基于 seekdb 搭建知识库桌面应用

本教程将引导您快速上手使用 seekdb 构建 MineKB（Mine Knowledge Base，个人本地知识库）桌面应用，展示如何通过向量搜索和大语言模型实现智能问答。

概述

应用的核心特性：

多项目管理：支持创建多个独立的知识库项目。
文档处理：支持 TXT、MD、PDF、DOC、DOCX、RTF 等多种格式，自动进行文本提取和向量化。
智能搜索：基于 seekdb 的向量索引（HNSW），实现高效的语义搜索。
对话问答：通过 AI 对话的方式查询知识库，获得基于文档内容的精准回答。
本地存储：所有数据存储在本地，保护隐私安全。

应用选择 seekdb 的原因：

嵌入式部署：作为库嵌入应用，无需独立服务。
原生向量支持：内置 vector 类型和 HNSW 索引，向量搜索性能提升 10-100x。
All-in-One：同时支持事务、分析和向量搜索，一个数据库满足所有需求。
SQL 接口：标准 SQL 语法，开发友好。

前提条件

环境要求

开发和运行知识库桌面应用需要满足以下环境：

操作系统：支持 Linux，推荐 Ubuntu 20.04+。
Node.js：支持 16.x+，用于前端开发，推荐 18.x LTS。
Rust：支持 1.70+，Tauri 依赖，推荐 1.75+。
Python：支持 3.x+，推荐 3.9+。

技术栈和依赖包

前端技术栈（详见 package.json）
- @tauri-apps/api：Tauri 前端 API，用于调用 Rust 命令
- @radix-ui/*：无障碍 UI 组件库
- react-markdown：Markdown 渲染
- react-syntax-highlighter：代码高亮
- lucide-react：图标库
后端技术栈（详见 Cargo.toml）
- tauri：Tauri 框架核心
- tokio：异步运行时
- reqwest：HTTP 客户端（调用 AI API）
- pdf-extract、docx-rs：文档解析
- nalgebra：向量计算

Python 依赖（详见 `requirements.txt`）

seekdb==0.0.1.dev4

安装 seekdb

确保已安装 seekdb，并验证安装成功：

pip install seekdb -i https://pypi.tuna.tsinghua.edu.cn/simple/
# 验证安装：
python3 -c "import seekdb; print(seekdb.__version__)"

API KEY 配置

提示

开通阿里云百炼大模型服务需要您跳转至第三方平台完成。此操作将遵循第三方平台的收费规则，并可能产生相应费用。请在继续前，访问其官网或查阅相关文档，确认并接受其收费标准。如不同意，请勿继续操作。

MineKB 需要阿里云百炼 API 来提供 Embedding 和 LLM 服务。注册阿里云百炼账号，开通模型服务并获取 API 密钥。

获取 API Key 后，将 API Key 填入配置文件：src-tauri/config.json

{
  "api": {
    "dashscope": {
      "api_key": "<sk-your-api-key-here>",
      "base_url": "https://dashscope.aliyuncs.com/api/v1",
      "embedding_model": "text-embedding-v1",
      "chat_model": "qwen-plus"
    }
  },
  "database": {
    "path": "./mine_kb.db",
    "name": "mine_kb"
  }
}

提示

通义千问 LLM 提供了一定的免费使用额度。使用过程中请关注免费额度使用情况，超出将会产生费用。
本教程以通义千问 LLM 为例来介绍问答机器人的搭建，您也可以选择使用其他 LLM 进行搭建，选用其他 LLM 需要更新 src-tauri/config.example.json 文件中的 apiKey、model 和 baseUrl 参数。

本地运行应用

步骤一：编译和启动

clone 项目并安装依赖

# 克隆项目
git clone https://github.com/ob-labs/mine-kb.git
cd mine-kb

# 安装前端依赖
npm install
# 安装 Python 依赖
pip install seekdb==0.0.1.dev4 -i https://pypi.tuna.tsinghua.edu.cn/simple/

配置 API Key：

cp src-tauri/config.example.json src-tauri/config.json
# 编辑配置文件，填入你的 API Key
nano src-tauri/config.json

启动应用
```
npm run tauri:dev
```

当用户启动 MineKB 应用时，系统会依次执行以下初始化流程：

应用初始化（代码详见：src-tauri/src/main.rs）
- 初始化日志系统
- 确定应用数据目录
- 加载配置文件
- 初始化 Python 环境
- 初始化 seekdb 数据库
- 初始化数据库架构
- 创建应用状态
- 启动 Tauri 应用
前端初始化（代码详见：src/main.tsx）
- React 应用挂载
- 调用 list_projects 命令获取项目列表
- 渲染项目面板和对话面板
- 等待用户操作

步骤二：创建知识库

推荐使用 seekdb 的文档进行测试，点击这里。

minekb-2

用户点击 创建项目 按钮后，系统执行以下流程：

前端交互的实现
- 代码详见：ProjectPanel.tsx
后端处理的实现
- 代码详见：commands/projects.rs
数据库操作
- 代码详见：services/project_service.rs

