SeekStorm · AI Nav City

核心信息

以下信息由程序从官方接口读取，不经模型改写。

仓库地址: https://github.com/SeekStorm/SeekStorm
许可证: Apache-2.0
语言: Rust
维护方: SeekStorm
主页: https://seekstorm.com
核验日期: 2026-11-02

它是什么

SeekStorm 可作为库嵌入、作为多租户服务器运行，或通过 MCP 为智能体提供搜索。SeekStorm 的 seekstorm 组件是进程内搜索库（词法、向量、混合）。SeekStorm 以 Apache License 2.0 开源。SeekStorm 自 2020 年起处于生产环境。

主要能力

SeekStorm 在同一个查询规划器之后有两个一等引擎（倒排索引加 IVF ANN）。
搜索可按每次查询选择词法、向量或混合，并用倒数排名融合（RRF）融合结果。
SeekStorm 支持多向量索引，既可来自多个字段，也可来自每个字段的多个分块。
向量搜索支持余弦相似度、点积和欧氏距离，向量精度支持 F32 和 I8。
SeekStorm 也可以导入并索引外部生成的嵌入向量。
SeekStorm 提供 38 种语言的词干提取，并有 6 种分词器，其中包括中文分词。
SeekStorm 内置面向 RAG 和智能体搜索的 MCP 服务器。
SeekStorm 支持地理邻近搜索、过滤和排序，以及单向和多向同义词。

怎么上手

MCP 服务器可加入 MCP 客户端配置（Claude Desktop、Cursor 等）。
MCP 服务器作为子进程通过 stdio 运行并直接嵌入 SeekStorm，不需要服务器进程或网络连接。
如果 SEEKSTORM_INDEX_PATH 处不存在索引，MCP 服务器会用默认模式（title、body、path）创建一个。
MCP 服务器以 MCP 工具形式提供词法、向量和混合搜索，以及文档索引、JSON/NDJSON 导入、PDF 索引和索引管理。
应将 MASTER_KEY_SECRET 环境变量设为一个机密值，否则生成的 API 密钥会泄露。
应用可以在 cargo.toml 中禁用 SeekStorm 的默认功能。

摘自 README · bash

docker run -ti -p "8000:80" -v "$(pwd)/seekstorm_storage:/seekstorm_index:z" wolfgarbe/seekstorm_server

摘自 README · bash

cargo install seekstorm_mcp_server

摘自 README · json

{
  "mcpServers": {
    "seekstorm": {
      "command": "seekstorm_mcp_server",
      "env": { "SEEKSTORM_INDEX_PATH": "/path/to/seekstorm-index" }
    }
  }
}

摘自 README · bash

cargo add seekstorm serde_json
cargo add tokio --features full

摘自 README · rust

use std::path::Path;
use seekstorm::commit::Commit;
use seekstorm::index::{create_index, AccessType, Clustering, DocumentCompression, FrequentwordType, IndexDocuments, IndexMetaObject, LexicalSimilarity, NgramSet, StemmerType, StopwordType, TokenizerType};
use seekstorm::search::{QueryRewriting, QueryType, ResultType, Search, SearchMode};
use seekstorm::vector::Inference;

#[tokio::main]
async fn main() {
    // 1. Schema: which fields exist and how they are indexed
    let schema = serde_json::from_str(r#"[
        {"field":"title","field_type":"Text","store":true,"index_lexical":true},
        {"field":"body","field_type":"Text","store":true,"index_lexical":true}
    ]"#).unwrap();

    // 2. Create the index
    let meta = IndexMetaObject {
        id: 0,
        name: "quickstart".into(),
        lexical_similarity: LexicalSimilarity::Bm25f,
        tokenizer: TokenizerType::UnicodeAlphanumeric,
        stemmer: StemmerType::None,
        stop_words: StopwordType::None,
        frequent_words: FrequentwordType::English,
        ngram_indexing: NgramSet::NgramFF as u8,
        document_compression: DocumentCompression::Snappy,
        access_type: AccessType::Mmap,
        spelling_correction: None,
        query_completion: None,
        clustering: Clustering::None,
        inference: Inference::None,
        segment_number_bits:11
    };
    let mut index_arc = create_index(Path::new("./seekstorm_index"), meta, &schema, &Vec::new(), false, None).await.unwrap();

    // 3. Index documents
    let docs = r#"[{"title":"title1 test","body":"body1"}, {"title":"title2","body":"body2 test"}]"#;
    index_arc.index_documents(serde_json::from_str(docs).unwrap()).await;
    index_arc.commit().await;

    // 4. Search
    let result_object = index_arc.search(
        "test".to_string(), None, QueryType::Intersection, SearchMode::Lexical, false, 0, 10, ResultType::TopkCount, false,
        Vec::new(), Vec::new(), Vec::new(), Vec::new(), QueryRewriting::SearchOnly,
    ).await;

    println!("{} hits", result_object.result_count_total);
    for r in result_object.results.iter() {
        println!("doc {} score {}", r.doc_id, r.score);
    }
}