文章目录
Orama：一个把全文搜索做成艺术品的开源搜索引擎
oramasearch/orama 在 GitHub 上已经累积到 10.4K Star。
这是个让我有点意外的项目。搜索引擎这东西，行业内其实早有定论，Elasticsearch 那套基础设施早就把市场占满了，能再做出个有竞争力的开源搜索引擎，本身就不太容易。但 Orama 偏要做，而且做到了。
它解决的核心问题就一个：在浏览器或者 Node 里跑搜索，又要全文检索，又要向量检索，还要混合检索。这事在以前是要拼凑好几个库才能干的，Orama 把它们压成了一个。
为什么这工具值得看
我个人觉得 Orama 真正有意思的点，在于它把搜索的复杂度往下压了一层。
你以前要给应用加搜索，要么上 Algolia 这种 SaaS，按调用次数掏钱，要么自己搭一个 Elasticsearch 集群，服务器成本不低，维护成本更高。Orama 是个 npm 包，安装完就能跑，数据完全在自己手里。这一层下来，搜索这件事的成本就直接被压没了。
它的功能覆盖也算完整。全文搜索、向量搜索、混合搜索都支持，还自带 BM25 排序、Typo Tolerance 容错、30 种语言的词干分词、地理搜索、Facets 聚合、字段加权、结果置顶。这些功能放在商业搜索服务里通常都是要单独付费的。
安装和使用
安装就一行：
bash
npm i @orama/orama用法本身就两步：先定义 schema，再插入和搜索。
javascript
import { create, insert, search } from '@orama/orama'
const db = create({
schema: {
name: 'string',
description: 'string',
price: 'number',
meta: { rating: 'number' }
}
})
insert(db, {
name: 'Noise cancelling headphones',
description: 'Best noise cancelling headphones on the market',
price: 99.99,
meta: { rating: 4.5 }
})
const results = search(db, { term: 'Best headphones' })搜索结果会直接返回 BM25 排序的命中项，带分数和原文档。从我看的示例输出，单次查询在 21 微秒级，这个量级放在边缘场景里是完全够用的。
向量搜索这块怎么说
Orama 从 v3 开始把向量搜索和混合搜索做成了内置功能，不用外挂任何向量数据库。Schema 里把字段标成 vector[1536]，插入时带上 embedding 向量，搜索时设 mode: 'vector' 就行。
如果你嫌自己算 embedding 麻烦，它有官方的 @orama/plugin-embeddings 插件，底层用 TensorFlow.js，可以在插入数据时自动生成向量。要用 OpenAI 的模型，就配 @orama/plugin-secure-proxy，从客户端调 OpenAI 的 API 还能保持 key 不外泄。这层处理挺讨巧的，给想做 RAG 的人把脚手架都搭好了。
更有意思的是它的 Answer Engine
v3 之后 Orama 还做了 Answer Session，等于在自己造的搜索引擎之上，封装了一个类似 ChatGPT 或 Perplexity 的对话能力。配置完 Secure Proxy 插件，传入 OpenAI 的 chat 模型，就能让 Orama 基于索引出来的数据回答问题，附带原始文档引用。这玩意儿等于一个轻量级的本地 RAG 框架，特别适合想自己搭问答系统的团队参考。
谁适合用
我梳理了几类场景：
- 做中小型站点搜索、不想上 Elasticsearch 也不想付 Algolia 费用的开发者
- 在做 RAG 应用、需要一个轻量本地检索层的团队
- 搭文档站、想加全文搜索的 Vitepress、Docusaurus、Astro、Nextra 用户，官方都有对应插件
- 想在浏览器端直接跑搜索、不把数据传到后端的场景
许可证是 Apache 2.0，商业可用。插件生态也比较齐，embeddings、secure proxy、analytics、data persistence、qps、pt15 这些都有官方维护版本，框架集成插件覆盖了主流的几个文档站工具。
整体看下来，Orama 是那种「把事情做对了」的开源项目。代码量不大，功能取舍很克制，没想着自己包打天下，把向量计算、LLM 调用这些重活都交给了插件。要做 AI 时代本地化的搜索层，它至少是一个干净的起点。
。代码量不大，功能取舍很克制，没想着自己包打天下，把向量计算、LLM 调用这些重活都交给了插件。要做 AI 时代本地化的搜索层，它至少是一个干净的起点。