SeekStorm

搜亿级数据秒出结果,快到你怀疑人生

开源 🏷️定价信息待确认 ✅ 目前可打开 搜索知识 🍴 复刻 74 🐛 待处理 15 👀 关注 9
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 1936
维护状态 活跃
是否开源 开源
定价模式 🏷️定价信息待确认

项目预览

SeekStorm 项目界面预览图
图片来源:GitHub 官方仓库名片

项目数据

分类搜索知识
开发团队SeekStorm
定价模式🏷️定价信息待确认
价格说明官网存在但定价信息不明确,需进一步确认。
访问状态✅ 目前可打开
是否开源是
开源协议Apache-2.0
主要语言Rust
技术栈/模型ai-search,bm25,dense-retrieval,enterprise-search,faceting,full-text-search,geosearch,hybrid-search,lexical-search,neural-search,realtime,search,search-engine,search-server,search-service,semantic-search,sparse-retrieval,vector-database,vector-search,vector-search-engine
GitHub 星标★ 1936
上线时间2024-02-27 00:00:00
代码更新2026-11-06
仓库体积11.7 MB
本站数据更新2026-11-09
维护状态活跃
收录时间2026-08-09
浏览次数5

项目介绍

SeekStorm 是一款用 Rust 实现的高性能搜索库,同时支持向量检索与词法检索,提供进程内库和多租户服务器两种形态。它兼具速度与灵活性,适合构建高性能、可扩展的混合搜索应用。

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 ★ 1936

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 10 分钟 部署方式:库/依赖 6 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

  • 已安装 Rust 工具链(含 cargo 命令)
  • 异步运行时 crate:tokio
  • 序列化 crate:serde_json

安装与启动步骤

  1. 1检查 Rust 环境

    确认本机已安装 Rust 与 cargo,且能在项目目录执行 cargo 命令。README 未指定最低版本。

    cargo --version
  2. 2添加依赖 crate

    在已有 Cargo 项目目录中执行,把 SeekStorm 库与示例所需的 tokio、serde_json 加入依赖。

    cargo add seekstorm
    cargo add tokio
    cargo add serde_json
  3. 3编写异步入口

    SeekStorm 库需在异步 Rust 运行时中调用,按 README 示例用 #[tokio::main] 包裹 main 函数。

    use std::error::Error;
    #[tokio::main]
    async fn main() -> Result<(), Box<dyn Error + Send + Sync>> {
    
      // your SeekStorm code here
    
       Ok(())
    }
  4. 4定义索引与分面

    分面字段要在 create_index 的 schema 中定义,分面值在 index_document 写入时设置,否则查询阶段无法使用分面。

  5. 5查询并按分面过滤

    查询时传入 query_facets / facet_filter 参数,分面统计结果会随搜索返回对象一起返回。

  6. 6运行验证

    cargo run 编译并启动示例,能编译通过、异步 main 正常执行即说明依赖接入成功。

    cargo run

关键配置

配置项必填说明示例
query_facets否查询时指定需要返回的统计分面字段,结果在搜索返回对象中brand
facet_filter否查询时按分面字段的值过滤结果集brand:Apple

如何确认成功

cargo run 编译无错误,tokio 异步 main 正常执行并返回 Ok(()),说明库已正确引入。

常见问题

Q:为什么必须引入 tokio?

A:README 的库使用示例使用 #[tokio::main] 注解,说明 SeekStorm 库调用需要异步 Rust 运行时,因此需添加 tokio 依赖。

Q:编译时报找不到 seekstorm crate 怎么办?

A:确认已在 Cargo 项目根目录执行过 cargo add seekstorm,再重新运行 cargo build 或 cargo run。

Q:分面搜索没有结果?

A:需三处配合:create_index 的 schema 中定义分面字段、index_document 写入分面值、查询时传 query_facets 或 facet_filter。

Q:除了 Rust 库还有别的用法吗?

A:README 还列出多租户搜索服务器,以及 Rust、Python、TypeScript、C#、Java 的 REST 客户端和 InstantSearch 适配器。

注意事项

  • README 未提供完整的安装编译步骤,库用法细节以官方 Library Docs 与 REST API 文档为准。
  • 项目采用 Apache License 2.0 开源许可。
  • README 标注 work in progress,接口和功能可能仍在变化。
  • 除进程内库外,还可选择多租户服务器模式,其说明见 server 与 client 各自的 README。

核心亮点

  • Rust 实现的高性能向量与词法混合搜索,支持 BM25、稠密检索与混合检索,兼顾精度与速度
  • 提供进程内库和多租户服务器两种部署形态,灵活适配嵌入式与独立服务场景
  • 内置分面、地理搜索等企业级功能,开箱即用,适合生产环境

不足之处

  • 项目较新,生态与周边工具链尚不成熟,文档/社区待观察
  • 相比 Lucene/Elasticsearch 等成熟方案,功能覆盖和兼容性仍有差距

适用场景

  • 需要低延迟、高吞吐的嵌入式搜索,如移动端或桌面应用
  • 构建多租户 SaaS 搜索服务,需隔离与资源管理
  • 结合向量与关键词的混合检索场景,如 RAG 或企业知识库

替代项目

Tantivy、Meilisearch、Qdrant

上一篇:swirl-search

下一篇:memfree

同类项目推荐

AI-Catalog 开源

一份清单,逛遍全网 AI 工具,省下搜索时间。

Huge AI models catalog. A curated list of AI tools, platforms, and resources across ···

★ 502 2026-08-09
llm-rag-vectordb-python 开源

用Bedrock+Python快速搭建RAG知识库问答应用

Explore sample applications and tutorials demonstrating the prowess of Amazon Bedroc···

★ 157 2026-08-09
MimirQ 开源

中文企业知识库,从解析到引用全流程可控,直接接入 Dify 用

中文优先的企业 RAG 知识库:可控解析、治理、切块、混合检索、重排、引用、图谱、评测与 ···

★ 594 2026-08-09
SoSearch 开源

一次查询聚合三家搜索,给 AI 智能体自建搜索接口

One query. Three search engines. Self-hosted web search for AI agents via HTTP API o···

★ 134 2026-10-24
denser-retriever 开源

让 AI 应用检索更准,企业级 RAG 集成更简单。

An enterprise-grade AI retriever designed to streamline AI integration into your app···

★ 295 2026-08-09
ragpi 开源

用你的文档,搭建专属 AI 问答助手。

An open-source AI assistant answering questions using your docs

★ 260 2026-08-09
RustyRAG 开源

用 Rust 打造高性能 RAG API,混合搜索+重排序,准确率94.5%

Production-grade RAG API built in Rust. Hybrid search with HNSW dense vectors and BM···

★ 141 2026-08-09
llm-rankers 开源

用大模型给搜索结果重排序,几行代码跑通评测

Document Ranking with Large Language Models.

★ 214 2026-09-25
llm-chatbot-rag 开源

本地跑通PDF智能问答,让文档自己开口说话

A local LLM chatbot with RAG for PDF input files

★ 97 2026-08-09