📄 文档 | ⚡️ 快速入门 | 🧑‍🍳 食谱

Spice 是一款用 Rust 编写的 SQL 查询、搜索和 LLM 推理引擎，专为数据应用和智能代理设计。

Spice 在一个轻量级、可移植的运行时（单个二进制文件或容器）中提供了四种行业标准 API：

1. SQL 查询与搜索：HTTP、Arrow Flight、Arrow Flight SQL、ODBC、JDBC 和 ADBC API；vector_search 和 text_search UDTF。
2. OpenAI 兼容 API：用于兼容 OpenAI SDK 的 HTTP API、本地模型服务（CUDA/Metal 加速）以及托管模型网关。
3. Iceberg 目录 REST API：统一的 Iceberg REST 目录 API。
4. MCP HTTP+SSE API：通过 Model Context Protocol (MCP) 使用 HTTP 和 Server-Sent Events (SSE) 与外部工具集成。

🎯 目标：开发者可以专注于构建数据应用和 AI 代理，同时确信其应用建立在可靠的数据基础之上。

Spice 的主要特性包括：

• 数据联邦：可在任何数据库、数据仓库或数据湖中执行 SQL 查询。支持从单节点到分布式多节点的查询执行。了解更多。
• 数据物化与加速：使用 Arrow、DuckDB、SQLite、PostgreSQL 或 Spice Cayenne (Vortex) 对数据库查询进行物化、加速和缓存。阅读 MaterializedView 采访——构建数据库 CDN
• 企业级搜索：基于 Tantivy 的 BM25 关键字、向量和全文搜索，以及通过 Amazon S3 Vectors 或 pgvector 实现的 PB 级向量相似性搜索，适用于结构化和非结构化数据。
• AI 应用与智能代理：一个结合了 OpenAI 兼容 API 和 MCP 集成的 AI 数据库，可驱动检索增强生成（RAG）和智能代理。了解更多。

如果您希望使用 DataFusion、DuckDB 或 Vortex 进行开发，Spice 提供了一个简单、灵活且适合生产环境的引擎，您可以直接使用。

📣 阅读 Spice.ai 1.0 稳定版公告。

Spice 基于业界领先的技术构建，包括 Apache DataFusion、Apache Arrow、Arrow Flight、SQLite 和 DuckDB。

🎥 观看 CMU 数据库如何利用 Spice.ai 开源技术加速数据与 AI

🎥 观看如何使用 Spice、OpenAI 和 MCP 查询数据

🎥 观看如何使用 Amazon S3 Vectors 进行搜索

为什么选择 Spice？

Spice 通过使用户能够使用 SQL 从一个或多个数据源快速、轻松地查询、联邦和加速数据，简化了数据驱动型 AI 应用和智能代理的构建过程，同时确保 AI 始终基于实时、可靠的数据。将数据集与应用和 AI 模型同地部署，以支持 AI 反馈循环、实现 RAG 和搜索，并提供快速、低延迟的数据查询与 AI 推理服务，同时完全掌控成本和性能。

最新功能

• Spice 辣椒数据加速器：使用Vortex 列式格式 + SQLite 元数据，简化多文件加速。提供与 DuckDB 相当的性能，同时不受单文件规模限制。
• 多节点分布式查询：通过集成 Apache Ballista，在多个节点上扩展查询执行，从而提升大规模数据集上的性能。
• 加速快照：从 S3 启动加速，实现快速冷启动（几秒而非几分钟）。支持临时存储，并具备持久化恢复能力。
• Iceberg 表写入：使用标准 SQL INSERT INTO 语句直接写入 Iceberg 表，完成数据摄取和转换——无需 Spark。
• PB 级向量搜索：原生集成 Amazon S3 Vectors，管理从数据摄取、嵌入到查询的完整向量生命周期。结合 RRF 的 SQL 集成混合搜索。

Spice 有何不同？

1. AI 原生运行时：Spice 将数据查询与 AI 推理整合到一个引擎中，实现数据驱动的 AI 和精准的 AI 应用。
2. 以应用为中心：专为在应用和代理级别进行分布式部署而设计，通常采用应用与 Spice 实例之间的 1:1 或 1:N 映射模式，不同于传统数据系统将多个应用集中部署在一个中央数据库上。常见做法是启动多个 Spice 实例，甚至为每个租户或客户单独部署一个实例。
3. 双引擎加速：在数据集层面同时支持 OLAP（Arrow/DuckDB）和 OLTP（SQLite/PostgreSQL）引擎，灵活应对分析型和事务型工作负载。
4. 分离式存储：计算与分离式存储解耦，将本地物化的工作数据集与应用程序、仪表板或 ML 流水线共置，同时访问原始存储中的源数据。
5. 边缘到云端原生：可作为独立实例、Kubernetes Sidecar、微服务或集群部署，覆盖边缘/POP、本地数据中心及公有云环境。可通过串联多个 Spice 实例实现分层优化的分布式部署。

Spice 如何对比？

数据查询与分析

功能	Spice	Trino / Presto	Dremio	ClickHouse	Materialize
主要用例	数据与 AI 应用/代理	大数据分析	交互式分析	实时分析	实时分析
主要部署模式	Sidecar	集群	集群	集群	集群
联邦查询支持	✅	✅	✅	―	―
加速/物化	✅（Arrow、SQLite、DuckDB、PostgreSQL）	中间存储	反射表（Iceberg）	物化视图	✅（实时视图）
元数据目录支持	✅（Iceberg、Unity Catalog、AWS Glue）	✅	✅	―	―
查询结果缓存	✅	✅	✅	✅	有限
多模态加速	✅（OLAP + OLTP）	―	―	―	―
变更数据捕获 (CDC)	✅（Debezium）	―	―	―	✅（Debezium）

