大模型时代，新一代向量数据库的探索应用-DingoDB

发布时间：2025-11-04 14:23:08 来源：码上建站 作者：数据库

一、大模代新代向的探DingoDB 的量数设计理念

2015 年前，数据架构以数据仓库（Data Warehouse）为主，据库专注于结构化数据的大模代新代向的探统一存储。到 2016-2022 年期间，量数流行数据湖（Data Lake）的据库概念，扩展了数据维度并管理了更多类型的大模代新代向的探数据。最近一年，量数AIGC 飞速发展，据库数据生态随之演进到了新的大模代新代向的探数据栈时代，随着数据分析复杂度的量数不断提升，由最初的据库查询处理需求，扩展到机器学习和深度学习，大模代新代向的探又发展到了现在的量数自助分析、生成式内容创作（AIGC）、据库自动化机器学习平台（AutoML、GPT）等场景。这些都离不开对现实世界中的结构化、半结构化和非结构化数据的高效管理。服务器托管需求的增长催生了新的数据生态。

在新的数据栈时代，原有数据处理流程基本不变，包括数据的来源、获取、转化、存储和计算以及利用数据进行分析预测和构建应用。未来趋势是走向"向量海"，所有非结构化数据最终会被转化为向量进行存储，基于数据结构构建实时分析处理流程，在此基础上再构建出各种数据应用。

九章云极 DataCanvas 在数据生态方面积累了丰富的经验，提出一站式解决方案，涵盖了数据摄取到数据应用的全过程，并推出了相应的成熟软件和产品来满足客户需求。DingoDB 是其中的多模向量数据库，主要目标是处理数据存储和计算，以及部分分析和预测的功能。

除了 DingoDB，还推出更多相关产品，如 TableAgent 数据分析智能体以及自有的亿华云人工智能平台和大模型。这一系列工具的目的是为了能够串联起数据处理的全流程，为用户提供一站式的解决方案，有效满足大规模数据的存储、分析和应用需求。

在"Vector Ocean"时代，数据生态融合了多样化的数据类型，如图像、文档、音频和视频。这些多模态、非结构化数据通过向量化后，成为不同维度的向量集合，进而存储于大规模、高效的向量数据库中。这个数据库内部采用多种不同的数据组织形式，包括传统的数据库表结构、键值对（KV）存储，甚至可能包括文档型数据库（Document DB）。存储这些数据之后，可以支持多种应用场景，如商业智能（BI）、企商汇数据流分析、人工智能（AI）、数据科学等。

DingoDB 致力于创建一个多模态向量数据库，能够整合结构化数据和非结构化数据的存储、分析与查询。满足用户对向量查询的需求，也能够保护和利用其现有数据，并强化对向量查询的支持。

二、DingoDB 的产品优势和架构介绍

DingoDB 支持结构化、半结构化和非结构化数据的存储，提供与 MySQL 兼容的协议和优化器。数据库底层支持键值对（KV）和向量的存储，并采用分布式存储架构，实现多模态数据的联合存储和分析。用户可以通过 SQL 指令和 API 访问数据，并支持服务器端运算。整体上是一个完整的多模态向量数据库。

DingoDB 致力于解决大规模、多模态数据存储和分析的问题，提供海量存储能力和联合分析服务。面临的挑战包括多模态数据的统一分析和融合存储的难度、数据的高可用性以及服务计算与存储的一体化问题。DingoDB 旨在简化系统之间的复杂度，提供更有效的存储方案，为用户保障数据的可靠性和完整性，同时不断研究和解决业界面临的问题。

作为中国信通院首批认证通过的向量数据库，DingoDB 以卓越的产品能力完成测试，通过包括 27 个必选项在内的共计 39 个测试项目，通过数量远超同期测评厂商，成为当前通过项目最多的向量数据库。

当前，DingoDB 已成为 Langchain 项目官方支持的后端存储。

DingoDB 的产品特点主要集中在四个方面：存储、SQL 处理、API 支持和数据分析。

DingoDB 的逻辑架构被分为多个层次。最上层是各种应用场景，涵盖了传统关系数据库分析、语义搜索、结构化和分解化数据分析等方面，以及实时数据决策支持、提示词管理、大模型记忆体等现代火热场景。

在接口层，DingoDB 提供了与 MySQL 协议兼容的 SQL 支持、高性能的 Serving API 以及原生向量 API 的支持。在 API 下面一层提供了高效的元数据存储和资源管理能力，紧接着是查询优化器和事务管理器，负责查询和写入调度的实现。

在执行层，DingoDB 具有一个多模态执行引擎。

在存储层，DingoDB 支持关系型表、向量表，并能够对接其他类型的存储如对象存储或分布式文件系统。

上图清晰展示了 DingoDB 从应用层到底层存储的架构设计。

应用层：DingoDB 支持多种应用场景。

协议层：包括三个接入入口，一是支持 MySQL 客户端和 JDBC Driver 的 SQL 入口；二是提供高性能的 Java SDK，可以直接连接到存储层，满足实时访问需求；三是适应 Python 环境的大模型需求，通过 Python 或 C++ SDK 实现快速接入。

计算层：主要由两部分构成——Executor 是处理分布式事务和查询优化的分布式支撑引擎；Coordinator 作为协调器，负责元数据管理和资源管理。

存储层：底层是核心的存储架构，包括原始数据存储以及向量索引和标量索引的存储。此外，DingoDB 还支持向量的动态构建和计算功能。

DingoDB 的产品优势主要体现在五个方面：

三、应用场景介绍

DingoDB 被应用于多种场景，包括企业知识库建设、作为大型模型的记忆体、实时决策的指标分析，并且支持 VectorOcean 数据支撑平台等应用。

在赋能大模型应用方面，DingoDB 的应用被分为四个不同的层次，涵盖了从数据到 Embedding Model的整个流程。包括使用业界公开或自研的大型模型和 Embedding 模型来实现数据的向量化。在向量存储层面用 DingoDB 支撑各种场景，然后再去对接大语言模型去实现各种应用。

知识管家是大模型时代，基于向量数据库和大模型的一个新的应用方向。DingoDB 为知识管家提供了强有力的支撑。知识管家主要负责企业的知识管理和创造，应用场景包括智能问答、内容创作助手、智能化工作流程、企业决策辅助等等。

关于DingoDB的进一步信息和开源代码可以通过 GitHub 获取。

http://github. com/dingodb/dingo。

https://github. com/dingodb/dingo-store。

https://www. dingodb. com/。

相关文章