DingoDB多模向量数据库，大模型时代的数据觉醒

在九章云极DataCanvas“变革”产品发布会上重磅亮相的DingoDB多模向量数据库，将多模态能力加持到向量数据库之上，其产品能力和技术优势让业界眼前一亮。作为开源社区的一员， DingoDB正在加速实现与开源社区的联动，目前已完成与LangChain框架的对接。DingoDB与LangChain框架完成对接01DingoDB——全新的多模态数据混合分析解决方案

当前，市场上的向量数据库主要有三种形态。

第一种“基于关系型数据库的向量索引”，适用于小规模向量数据的存储和查询；

第二种“专用向量数据库”，通过使用特定的向量索引、压缩算法和查询优化技术来提供高效的向量存储和检索，一般用于企业级应用设计和优化的数据库解决方案；

第三种“分布式向量数据库”，利用分布式计算和存储技术实现了高性能和可扩展性，适用于大规模向量数据集和高并发访问的场景。

三种向量数据库往往不能兼得，用户需要根据自身的数据规模、场景需求和技术成本来选用其一。

DingoDB的出现突破了当前向量数据库的有限选择。作为一种全新的向量数据库形态——分布式多模态向量数据库，DingoDB具备上述三种数据库全部能力的同时，还支持多模态数据的统一存储和联合分析，进一步扩展了向量数据库的能力边界。

DingoDB在向量化数据存储处理方面提供以下功能特性：统一存储：提供统一的数据存储能力，支持单表存储表标量/向量数据，适用于不同数据间的联合查询和分析计算，提供全面的数据处理能力。多模态检索：支持基于不同模态数据的联合查询和检索，非结构化数据向量化存储，有利于处理、分析和应用非结构化数据。联合分析：支持非结构化数据向量化处理，同时提供标量数据与向量数据的联合分析能力，确保用户获取全面、准确的结果数据。一体化SQL计算引擎：使用SQL提供强大的结构化、非结构化的分析能力，实现多模态数据类型的综合分析。异构计算：利用多种不同类型的计算资源执行数据处理和计算任务，提高数据库系统的计算性能、增强扩展性和灵活性，实现高效分析和科学计算。

02联合分析——多模态数据分析的必备能力

结构化数据的分析和计算一直是企业智能决策的重要组成部分。

随着信息多样化的爆发，文本、图片、视频、音频等非结构化数据变得越来越重要，结构化和非结构化数据联合分析的需求应运而生。

DingoDB以其独特的设计和开放的心态，提供了同时处理结构化和非结构化数据的能力，其多模态特性使其在处理不同类型的数据时更加灵活和高效。

DingoDB将数据湖和向量数据库的特性相结合，可以同时存储和处理多模态数据，并提供结构化与非结构化数据的联合查询和融合分析计算的能力；借助结构化和非结构化的融合分析计算技术，能够高效地管理和检索多模态数据，进一步提升数据的利用价值。

通过DingoDB，用户可以构建专属的数据向量海“vector ocean”，并实现针对不同行业场景的多模态数据存储、分析和管理的个性化需求。

03拥抱开源——大模型时代数据觉醒的加速器

作为一款开源产品，DingoDB贯彻九章云极DataCanvas“开源开放”的产品理念，同时重视开源社区的合作和互动，以不断提升其功能和性能。目前，DingoDB与众多优秀的开源项目合作，LangChain框架就是其中一员。

LangChain是一种基于语义的知识图谱技术，它可以实现语义级别的数据关联和查询优化，从而提高数据库查询的效率和准确性。基于LangChain构建的数据库对接可以为数据查询效率带来一些潜在的提升。通过与LangChain的合作，DingoDB能够实现与其他开源工具和技术更好的集成，从而向用户提供更强大的数据能力。

专业的向量数据库开发需要长期的技术积累和投入，具有更高的技术壁垒。在大模型时代助推下，向量数据库行业将获得前所未有的资源倾斜，DingoDB的多模态向量数据库能力将持续引领行业发展，也将在时代红利下加速前进步伐。

了解更多：

DingoDB官网地址：https://www.dingodb.com

DingoDB Github地址：https://github.com/dingodb