大家好，我是袋鼠帝。
最近我在折腾本地AI知识库的时候，在Github发现了一个特别有意思的新项目，叫seekdb。
它是一款开源的AI原生混合搜索数据库。
https://github.com/oceanbase/seekdb
seekdb的配置要求，低到离谱，最低只需要1核CPU，2GB内存，就能跑起来。
它是All In One的AI原生数据库，一个库包圆了向量、文本、结构化/半结构化数据。
PS：也就是既可以做向量数据库（实现RAG），又能存储业务数据（传统关系型数据库）非常全能～
还支持 MySQL协议，Navicat直接连（Navicat是一款非常经典的数据库可视化管理工具）
还能当MCP Server用，可以接入Trae、Claude Code、Cursor等任何支持MCP的工具或平台。
另外，还可以接入Dify，不是当作外部知识库接入哦，是可以直接掌管Dify的元数据和AI知识库，因为Dify官方的最新版本在底层对它做了兼容。
当下大多数团队在真正落地Agentic RAG应用的时候，或多或少应该都会遇到一个问题：底层数据架构过于复杂。
为了让检索足够精准，通常需要处理三种完全不同的数据形态：
一是业务元数据，比如Agent的创建时间、作者、权限，工作流的各种节点数据。这需要关系型数据库来存，因为它要求绝对的事务安全。
二是语义向量，这是把文字变成数学向量，让AI能理解语义。这需要向量数据库来存。
三是全文检索，也就是关键词匹配，因为有时候向量搜索会想太多、或者理解有偏差，反而搜不到一些具体的专有名词，这时候就需要传统的全文检索来兜底。
在过去，为了实现这三者的混合搜索（Hybrid Search），不得不采用一种拼图式的分布式架构：比如装一个MySQL或PostgreSQL存元数据，再装一个Milvus或Chroma存向量，为了搜得准，甚至还得再挂一个Elasticsearch做全文检索。
你得维护三套完全不同的成熟系统，还要自己处理它们之间的数据同步。最要命的是，这种跨系统的写入，很难保证事务一致性。比如网络一抖动，向量库写入失败了，但元数据写入成功了，你的知识库就精分了，一边告诉你文档在，一边又搜不到内容。
系统越复杂，人力投入就越大，风险越高..
但seekdb的思路非常清晰，就做减法：把向量、文本、结构化/半结构化数据，全部塞进了一个数据库里。
这意味着，你不需要再去维护那一堆乱七八糟的中间件了
一个seekdb，全搞定。
它的核心能力也是混合搜索。
seekdb直接在数据库内核层面，支持了向量、全文和标量过滤的混合查询。一条SQL语句，就能完成多路召回和精排。
它还内置了AI函数：
你可以在数据库里，直接调用大模型或者向量模型，完成数据的嵌入和推理。
这就是，AI原生数据库，自己带了个脑子
这是seekdb和其他开源数据库的对比
我觉得，这玩意儿特别适合几个场景：
一个是个人或者小团队的本地知识库。因为它轻量，资源占用少，随便找台旧电脑或者便宜的云服务器就能跑。
另一个是边缘设备上的AI应用。比如手机，车机，或者工业网关，这些设备的资源有限，跑不动那些重型数据库，但seekdb这种轻量级架构，正好能派上用场。
当然，还有就是作为Agent的记忆体。它能同时存储结构化的对话记录和非结构化的向量记忆，非常适合用来给AI Agent做长期记忆。
好了，话不多说，我们直接上实操！
本地部署seekdb（超简单）
部署seekdb，简单得让我有点不适应。
如果你习惯用Python，直接pip安装就行。
pip install pyseekdb如果你想用Docker，也是一行命令的事。
docker run -d --name seekdb -p 2881:2881 oceanbase/seekdb:latest启动速度非常快，几乎是秒级。
安装好之后，你可以用Python SDK来操作，也可以直接用MySQL客户端（比如Navicat）连接。
也可以接入Dify使用
Dify虽然好用，但它的开源版在做AI知识库这块，检索效果确实有点差强人意。
而且Dify的默认元数据库（PostgreSQL）和向量数据库（Weaviate）是分开的，相比seekdb有以下不足：
seekdb通过粗排 + 精排机制，能保持毫秒级响应，支持百亿级向量检索。
现在最新的Difyv1.10.1正式兼容了MySQL数据库
这意味着我们可以把Dify的元数据库（存储业务数据）和向量数据库，都切换成seekdb（因为它支持MySQL协议）。
看能不能提升一下Dify的知识库效果
需要做两个地方的改动：
一个是在Dify的docker/docker-compose.yaml文件里，把api、worker、worker_beat、web服务的image版本号改为1.10.1，或main
比如langgenius/dify-api:1.10.1
或者langgenius/dify-api:main
第二个改动是把dify/docker下的.env.example 复制出来，改名为.env
不过在文件夹里面，这两个文件都是隐藏文件，正常是看不到的。
Mac查看隐藏文件的快捷键 command+shift+.
