LanceDB

만든 곳 LanceDB

Lance 컬럼형 포맷 기반의 임베디드 벡터 데이터베이스 — 서버리스·로컬 우선

웹사이트 ↗ 저장소 ↗ 문서 ↗

python-v0.35.0-beta.22026-07-14Rust / PythonApache-2.0

#vector-db #embeddings #embedded #rust

11.0k 오픈소스 무료 티어 유료

문서버전 1.0 · 업데이트 2026년 6월 28일

개요

LanceDB는 Lance 컬럼형 포맷 위에 만들어진 오픈소스 임베디드 벡터 데이터베이스로, 프로세스 내에서 동작하며 로컬 파일이나 오브젝트 스토리지에 기록합니다 — 운영할 서버가 없습니다.
멀티모달이고 빠르며, API를 바꾸지 않고 노트북에서 LanceDB Cloud까지 확장됩니다.

flowchart LR
  rows[rows + vectors] --> t[(LanceDB table)]
  q[query vector] --> t
  t --> top[nearest rows]

코드 샘플 탭에서 완전 임베디드 흐름을 보여줍니다.

언제 쓰면 좋은가

앱에 내장되는 무운영(zero-ops)·로컬 우선 벡터 스토어를 원할 때 — 데스크톱 도구· 노트북·엣지 배포에 이상적이며, 로컬 파일을 넘어설 때 클라우드 옵션이 있습니다.

가격

오픈소스(Apache-2.0)라 무료로 셀프호스트할 수 있고, LanceDB Cloud는 사용량 기반입니다.

플랜	가격	비고
Cloud (무료)	$0	사용량 기반 무료 티어
Enterprise	문의	연간 계약·전용

출처 ↗ · 기준일 2026-06-27

예제

Python · embedded

언제 쓰나

서버 없는 임베디드 벡터 스토어를 원할 때 — SQLite처럼 디스크에 쓰되, 대상이 벡터입니다.

흐름

로컬 디렉터리에 연결해 벡터가 담긴 행으로 테이블을 만든 뒤, 질의 벡터로 최근접 행을 검색합니다.

구조

flowchart LR
  rows[rows + vectors] --> t[(LanceDB table)]
  q[query vector] --> t
  t --> top[nearest rows]

import lancedb

db = lancedb.connect("./lance")   # embedded; data lives in a local directory
tbl = db.create_table("docs", data=[
    {"vector": [0.1, 0.2, 0.3, 0.4], "text": "hello"},
    {"vector": [0.9, 0.8, 0.7, 0.6], "text": "world"},
])

hits = tbl.search([0.1, 0.2, 0.3, 0.4]).limit(1).to_list()
print(hits[0]["text"])

예제

LanceDB — 임베디드 벡터 검색

실제로 실행 가능한 미니 프로젝트입니다. 받아서 Docker로 실행해 보세요.

GitHub에서 samples/lancedb_1 보기 ↗

2026년 6월 28일

LanceDB — 임베디드 벡터 검색

아주 작은 LanceDB 스크립트입니다. 벡터 테이블을 만들고 최근접 이웃을 검색해 가장 가까운 행을 출력합니다. 완전 임베디드라 서버·API 키·네트워크가 필요 없고, 출력이 결정적입니다.

Docker로 실행

cd samples/lancedb_1
docker build -t aas-lancedb .
docker run --rm aas-lancedb

Docker로 실행 (DooD를 쓰는 devcontainer에서)

호스트 Docker 데몬과 통신하는 dev container(Docker-outside-of-Docker)에서는 위의 포그라운드 docker run이 종종 아무것도 출력하지 않고 exit 0으로 끝납니다. 하지만 실행 자체는 성공한 것입니다. detached로 실행하고 로그를 따라가세요:

cd samples/lancedb_1
docker build -t aas-lancedb .
docker logs -f "$(docker run -d aas-lancedb)"

로컬에서 실행

cd samples/lancedb_1
pip install -r requirements.txt
python app.py

실행 결과

LanceDB는 로컬에서 동작하고 이 샘플은 결정적이라, 출력이 매번 동일합니다.

nearest: Cats are independent pets that purr.

파일

app.py

"""LanceDB: an embedded vector database — no server, data on local disk.

Creates a small table of vectors, runs a nearest-neighbour search, and prints
the closest row. Fully local and deterministic: no API key, no network.

Run:
    docker build -t aas-lancedb .
    docker run --rm aas-lancedb
"""

import lancedb


def main() -> None:
    db = lancedb.connect("/tmp/lance-demo")  # embedded; a local directory
    db.drop_table("docs", ignore_missing=True)
    tbl = db.create_table(
        "docs",
        data=[
            {"vector": [0.1, 0.2, 0.3, 0.4], "text": "Cats are independent pets that purr."},
            {"vector": [0.9, 0.8, 0.7, 0.6], "text": "A rocket is propelled by ejecting exhaust."},
        ],
    )

    hits = tbl.search([0.12, 0.21, 0.29, 0.41]).limit(1).to_list()
    print("nearest:", hits[0]["text"])


if __name__ == "__main__":
    main()

Dockerfile

# Minimal image for the LanceDB sample. Fully embedded — no services, no keys.
FROM python:3.13-slim

ENV PYTHONUNBUFFERED=1

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY app.py .

ENTRYPOINT ["python", "app.py"]

관련 도구

개요