Databricks 推出 Lakebase Search，在 Postgres 内直接实现向量与混合搜索
Databricks 把向量、BM25 和混合搜索直接做进了 Postgres，SQL 就能联查实时数据，不用再维护一套独立搜索引擎和 ETL。如果你的 RAG 应用数据在 Postgres 里，可以先对比 pgvector 看看能否省掉一套基础设施。
Databricks 宣布 Lakebase Search 正式可用（GA），已上线 AWS 和 Azure 两个云平台。该功能把向量搜索、BM25 全文检索和混合搜索直接内置到 Postgres 数据库中，与应用的操作数据存放在同一处。开发团队不再需要为搜索单独部署搜索引擎，也不用维护独立的 ETL 管道来同步数据。
从技术机制看，Lakebase Search 的核心是让搜索能力与实时数据在同一数据库内结合：开发者可以直接用 SQL 语句把搜索查询与业务表的最新数据做关联，省去了数据在主库与搜索系统之间来回搬运的环节。向量、BM25 和混合三种检索方式覆盖了语义搜索与关键词搜索两类典型场景，适合 RAG 和企业内部检索类应用。
这条产品路线瞄准的是搜索与操作数据分离带来的维护成本，与 pgvector 等数据库内检索方案思路一致，而 Databricks 的差异化在于把它接入 Lakebase 托管 Postgres 服务并覆盖 AWS 和 Azure。对已经在用 Postgres 存业务数据、又要给应用加 AI 检索能力的开发者来说，可以评估是否能省掉独立向量数据库的采购与运维。
Your app data is already in Postgres. Why move it somewhere else just to search it?
Lakebase Search brings vector, BM25 full-text, and hybrid search into the same database as your operational data. You can combine search with live data using SQL, without a separate search engine or ETL pipeline to maintain.
Now generally available on AWS and Azure. https://t.co/WSyKhrQUL0
This report is categorized under AITOP's "Products" desk, focusing on US frontier AI labs and Silicon Valley technology leaders. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows. Key entities and technical topics under continuous tracking include Databricks, Lakebase, Postgres, RAG.
Source attribution: curated from Databricks (@databricks).
