SQLite向量搜索：最轻量的RAG方案

向量搜索真的需要服务器吗？sqlite-vec把向量加到最便携的数据库里。

💡 你将学到

向量搜索真的需要服务器吗？sqlite-vec把向量加到最便携的数据库里。

📜 目录

• SQLite 向量搜索 2026：sqlite-vec 与史上最轻量 RAG 技术栈
• 为什么用 SQLite 做向量
• 第一步：安装
• 第二步：创建与插入
• 第三步：搜索
• 第四步：单文件完整 RAG
• 何时使用它 vs 真正的向量数据库
• 常见问题
• 相关文章

SQLite 向量搜索 2026：sqlite-vec 与史上最轻量 RAG 技术栈

SQLite 是地球上部署最广泛的数据库——每部手机、每个浏览器、每款桌面应用都内置了它。sqlite-vec（GitHub 7,900 星）以可加载扩展的形式为 SQLite 添加了向量搜索能力，让你能在单个文件中运行完整的 RAG 流水线。无需服务器、无需 Docker、无需云服务。

为什么用 SQLite 做向量

• 零基础设施——一个文件，无守护进程
• 桌面/移动应用完美适配——将 RAG 嵌入你的应用
• 省电——本地语义搜索无需网络调用
• 可支撑约 100 万向量——对个人或小团队使用绰绰有余

第一步：安装

pip install sqlite-vec
# 或作为 SQLite 扩展以任何语言加载

第二步：创建与插入

import sqlite3, sqlite_vec

conn = sqlite3.connect("search.db")
conn.enable_load_extension(True)
sqlite_vec.load(conn)

conn.execute("CREATE VIRTUAL TABLE vec_docs USING vec0(embedding float[768])")

# 使用任意模型生成的 embedding 插入
conn.execute(
    "INSERT INTO vec_docs(rowid, embedding) VALUES (?, ?)",
    (1, embedding_list)
)

第三步：搜索

rows = conn.execute(
    "SELECT rowid, distance FROM vec_docs WHERE embedding MATCH ? ORDER BY distance LIMIT 5",
    (query_embedding,)
).fetchall()

第四步：单文件完整 RAG

完整技术栈：文档存放在普通表中，embedding 存放在 vec0 虚拟表中，LLM 由本地 Ollama 提供服务。总计：一个 .db 文件 + 一个 Python 脚本。

何时使用它 vs 真正的向量数据库

常见问题

sqlite-vec 和 sqlite-vss 有什么区别？ sqlite-vss 是较旧且已停止维护的项目；sqlite-vec 是其现代继任者，性能和维护性都更好。

支持移动端吗？ 支持——可在 iOS 和 Android 应用中加载；它用 C 语言编写，无服务器组件。

能处理多少向量？ 社区基准测试显示可流畅运行至约 100 万向量；超过这个规模，基于服务器的向量数据库是更合适的选择。

相关文章

• Windmill（1.7万星）开发者平台2026：把Python和TypeScript脚本变成应用与工作流
• Win11原生支持Docker，你不再需要额外安装
• Weaviate（1.7万星）2026：AI原生向量数据库，支持混合搜索与生成式RAG

❓ 常见问题

sqlite-vec vs sqlite-vss?

sqlite-vss is the older, unmaintained project; sqlite-vec is its modern successor with better performance and maintenance.

Does it work on mobile?

Yes - loads in iOS and Android apps; it is written in C with no server component.

How many vectors can it handle?

Community benchmarks show smooth operation to ~1M vectors; beyond that, a server-based vector DB is a better fit.