摘要：目前，首轮技术征文获奖文章已评选出炉，本篇内容为「OceanBase 布道师计划」优秀文章之一，作者邱永刚，联通软件研究院 OceanBase 研发负责人，主要负责中国联通自研关系型数据库分布式 CUDB 研发、支撑、运维工作。

“让技术被看见 | OceanBase 布道师计划”由 OceanBase 主办，CSDN 协办，面向广大开发者的年度征文活动。

全年 4 轮，以季度为周期进行优秀文章评比，每年 1 届，以年为单位进行最佳布道师评选。

稿：https://open.oceanbase.com/blog/essay-competition。

评委有话说

屠敏（CSDN 资讯主编、《新程序员》特约专栏记者）：这篇文章通过实际的业务场景，详细介绍了如何利用OceanBase的向量检索能力实现检索增强生成（RAG）架构，并成功应用于实际业务中。作者从背景挑战、技术选型、实施过程到成效评估，通过具体的实践案例，展示了OceanBase在处理多模态数据和支持复杂查询场景中的优势，同时也分享了从双库架构升级到一体化数据库的过程和挑战，是一篇值得推荐的技术好文。

封仲淹（OceanBase 开源生态总监、OceanBase 开源社区负责人）：联通研究院这篇文章，紧贴热点，很好地介绍了向量数据库相关的基础知识，很好地普及了什么是向量数据库，向量数据库横向一些对比，并且基于Oceanbase数据库的向量能力，落地了ChatDBA很好地解决了DBA日常答疑问题，给其他用户一个Data +AI的探索行为。

老鱼（资深 IT 媒体人、《老鱼笔记》主理人）：文章介绍了OceanBase在联通软研院检索增强生成（RAG）架构中的落地实践，展示了其在数据库智能专家“ChatDBA”中的应用效果。此外，文章还分享了具体的性能测试结果和实际应用成效，具有很强的说服力和实用价值。

章芋文（墨天轮社区负责人）：文章详细介绍了中国联通如何利用OceanBase数据库的向量检索功能，成功实施RAG架构以提升数据库管理的效率和响应速度。文章强调了生成式AI技术在企业数据应用中的局限性，并展示了RAG架构如何通过结合大型语言模型和企业私有数据来克服这些限制。数据库智能专家“ChatDBA”展示了RAG架构的实际应用，显著提高了开发人员和DBA在数据库查询及管理上的工作效率，体现了技术与业务的深度融合。文章对现代化升级的成效进行了全面的总结，突出了硬件资源的节省、系统稳定性的提升以及运维流程的简化等关键成果，为其他企业的技术升级提供了宝贵的参考。

过去几年，生成式人工智能（AI）技术快速发展，涌现了包括OpenAI的ChatGPT、阿里巴巴的通义千问、百度的文心一言等多个大模型，在自然语言处理和对话系统中的应用引起了广泛关注。尽管这些大模型的推理能力非常强大，但在实际行业应用中，它们往往无法直接处理企业特定的数据和知识，这使得它们的应用范围受到了一定限制。在这种背景下，向量数据库作为支撑检索增强生成（RAG）架构的核心组件，逐渐展现出它不可或缺的作用。

RAG架构通过结合预训练的大型语言模型（LLM）和企业的实时私有数据，弥补了LLM在处理企业特定数据时的不足。借助向量数据库的强大检索能力，开发人员能够在无需重新训练模型的前提下，实现基于企业数据的实时、精准生成任务。在这篇文章中，我们将分享中国联通如何通过OceanBase的向量检索能力，在实际业务中成功实现RAG，帮助内部开发人员和DBA更高效地进行数据库基础设施相关查询和管理，从而进一步提升业务响应速度和准确性。

联通软研院数据库平台服务数百到上千内部用户，涵盖了从应用开发到运维管理的各个环节。面对如此庞大和复杂的数据库应用场景，我们长期面临许多挑战：数据库种类繁多，版本差异大，生产系统的稳定性要求高，测试环境与生产环境之间的差异影响了效率，且日常数据库运维和管理的工作负荷巨大，响应速度难以提升。