数据库层（seekdb_adapter.rs → Python Bridge → seekdb），代码如下：

# Python Bridge 接收命令
{
  "command": "execute",
  "params": {
    "sql": "INSERT INTO projects (...) VALUES (?, ?, ?, ?, ?, ?, ?)",
    "values": ["uuid-here", "我的项目", "描述", "active", 0, "2025-11-05T...", "2025-11-05T..."]
  }
}

# 转换为 seekdb SQL
cursor.execute("""
    INSERT INTO projects (id, name, description, status, document_count, created_at, updated_at)
    VALUES ('uuid-here', '我的项目', '描述', 'active', 0, '2025-11-05T...', '2025-11-05T...')
""")
conn.commit()

# 返回成功响应
{
  "status": "success",
  "data": null
}

综上，创建知识库做了以下工作：

生成唯一的项目 ID（UUID v4）
验证项目名称（非空、不重复）
初始化项目状态为 Active
记录创建时间和更新时间
将项目信息写入 seekdb 的 projects 表
提交事务，确保数据持久化
返回项目信息给前端
前端更新项目列表并显示新项目

步骤三：进行对话

minekb-3

用户在对话框输入问题后，系统执行以下流程:

前端发送消息
- 代码详见：ChatPanel.tsx
后端处理
- 代码详见：commands/chat.rs
向量搜索
- 代码详见：services/vector_db.rs
LLM 流式调用
- 代码详见：services/llm_client.rs

综上，进行对话做了以下工作：

用户输入问题
保存用户消息到数据库
调用阿里云百炼 API 生成查询向量（1536 维）
在 seekdb 中执行向量搜索（使用 HNSW 索引）
获取 Top-20 最相似的文档块
计算相似度分数并过滤（阈值 0.3）
将相关文档作为上下文
构建 Prompt（上下文 + 用户问题）
流式调用 LLM 生成回答
实时将回答发送到前端展示
保存 AI 回复和来源信息到数据库
更新会话的最后更新时间

总结

seekdb 在桌面应用开发中的优势

通过 MineKB 项目实践，seekdb 在桌面应用开发中展现出以下显著优势：

开发效率高

对比项	传统方案	seekdb 方案
数据库部署	需要安装、配置独立服务	嵌入式，无需安装
向量搜索实现	手动实现向量索引和搜索算法	原生 HNSW 索引，开箱即用
数据管理	分别管理关系数据和向量数据	统一管理，SQL 接口
跨平台支持	需为不同平台编译/打包数据库	pip 安装自动适配平台

性能表现优秀

向量搜索性能测试（10,000 个文档块，1536 维向量）：

操作	seekdb (HNSW)	SQLite (手动搜索)	提升倍数
Top-10 搜索	15ms	1200ms	80x
Top-20 搜索	25ms	2500ms	100x
Top-50 搜索	45ms	无法完成	∞

原因分析：

HNSW 索引：O(log N) 复杂度，高效搜索。
向量类型原生支持：无序列化开销，提升性能。
列存优化：只读取需要的字段，减少 I/O。

数据隐私和安全

特性	说明	价值
本地存储	数据库文件存储在用户设备	隐私零泄漏
无需联网	除 AI 对话外，所有操作离线	敏感文档不上传
用户控制	用户可备份、迁移数据库文件	数据所有权归用户
ACID 事务	保证数据一致性	不会丢失数据

All-in-One 能力

seekdb 的一体化能力为未来扩展提供了无限可能：

关系数据管理：项目、文档、会话等。
事务支持：ACID 特性。
向量搜索：语义搜索。
全文搜索：使用 seekdb 的 FULLTEXT INDEX。
混合搜索：结合语义搜索和关键词搜索。
分析查询：利用 OLAP 能力进行知识统计。
外表查询：直接查询 CSV 等外部文件。
平滑升级：数据可迁移到 OceanBase 分布式版。

MineKB 项目总结

通过 MineKB 项目，我们证明了 seekdb + Tauri 是构建 AI-Native 桌面应用的绝佳组合。

关键成功因素：

seekdb：提供了强大的向量搜索能力。
Tauri：提供了轻量级的跨平台桌面应用框架。
Python Bridge：实现了 Rust 和 seekdb 的无缝集成。
RAG 架构：充分发挥了向量搜索的优势。

适用场景：

个人知识库管理
企业文档搜索系统
AI 辅助编程工具
学习笔记和研究助手
任何需要语义搜索的桌面应用

概述​

前提条件​

环境要求​

技术栈和依赖包​

Python 依赖（详见 requirements.txt）​

安装 seekdb​

API KEY 配置​

本地运行应用​

步骤一：编译和启动​

步骤二：创建知识库​

步骤三：进行对话​

总结​

seekdb 在桌面应用开发中的优势​

开发效率高​

性能表现优秀​

数据隐私和安全​

All-in-One 能力​

MineKB 项目总结​

Contents

概述