 embedding VECTOR(3),5 VECTOR INDEX idx1(embedding) WITH (distance=L2, type=hnsw)6 );
数据插入同时包含文本和其对应的向量（通常由外部 AI 模型生成）：
将现实世界的对象（文字、图片、音频等）转换成数字数组表示：
1obclient(root@(none))[lucifer]> INSERT INTO t12VALUES (1, '苹果', '[1.2,0.7,1.1]'),3 (2, '香蕉', '[0.6,1.2,0.8]'),4 (3, '橙子','[1.1,1.1,0.9]'),5 (4, '胡萝卜', '[5.3,4.8,5.4]'),6 (5, '菠菜', '[4.9,5.3,4.8]'),7 (6, '西红柿','[5.2,4.9,5.1]');89obclient(root@(none))[lucifer]> SELECT * FROM t1;10+------+-----------+---------------+11| id | doc | embedding |12+------+-----------+---------------+13| 1 | 苹果 | [1.2,0.7,1.1] |14| 2 | 香蕉 | [0.6,1.2,0.8] |15| 3 | 橙子 | [1.1,1.1,0.9] |16| 4 | 胡萝卜 | [5.3,4.8,5.4] |17| 5 | 菠菜 | [4.9,5.3,4.8] |18| 6 | 西红柿 | [5.2,4.9,5.1] |19+------+-----------+---------------+
语义相似的对象，向量在空间中的位置也相近。
假设我们需要找到所有 '水果'，其对应的向量为 [0.9, 1.0, 0.9]：
1obclient(root@(none))[lucifer]> SELECT id, doc FROM t12ORDER BY l2_distance(embedding, '[0.9, 1.0, 0.9]')3APPROXIMATE LIMIT 3;4+------+--------+5| id | doc |6+------+--------+7| 3 | 橙子 |8| 2 | 香蕉 |9| 1 | 苹果 |10+------+--------+
计算每个向量与查询向量的 L2 距离：
L2 = √[(1.2-0.9)² + (0.7-1.0)² + (1.1-0.9)²] = √[0.3² + (-0.3)² + 0.2²] = √[0.09 + 0.09 + 0.04] = √0.22 ≈ 0.47
L2 = √[(0.6-0.9)² + (1.2-1.0)² + (0.8-0.9)²] = √[(-0.3)² + 0.2² + (-0.1)²] = √[0.09 + 0.04 + 0.01] = √0.14 ≈ 0.37
L2 = √[(1.1-0.9)² + (1.1-1.0)² + (0.9-0.9)²] = √[0.2² + 0.1² + 0²] = √[0.04 + 0.01 + 0] = √0.05 ≈ 0.22 ✅ 最小距离
L2 = √[(5.3-0.9)² + (4.8-1.0)² + (5.4-0.9)²] = √[4.4² + 3.8² + 4.5²] = √[19.36 + 14.44 + 20.25] = √54.05 ≈ 7.35 ❌ 距离很远（蔬菜类）
结论：水果类（苹果、香蕉、橙子）向量聚集在一起，与蔬菜类距离很远。
这条查询展示了 seekdb 的核心优势：在单条 SQL 中，同时完成了全文检索（LIKE）、向量相似度计算（l2_distance）和综合排序，无需在应用层合并多个系统的结果。
传统方案需管理数据库、ES、向量库三份数据及其同步链路。seekdb 将知识文档的全文索引、向量索引统一存储和管理，利用内置的文本分割、向量化能力，简化了 RAG Pipeline 的构建，并确保了数据源的强一致性。
代码的元数据（如函数名、语言）、依赖关系（图数据）、代码片段向量可统一存储在 seekdb 中。通过混合搜索，既能根据函数名精确查找，也能根据自然语言描述模糊匹配相似代码块，简化了开发资产管理。
Agent 的对话历史、工具调用结果、用户偏好等结构化与非结构化记忆，可作为一个完整的会话上下文存入 seekdb。利用其向量和 JSON 查询能力，能高效实现“记忆”的检索与关联，支撑 Agent 的长期运行。
对于已有 MySQL 业务，seekdb 提供了高度兼容的入口。可以在不改动过多业务逻辑的情况下，为特定表新增向量列和索引，逐步试点 AI 功能（如智能推荐、语义搜索），实现渐进式技术升级。
OceanBase seekdb 的出现，代表了一种新的思路：将 AI 所需的数据处理能力深度集成到关系型数据库内核中。对于 DBA 和架构师而言，它的主要吸引力在于：
当然，作为一款新兴开源产品，其在超大规模向量集群管理、生态工具链成熟度方面仍有演进空间。但对于正在寻求简化 AI 数据架构的团队，seekdb 无疑提供了一个值得深入评估和试点的选项。它将数据库从“被动存储”的角色，转向为“主动赋能”AI 应用的智能数据平台。