具体来说，我们需要应对如下几个主要挑战：

1. 多种数据库及版本管理：联通内部存在多款数据库产品，且版本更新和维护频繁。如何在不同版本之间保持一致性并快速定位问题，成为了运维和管理中的一大难题。

2. 生产环境的高效管理与测试环境差异：生产系统的稳定性至关重要，如何在保证生产环境稳定的同时，快速应对和解决生产系统中的问题。此外，测试环境与生产环境的差异可能导致性能偏差或潜在故障，如何高效地管理并在两者之间找到平衡，提升整体系统可靠性和响应速度，是提升数据库运维敏捷性的关键。

3. 提高工作效率与敏捷性：随着业务需求的不断变化，如何在复杂多变的数据库环境中快速获取所需信息，并及时响应，成了提升数据库运维管理效率的核心问题。

为了提升运维效率和内部敏捷性，我们尝试用RAG架构解决这些实际问题，并开发了数据库智能专家“ChatDBA”。通过结合数据库领域的专业知识和联通内部的运维数据，“ChatDBA”让开发人员和DBA可以直接用自然语言查询数据库状态、排查故障或者获取建议，减少了大量的重复工作。这样的方式，不仅提升了问题解决效率，也让团队能将精力更多地集中在关键任务上，以下是我们采用的整体方案流程示意图：

我们针对内外部的数据库通识类和特性类文档进行系统性梳理，形成文档知识库。通过文档切片和向量化模型嵌入，我们将这些文档内容转化为向量数据并存储在向量库中。这一做法使得大型语言模型（LLM）能够获得DBA领域的专业知识，大大提升了知识问答的召回率和准确性。在此基础上，我们进一步引入了RAG（检索增强生成）技术的知识问答系统。通过检索外部知识库，增强模型对特定问题的理解和回答能力，帮助生成更精准、更丰富的文本内容，从而提升了文本处理的效率和质量，最终打造了数据库智能专家“ChatDBA”， 它具备丰富的数据库知识和经验，能够为数据库使用者（应用人员）和数据库维护方（产品运维、支撑人员）提供全面的、高质量的技术咨询与解决方案服务，以降低数据库使用门槛、提升数据库运维效率。

在项目初期，我们选择了MySQL作为关系型数据存储，并使用Milvus作为向量数据库。然而，随着数据量和需求的增长，我们很快发现了两个关键问题：首先，现有的数据库无法进行水平扩展，且无法应对更大规模的数据处理；其次，必须同时维护两种数据库系统，增加了管理和运维的复杂性。

为了解决这些问题，我们开始寻找一种能够统一支持关系型数据和向量数据的解决方案。在选型过程中，我们发现OceanBase 4.x实验室版本具备强大的向量检索与混合查询能力，这促使我们对独立向量数据库、单机数据库以及分布式数据库在向量场景下的能力进行详细评估，以下是评估结果的具体对比：

深入对比了独立向量数据库、单机数据库和分布式数据库三种选型路线后，我们更倾向于 OceanBase 的一体化技术路线，不但可以使运维团队简化技术栈，更重要的是OceanBase在性能、扩展性和管理便利性方面展现出明显优势。OceanBase当前版本支持超过16,000维的稠密向量处理，并提供多种向量距离计算方式（如曼哈顿距离、欧式距离、内积和余弦距离）。此外，OceanBase还支持创建HNSW向量索引、增量更新和删除操作，以及强大的Filter功能，能够基于向量、标量和半结构化数据进行混合过滤。结合OceanBase本身的分布式架构，这些特性使它成为一个高效且统一的平台，能够解决我们面临的数据库扩展性和管理复杂性问题。

通过对OceanBase的测试验证，我们发现其向量检索能力完全符合我们的需求，尤其是在支持应用ChatDBA方面表现出色。更重要的是，OceanBase的向量检索功能具备完整的产品配套生态，进一步增强了其在实际生产环境中的可行性。以下是我们在功能测试中对比OceanBase向量检索与Milvus开源版本的一些关键差异，OceanBase展现出了明显的优势：

1. 简易运维：OceanBase向量检索功能可以直接复用OceanBase的运维管理平台（OCP），大大简化了运维工作。OCP提供了界面化的快速部署、硬件资源管理、监控告警、备份恢复等一整套完善的产品运维功能。而Milvus仅提供基础的数据库功能，不具备完善的运维支持，且存在安全隐患。