Windows快捷键是ctrl+shift+h
在.env里面修改几个配置
如果既作为元数据库又是向量数据库的话，修改以下配置
COMPOSE_PROFILES=seekdb如果仅作为元数据库，只需要改下面这些：
COMPOSE_PROFILES=${VECTOR_STORE:-weaviate},seekdb如果仅作为向量数据库（只替换知识库功能），只改下面这些配置：
COMPOSE_PROFILES=seekdb,${DB_TYPE:-postgresql}启动之后，dify会帮seekdb设置一个默认密码：difyai123456
PS：这个密码也可以在.env文件里面修改
做完上面这些之后，执行docker-compose up -d重新拉取新镜像，同时也会自动重启服务。
启动之后，seekdb就会同时扮演元数据库、向量数据库和全文检索系统的角色
然后我把最近在公众号发布的一些文章通过Dify打造了一个知识库
在seekdb里面找到vector_index开头的表，可以看到，已经有对应的向量数据存储进来了。
接入GLM-4.6做了一些知识库搜索的测试，感觉效果还是不错的：
作为MCP-Server接入本地Agent
seekdb还提供了MCP-Server。
我们可以把它接入本地的Trae、Cursor、Claude Code等工具，作为一个本地Agent的知识库工具，给Agent补充一些私有的专业知识，或者让它记住你的偏好。
接入步骤也很简单，分为两步，不过需要先满足以下前置条件：
1.已经在本地部署seekdb；
2.本地Python版本在3.11或以上；
3.需要安装Python包管理器uv：pip install uv，安装完成后执行uv --version验证是否安装成功。
然后第一步：安装OceanBase MCP Server
1.克隆项目到本地（也可以去Github下载zip包）：
git clone https://github.com/oceanbase/mcp-oceanbase.git2.进入源代码目录：
cd mcp-oceanbase3.安装依赖：
uv pip install第二步：接入本地Agent，比如Trae
在Trae里面配置seekdb的MCP-Server
"mcpServers": {
"oceanbase": {
"command": "uv",
"args": [
"--directory",
"/path/to/your/mcp-oceanbase/src/oceanbase_mcp_server",
"run",
"oceanbase_mcp_server"
],
"env": {
"OB_HOST": "127.0.0.1",
"OB_PORT": "2881",
"OB_USER": "root",
"OB_PASSWORD": "difyai123456",
"OB_DATABASE": "test"
注意：路径替换成自己的oceanbase_mcp_server绝对路径
第一次启动的时候，会下载MySQL相关驱动，有点慢。
成功后，如下图，有10个工具
1. execute_sql：在 OceanBase 服务器上执行任意 SQL 语句。
2. get_ob_ash_report：生成 OceanBase 的 ASH（活跃会话历史）报告，用于性能分析，可指定起止时间和租户。
3. get_current_time：获取 OceanBase 的当前系统时间。
4. get_current_tenant：获取当前连接会话所属的 tenant（租户）名称。
5. get_all_server_nodes：列出 OceanBase 集群中所有 server 节点（需要 sys 租户权限）。
6. get_resource_capacity：获取集群资源（CPU/内存等）容量信息（需要 sys 租户权限）。
7. search_oceanbase_document：基于关键字从 OceanBase 官方文档里自动检索相关内容，为 LLM 提供上下文知识。
8. oceanbase_text_search：在 OceanBase 表里做全文检索，可指定文本列、搜索词、WHERE 条件和返回列。
9. oceabase_vector_search：对表中的向量列执行向量相似度搜索，可指定距离算法、是否返回距离、TopK 等。
10. oceanbase_hybrid_search：同时结合「结构化过滤（如年龄>20）」和「向量相似度」进行多模态混合搜索。
OceanBase MCP的使用方式还是有挺多的，我给大家展示两种：
一种是传统数据库的增删改查：
另外一种是混合检索（全文检索+语义检索）。
不过AI并不清楚混合检索的sql语句，所以需要给上下文（也就是sql示例，我这里写在了输入框，后续可以放到Trae的规则，或者作为一个文件，放在当前文件夹下）
sql示例可以在seekdb官方文档找到：
https://www.oceanbase.ai/docs/zh-CN/
向量表的表名也得给对（可以去navicat里面找vector_index开头的）
这里的提问：搜索一下PaddleOCR-VL是什么
这样AI就能通过OceanBase MCP进行语义搜索，找到我通过Dify向量化存储到seekdb的PaddleOCR-VL文章的相关信息，并整理回答。
更多信息可以在seekdb官方文档里面查看：
https://www.oceanbase.ai/docs/zh-CN/
我感觉，数据库这个行业，终于也开始被AI重塑了。
过去，我们为了适应数据库，不得不把数据拆开，去适应不同的存储引擎。
现在，seekdb把向量、文本、结构化数据重新融合在了一起，用一种更符合AI的使用方式，来存储和检索数据。
而且能无缝兼容MySQL协议，意味着很容易迁移/切换
我查了一下seekdb，还是蚂蚁旗下的OceanBase团队开源的项目
如果你正在为AI项目的数据架构头疼，或者只是想在本地快速搭个好用的知识库，可以去试试这款全新的AI数据库--seekdb
能看到这里的都是凤毛麟角的存在！
如果觉得不错，随手点个赞、在看、转发三连吧~
如果想第一时间收到推送，也可以给我个星标⭐
谢谢你耐心看完我的文章~
热门跟贴