外观
LanceDB 中文文档
面向多模态 AI 的 Lakehouse。
LanceDB 是面向 AI 团队的多模态 Lakehouse，它把数据整理、特征工程、检索与模型训练放在同一层数据之上。 它构建在 Lance 之上——一个专为多模态 AI 数据设计的开源 Lakehouse 格式。
你可以在同一个平台上从数据探索一路走到模型训练，而不必同时维护存储、特征、检索、训练四套割裂的系统。
在正确的数据上更快训练
在 PB 级规模上做检索、整理与训练，所有多模态数据都在一张表里。
当原始数据、元数据、向量、特征和治理产物分散在不同系统里时，准备训练数据和跑实验都会变慢。LanceDB 把它们收在一张带版本的多模态表里，于是 AI 团队少花时间拼基础设施，多花时间改进数据集、验证特征、喂满 GPU。
为模型研究加速数据飞轮
把所有 AI 数据留在同一张表里。 找到失败样本，修数据，再重新训练。
1. 为每一个失败样本找到对应的训练子集
从一次抓取失败或一次评测失败的样本出发，把检索、元数据与向量放在一起查，召回相似的样本，再整理成一份有针对性的训练子集。
2. 每种模态都用同一份数据集
把 episode、帧、元数据、特征与向量放在同一张受 schema 约束的表里，不需要额外流水线去同步它们。表的版本能让你把每一次训练回溯到它当时用的那份确切数据。
3. 多做迭代，少守着预处理作业
把你实验需要的计算列和物化视图（比如抽取出的特征或向量）声明出来，数据变化时刷新它们。在 LanceDB Enterprise 上，列刷新是跑在集群上的后台作业，而不是压在你自己的代码里。
4. 更高的 GPU 利用率，更快的收敛
别让 GPU 饿着。StreamingDataset 以全局打乱、确定性批次的方式把多模态训练数据流式送进 PyTorch，兼具快速随机访问与高吞吐扫描。
同一张表可以同时用来整理训练数据、添加派生特征、召回样本，并喂给依赖昂贵 GPU 的训练作业。训练负载可以从本地存储或对象存储中采样、打乱、按投影扫描列，然后从某个打上 tag 的数据集版本组装出可直接进 GPU 的批次。训练流水线需要数据整理、派生特征、可复现的数据切分、快速随机访问，以及一条通往 PyTorch 这类框架的干净路径——无论一个工作流只用一张表还是几张相关的表，LanceDB 都用同一套表模型把它们连起来。
架构：Embedded 与 Enterprise
LanceDB 提供两个形态，共用同一套 Lance 格式与表模型——表数据、版本与索引都以开放的列式文件存放。两者真正的差别，是围绕这个格式如何组织存储与计算：从本地的 Embedded 起步，当团队需要分布式规模、托管基础设施、私有化部署，或更高吞吐的整理、特征工程、检索与训练工作流时，再迁移到 Enterprise。
LanceDB Embedded一个开源的嵌入式检索库，跑在你自己的应用进程里，不需要单独部署数据库服务。LanceDB Enterprise面向生产负载的分布式多模态 Lakehouse 服务，具备托管基础设施与更高吞吐的工作流。逐项对比见 Embedded 与 Enterprise 对比，涵盖架构、延迟、吞吐以及日常使用上的差异。
使用 LanceDB 的项目
训练
- stable-worldmodel —— 一个构建在 LanceDB 数据层之上的、可复现的世界模型研究平台，在 Push-T 上报告数据加载比 HDF5 / MP4 快 3–4 倍，而磁盘占用只有其一小部分。
- le-wm —— 一个从像素出发的联合嵌入预测世界模型，在 stable-worldmodel 平台及其 LanceDB 数据层上训练。
- lerobot-lancedb —— HuggingFace LeRobot 数据集的即插即用 LanceDB 后端，在各类机器人数据集上加载更快。
智能体应用
- OpenClaw LanceDB 插件 —— 把智能体的长期记忆存在 LanceDB 里，在每次模型调用前自动召回相关记忆，之后再捕获新的事实。
- Cognee —— 一个开源 AI 记忆平台，为智能体提供跨会话的持久记忆，LanceDB 是它的向量存储后端之一。
- CrewAI —— 一个多智能体框架，把智能体记忆重建在 LanceDB 之上。
在这些项目里，LanceDB 与 Lance 提供那一层多模态数据底座，把原始观测、标注、特征以及训练或记忆的访问模式放在同一种格式里，而不是散落到为各任务定制的存储中。