起因是我出去旅游，去现场才发现需要预约，但是我压根没提前做攻略，我也不知道大家都在那得到最新的同步信息的。
于是我想做一个文旅助手，把真实景区文字描述、地理位置，开放时间，游玩的季节建议和门票等信息丢进去。
这样我出行的时候就可以不用单独拉群了，提前一周搜了一大堆某书，然后出发当天所有人跟失忆一样，又开始问又重新搜无限循环。
我脑子里过了一遍技术方案
首先，图片识别得用一套向量数据库。
景点的文字介绍，这些是非结构化文本，得用全文检索。然后，地理位置信息得有专门的空间数据库来处理。最后，门票价格、开放时间这些，又是传统的关系型数据库的活。
要把这四五套系统捏合在一起的话，查询逻辑就得好几步，
拿图片去向量库里比对，拿到ID，再去文本库搜描述，最后再用业务数据库里的价格和时间做过滤。
遇事不决先看Github，说不定世界的某一处已经有大神跟我的想法一样，我就不需要重复造轮子了，然后发现了Langchain（老牌Agent构建框架）跟一个叫OceanBase seekdb的数据库合作了。
看了眼使用指南，seekdb竟然支持在一张表里，同时存储和索引向量、文本、JSON、GIS这些乱七八糟的数据。而大多数其他数据库要么只擅长关系型事务，要么只擅长向量，要么只擅长全文，混合能力通常需要多系统拼装。
LangChain解决的是把一个AI应用搭出来，有对话流程、工具调用、记忆、评估等，但它需要数据库来解决检索到底要落在哪个后端，怎么做混合过滤，怎么控制延迟和成本。
我这个文旅助手是RAG最难的检索，图片要相似（向量），描述要命中（全文），位置要限定（GIS），价格时间要过滤（结构化）。如果后端是多套系统拼起来，LangChain只能把这些步骤串成一条链，跑是能跑，但很长很慢，很容易报错。
seekdb负责把检索+过滤+排序三板斧在底层一次性做完，中间少很多胶水代码，也少很多不确定性。它把所有数据类型都拉到了同一个维度上。我可以像跟人说话一样，用一条SQL指令告诉它，
河南安阳的距离市中心50公里以内的，80分以上，适合春季旅行的人文景点
数据库自己会在底层把图片相似度、文本相关性、GIS空间关系和价格这些硬性指标一次性算好，然后直接把最精准的结果吐给我。
这里我想稍微解释一下混合搜索到底是在混什么，我这条需求里其实有四类信号，这张照片“像不像”另一个景点（图像），描述里有没有幽静古朴这类硬条件（全文检索+倒排），只要我周围5公里（GIS距离+范围查询），票价<50、开放时间符合（关系型过滤）。
难的是把这些信号合并成一次可控的检索执行，我还是用旅游类比一下，我要在一堆目的地里选一个最适合跨年的。
常规做法是先捞一小撮候选，向量召回是按你想要的感觉找相似目的地，比如氛围感，雪景，夜景，烟花，全文召回是按你搜的词再捞一批，比如直飞，温泉，跨年烟花，免签，地理范围再选一次，比如飞行不超过6小时。
这时候你会先拿到一个候选清单TopK，还没结束，要给每个候选算分，再加权合成总分排出优先级（重排Rerank）。再加硬条件过滤：预算、请假天数、出发时间、是否直飞，最后才是按总分排序选出我心仪的。
seekdb就是在同一条流水线里把语义找相似+关键词匹配+距离计算+预算时间过滤一次性算完，少了跨系统搬运和多次回表速度也就上来了。
最低1核CPU、2GB内存就能跑起来。在现在人均模型起手就要24GB的节点，我都有点不适应了。seekdb还能当MCP Server用，直接接入Cursor，Trae啥的。 还跟Dify打通了，可以直接做Dify的知识库。
那我就把这两天折腾的过程复盘一下。
第一步，部署，非常简单，电脑有Docker环境，直接一行命令搞定了。
docker run-d--name seekdb-p 2881:2881 oceanbase/seekdb:latest
如果习惯用Python，那更简单，pip install pyseekdb就行了。
接下来就是构建我想要的文旅小助手，我需要一个大模型的API key，把文本转成向量和后续问答。还需要一个地图服务的API key，用来处理地理位置，这里我用的是千问和高德。
数据集我用的是Kaggle上一个公开的352个中国城市景点数据。
准备就绪后，就是三件套，克隆项目代码，安装依赖，把申请的API密钥和本地数据库的连接信息填进去。
当浏览器里弹出那个简洁的对话框时，我感觉这几天的折腾都值了。
它能够理解我问题里那种模糊的的描述，然后通过向量搜索找到语义上相似的景点，再结合地理位置和一些我预设的偏好进行过滤。
这在一年多以前，是很难想象的。
有了多模态知识库和混合搜索，工程师拍下故障机器的照片，用语音描述刺耳的异响，系统就能瞬间从海量的维修手册，历史工单和实时传感器数据里，找出最可能的解决方案。
你也可以上传在街上看到的衣服照片，然后说，我想要类似风格，但材质是纯棉的，价格在三百块以内的。系统不再是简单推荐一堆长得像的图片，而是真正理解了你所有维度的需求。
到现在我还是有种想当然的荒谬的感觉，但忘掉脑子凭直觉去想，多模态的数据不就是应该放在一个数据库里面吗？
很合理吧！
目前模型的前端都可以vibe出那么多效果了，再把数据库打通
AI时代，每个人都可以做个自己的应用
AI 速览
