OceanBase seekdb是一款AI原生数据库，解决了多模态数据割裂问题。它支持在同一表中存储和索引向量、文本、JSON等多模态数据，通过单条SQL实现视觉、语义和硬性指标的同时筛选，大幅提高查询准确率。该数据库开源轻量，内置AI函数，兼容MySQL协议，与主流AI框架集成。文章详细介绍了其在制造业智能巡检场景的应用价值，并提供了完整部署和"图搜图"实操教程，为AI应用开发提供了新思路。

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。

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

在这里插入图片描述

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2025最新大模型全套学习资源》，包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

在这里插入图片描述

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。
在这里插入图片描述

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

在这里插入图片描述

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

在这里插入图片描述

4. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

在这里插入图片描述

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

在这里插入图片描述

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

在这里插入图片描述

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

在这里插入图片描述

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

在这里插入图片描述
在这里插入图片描述

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】

在这里插入图片描述

# 数据库 # 机器学习 # 知识图谱 # 人工智能 # 算法
Logo
智能体开发者社区

中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。

更多推荐

cover

【金仓数据库征文】AI Agent查询延迟如何拆分与优化：从“慢在哪“到“怎么改“

avatar 智能体开发者社区
cover

从 OpenClaw 端侧部署到机械臂抓取闭环—高通开发者城市创享工坊实践 (成都站)

avatar 智能体开发者社区
cover

AI Agent落地踩坑实录：那些方案选型时没人告诉你的事

avatar 智能体开发者社区