infinity

为LLM应用而生的极速混合搜索数据库，毫秒级检索知识

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署搜索知识 🍴 复刻 458 🐛 待处理 150 👀 关注 43

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 4762

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可证，可免费使用和部署。

项目预览

项目数据

分类搜索知识

开发团队infiniflow

官网地址https://infiniflow.org

GitHubhttps://github.com/infiniflow/infinity

定价模式🏷️完全免费

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🔧 仅开源项目，无在线服务，需自行部署

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★ 4762

上线时间2022-07-18 00:00:00

代码更新2026-11-05

仓库体积80.0 MB

本站数据更新2026-11-08

维护状态活跃

收录时间2026-08-09

浏览次数6

项目介绍

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。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 4762

技术标签

ai-native bm25 embedding full-text-search hnsw

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

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 <SERVER_IP_ADDRESS> 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

上一篇：llm-graph-builder

下一篇：memory-lancedb-pro