向量数据库是 AI 应用时代的基础设施之一，但传统方案往往需要完整的向量数据库集群和专门的存储系统，部署和维护成本都不低。OpenData Vector 的出现提供了一个不同的思路：基于 SlateDB 构建在对象存储之上，直接利用对象存储的持久性和可扩展性，省去了独立向量存储系统的复杂性。

从核心架构看，OpenData Vector 是一个无状态的持久化向量搜索引擎。它使用 IVF 索引来组织向量，这种索引方式适合对象存储的延迟特性。更新策略上，它采用了基于 LSM 的 LIRE compaction 机制，对象存储天然支持追加写入，这个设计很自然。另一个特点是 share-everything 状态模型——任意节点都可以服务任意数据，查询请求可以路由到任何一个节点，不需要特定的协调者。

性能方面有几个关键数字值得关注：100M 向量规模下的月成本约 350 美元，对于中等规模的 AI 应用来说这个价格有竞争力。查询延迟方面，热点数据约 10ms，冷数据亚秒级，这个差异主要来自对象存储的特性。写入延迟约 1 秒确认，这个延迟水平对于非实时场景是可以接受的。

从部署模式看，OpenData Vector 支持从嵌入式到多节点拓扑的灵活扩展。嵌入式模式适合边缘设备或轻量级场景，多节点模式可以水平扩展应对更大规模数据。这个弹性让同一套代码可以适应不同规模的需求，不需要为不同场景维护不同的技术栈。

OpenData 团队列出了几个典型的应用场景：多模态内容的相似性检索、RAG 场景下的知识库召回、以及推荐系统中的向量匹配。这些都是当前 AI 应用中常见的需求场景。

OpenData Vector 采用 MIT 许可证，这意味着它可以免费商用，也为后续的技术演进和社区共建提供了法律基础。考虑到向量搜索在 AI 应用中的广泛需求，这个项目值得关注。

来源：OpenData (https://www.opendata.dev/blog/introducing-vector)