2. 高可用与弹性扩缩：OceanBase向量检索能力继承了OceanBase原生分布式数据库的高可用性，能够实现分布式部署、弹性扩缩容，并通过Paxos协议实现单点故障时的自动快速恢复。而Milvus只能进行单点部署，缺乏高可用性及横向扩展能力，这在生产环境中无法接受。

3. 多租户资源隔离：OceanBase向量检索支持多租户资源隔离，并配合OceanBase强大的可扩展性，能够提供安全、灵活的DBaaS服务。用户可以在现有OceanBase资源池内快速开通数据库实例，并根据业务需求灵活调整资源。相比之下，Milvus缺乏资源隔离能力，尤其在物理机部署情况下，资源管理容易出现浪费或不足且无法扩展的问题。

4. 支持 SQL：OceanBase向量检索支持标准SQL操作，开发人员可以使用DBeaver、Navicat等熟悉的客户端工具与数据库交互，这降低了数据库使用门槛，提升了开发效率。Milvus则不支持SQL，只能通过API和代码操作数据，使用体验相对较差。

5. 快速迁移：OceanBase向量库能够利用OMS数据迁移工具进行同构与异构数据迁移。我们通过OMS的功能，成功将原本存储在Milvus中的测试数据迁移到OceanBase中。而Milvus本身不支持数据迁移，跨环境迁移需要重建数据，耗时且对业务影响较大。

在性能测试阶段，我们模拟了当前实际生产环境的使用场景。此前我们使用了两套独立的数据库系统，而现在关系型数据库与向量数据库共享同一个实例。与原本需要两套数据库的部署方式相比，当前实例的规格约小了30%，但在性能上完全满足了业务需求，并且资源使用率显著降低。这意味着在成本方面，我们实现了至少30%的硬件资源节省。以下是官方发布的主流向量数据库性能对比。图中展示的VSAG曲线数据来源于OceanBase与蚂蚁集团联合研发的向量索引算法VSAG，OceanBase在性能表现上明显优于其他主流向量索引库，实现了“比快更快”的性能提升。

在完成OceanBase数据库向量检索功能和性能验证后，我们决定将现有的MySQL和Milvus数据库进行现代化升级，并进行了相应的适配改造。我们发现，OceanBase的引入工作量较小。对于原MySQL数据库几乎没有额外工作量，SQL语法完全兼容，甚至无需更换驱动包，只需要修改配置即可。对于Milvus向量数据库的升级，主要是更新数据库依赖包和调整数据库操作方式。由于OceanBase支持通过SQL操作向量数据，只要熟悉SQL语法，改造工作也非常简便。我们在大约一周的时间内完成了所有程序的适配改造，并在不到两周的时间内完成了所有验证工作。

在10月初，OceanBase发布支持向量检索的稳定版本4.3.3后，我们启动了生产环境的数据库现代化升级。借助前期充分验证和OceanBase的OMS工具，升级过程高效顺畅，顺利完成从Milvus到OceanBase的数据迁移，加快了整体进程。升级后，我们将多套数据库整合为一个统一的系统架构，硬件资源使用量减少约30%，业务性能全面满足需求。OceanBase原生的分布式架构不仅显著提升了系统稳定性，降低单点故障风险，还为未来业务增长提供可扩展能力。这次升级既简化了技术栈，减轻运维团队的压力，还为业务的长远发展打造灵活可靠、可扩展的技术基础。

在联通软研院RAG实践中，我们通过引入OceanBase，完成了数据库智能专家“ChatDBA”底层架构的现代化升级。OceanBase在统一关系型和向量数据库的技术栈方面展现出卓越能力，一个数据库即可支持多种工作负载和数据处理需求。硬件资源使用率降低约30%，配合OCP、OMS等工具，极大简化了运维流程，提升了团队效率。

结合项目实践，我们意识到RAG的向量检索能力对于实现高效的知识问答系统至关重要。而OceanBase作为一体化数据库，不仅能够支持多模态数据处理和多场景融合，还在性能和稳定性上表现出色。这样的设计帮助我们显著降低系统复杂性，同时为未来更复杂的业务需求提供了更坚实的技术支持，成为构建统一、高效智能数据库解决方案的关键一步。展望未来，我们计划进一步扩大OceanBase应用范围，通过现代数据架构升级进一步简化技术栈，降低运维成本。

来源：CSDN