infinity

为LLM应用而生的极速混合搜索数据库，毫秒级检索知识

Infinity 是一个专为 LLM 应用打造的 AI 原生数据库，核心解决大模型应用中知识检索的效率和准确性问题。它支持稠密向量、稀疏向量、张量（多向量）和全文检索的混合搜索，能够在一个系统内同时处理语义搜索和关键词匹配，提供毫秒级响应。项目采用 C++ 编写，性能强劲，支持高并发和水平扩展，并提供了 Python、JavaScript 等客户端 SDK，方便开发者快速集成。其核心能力包括：多种索引类型（如 HNSW、稀疏倒排）、强大的过滤功能、以及对 RAG 工作流的优化，旨在成为 LLM 应用的数据基础设施。

开源 free 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 4716

维护状态活跃

是否开源是

定价模式 free

项目数据

分类搜索知识

开发团队infiniflow

所属国家

官网地址https://infiniflow.org

GitHubhttps://github.com/infiniflow/infinity

定价模式free

价格说明开源项目，Apache-2.0许可证，可免费使用和部署。

访问状态

是否开源是

开源协议Apache-2.0

主要语言C++

技术栈/模型ai-native,approximate-nearest-neighbor-search,bm25,cpp20,cpp20-modules,embedding,full-text-search,hnsw,hybrid-search,information-retrival,multi-vector,nearest-neighbor-search,rag,search-engine,tensor-database,vector,vector-database,vector-search,vectordatabase

GitHub 星标★ 4716

30天Star增速

HF 下载量

上线时间2022-07-18 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

难度：入门约 15 分钟部署方式：本地安装 5 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

已运行的 Infinity 服务端（README 的 Install Infinity server 章节为空，需按官方文档以二进制方式部署）
Python 环境，用于安装 infinity-sdk 客户端
客户端能通过 IP 与 23817 端口访问服务端

安装与启动步骤

1安装客户端 SDK

README 明确指定 0.7.3 版本，建议按此版本安装以避免与服务端不匹配。
```
pip install infinity-sdk==0.7.3
```
2启动 Infinity 服务端

README 只给出指向官方文档的链接，未提供具体命令，请按该文档以二进制方式启动服务端。

3连接服务端

把 SERVER_IP_ADDRESS 换成实际服务端地址，示例用本机 127.0.0.1，端口为 README 中的 23817。

import infinity

infinity_obj = infinity.connect(infinity.NetworkAddress("127.0.0.1", 23817))
db_object = infinity_obj.get_database("default_db")

4建表并写入数据

创建 my_table，包含整型 num、字符串 body 和 4 维浮点向量 vec，然后插入两条示例数据。

table_object = db_object.create_table("my_table", {"num": {"type": "integer"}, "body": {"type": "varchar"}, "vec": {"type": "vector, 4, float"}})
table_object.insert([{"num": 1, "body": "unnecessary and harmful", "vec": [1.0, 1.2, 0.8, 0.9]}])
table_object.insert([{"num": 2, "body": "Office for Harmful Blooms", "vec": [4.0, 4.2, 4.3, 4.5]}])

5执行向量检索

用 match_dense 对 vec 做稠密向量检索，距离度量 ip、返回前 2 条，并用 to_pl() 转成表格打印。
```
res = table_object.output(["*"]).match_dense("vec", [3.0, 2.8, 2.7, 3.1], "float", "ip", 2).to_pl()
print(res)
```

关键配置

配置项	必填	说明	示例
`SERVER_IP_ADDRESS`	是	Infinity 服务端地址，客户端连接时使用	`127.0.0.1`
`23817`	是	README 示例中的服务端连接端口	`23817`
`infinity-sdk`	是	客户端 SDK 版本，README 指定为 0.7.3	`0.7.3`

如何确认成功

运行脚本后无报错，并成功打印出包含两条向量检索结果的表格，即表示连接与检索正常。

常见问题

Q：README 里 Install Infinity server 章节是空的，服务端怎么装？

A：README 未给出服务端安装命令，只提供了“Deploy Infinity using binary”文档链接，请访问该文档按官方步骤以二进制方式部署服务端。

Q：连接服务端失败怎么办？

A：检查 NetworkAddress 中的 IP 是否可访问、端口是否为 23817、服务端进程是否已启动，以及防火墙是否放行该端口。

Q：必须用 0.7.3 版本的客户端吗？

A：README 给出的安装命令即 pip install infinity-sdk==0.7.3，建议先用该版本以保证与示例代码和服务端兼容。

Q：示例代码里 get_database 的变量名对不上？

A：README 原文中变量名存在不一致，请统一使用 infinity.connect 返回的对象调用 get_database("default_db")。

注意事项

README 的服务端安装部分为空，本文仅覆盖客户端 SDK 安装与检索示例，服务端部署需另行查阅官方文档。
示例代码中的是占位符，必须替换为真实 IP 地址，不能直接运行。
README 未说明 Python 最低版本、系统依赖和默认数据目录，安装前请以官方文档为准。

核心亮点

混合搜索能力强大：同时支持稠密、稀疏、张量向量和全文检索，能有效提升 RAG 场景下的召回准确率
性能卓越：C++ 底层实现，针对高并发和低延迟优化，官方宣称比同类产品快数倍
专为 LLM 设计：内置对 RAG 工作流的优化，如过滤、排序、聚合等，简化开发流程

不足之处

项目相对年轻，生态和文档相比成熟数据库（如 Elasticsearch）仍有差距
对非向量检索的传统数据库功能（如事务、复杂 JOIN）支持有限

适用场景

构建企业级 RAG 系统，需要高准确率和低延迟的知识库检索
处理大规模 AI 应用中的混合搜索需求，如电商推荐、内容检索
作为 LLM 应用的长期记忆存储，支持多模态数据检索

替代项目

Milvus、Qdrant、Weaviate

项目介绍

infinity 是基础设施领域的开源项目，由 infiniflow 开发，2022 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（4,716）位列前 9%，在基础设施分类的 1,130 个项目里位列前 14%。

近 41 天，它的 GitHub 星标从 4,666 增加到 4,716，净增 50。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。Apache-2.0许可证，可免费使用和部署。

它主要面向的使用场景是：构建企业级RAG系统，需要高准确率和低延迟的知识库检索。同类可对比的替代方案包括 Milvus、Qdrant、Weaviate。

上一篇：llm-graph-builder

下一篇：memory-lancedb-pro