项目预览
项目数据
项目介绍
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。
⚠ 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 ···
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···
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 ···
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···
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···
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
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···
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.
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