AI 应用与代理

功能	Spice	LangChain	LlamaIndex	AgentOps.ai	Ollama
主要用例	数据与 AI 应用	代理式工作流	RAG 应用	代理运营	LLM 应用
编程语言	任意语言（HTTP 接口）	JavaScript、Python	Python	Python	任意语言（HTTP 接口）
统一的数据 + AI 运行时	✅	―	―	―	―
联邦数据查询	✅	―	―	―	―
加速数据访问	✅	―	―	―	―
工具/函数	✅（MCP HTTP+SSE）	✅	✅	有限	有限
LLM 内存	✅	✅	―	✅	―
混合搜索	✅（关键词、向量及全文检索）	✅	✅	有限	有限
缓存	✅（查询及结果缓存）	有限	―	―	―
嵌入表示	✅（内置及可插拔模型/数据库）	✅	✅	有限	―

✅ = 完全支持
❌ = 不支持
有限 = 部分或受限支持

示例用例

基于数据的智能体AI应用

• OpenAI兼容API：通过支持OpenAI响应API的高级交互，连接托管模型（OpenAI、Anthropic、xAI、Amazon Bedrock）或在本地部署（Llama、NVIDIA NIM）。AI网关配方
• 联邦数据访问：使用SQL和NSQL（文本转SQL）跨数据库、数据仓库和数据湖进行查询，并借助高级查询下推实现快速检索。借助Apache Ballista扩展至分布式多节点查询执行。联邦SQL查询配方
• 搜索与RAG：利用加速嵌入技术进行搜索并检索上下文，用于检索增强生成（RAG）工作流。原生集成Amazon S3向量存储，支持PB级向量搜索。通过Tantivy驱动的BM25实现全文搜索（FTS），并通过text_search和vector_searchUDTF将向量相似度搜索（VSS）集成到SQL中。采用互斥排名融合（RRF）实现混合搜索。Amazon S3向量 Cookbook配方
• LLM记忆与可观测性：为AI智能体存储和检索历史及上下文，同时深入洞察数据流、模型性能和追踪信息。LLM记忆配方 | 可观测性与监控功能文档

数据库CDN与查询网格

• 数据加速：将物化数据集与应用程序同地部署，采用Arrow、SQLite、DuckDB、PostgreSQL或Cayenne（Vortex+SQLite）格式，实现亚秒级查询。可通过存储在S3中的快照快速冷启动。使用标准SQL INSERT INTO写入Iceberg表。DuckDB数据加速配方
• 容错与本地数据副本：通过维护关键数据集的本地副本，确保应用程序的可用性。在联邦源发生故障时，可利用加速快照进行恢复。本地数据副本配方
• 响应式仪表板：通过为前端和BI工具加速数据，并配置可调的刷新计划，实现快速的实时分析。销售BI仪表板演示
• 简化遗留系统迁移：使用单一端点统一遗留系统与现代基础设施，包括跨多个数据源的联邦SQL查询。联邦SQL查询配方

检索增强生成（RAG）

• 统一向量相似度搜索：通过原生集成Amazon S3向量存储，实现对结构化和非结构化数据源的高效向量相似度搜索，支持PB级向量存储与查询。Spice运行时管理向量生命周期：摄取数据、使用AWS Bedrock（Amazon Titan、Cohere）、HuggingFace模型或Model2Vec（静态嵌入速度快500倍）进行嵌入，并存储于S3向量桶或pgvector中。支持余弦相似度、欧几里得距离或点积计算。通过vector_search和text_searchUDTF将搜索集成到SQL中，并利用互斥排名融合（RRF）实现混合搜索。示例：SELECT * FROM vector_search(my_table, '搜索查询', 10) WHERE condition ORDER BY _score;。Amazon S3向量 Cookbook配方
• 语义知识层：定义语义上下文模型，以丰富AI所需的数据。语义模型功能文档
• 文本转SQL：利用内置的NSQL和采样工具，将自然语言查询转换为SQL，确保查询准确性。文本转SQL配方

常见问题解答

• Spice是缓存吗？ 并不是严格意义上的缓存；你可以将其理解为一种“主动”缓存、物化或数据预取机制。缓存通常在缓存未命中时才获取数据，而Spice则会根据时间间隔、触发条件或通过CDC监听数据变化来预取和物化筛选后的数据。除了数据加速外，Spice还支持结果缓存。

• Spice是数据库CDN吗？ 是的，Spice的一个常见用法就是作为不同数据源的CDN。借鉴CDN的概念，Spice允许你将数据库（或数据湖、数据仓库）的工作集“运送”（加载）到最常被访问的位置，例如数据密集型应用或用于AI上下文的场景。

➡️ 文档FAQ

观看30秒BI仪表板加速演示

https://github.com/spiceai/spiceai/assets/80174/7735ee94-3f4a-4983-a98e-fe766e79e03a

更多演示请访问YouTube。

支持的数据连接器

名称	描述	状态	协议/格式
databricks (mode: delta_lake)	Databricks	稳定	S3/Delta Lake
delta_lake	Delta Lake	稳定	Delta Lake
dremio	Dremio	稳定	Arrow Flight
duckdb	DuckDB	稳定	嵌入式
file	文件	稳定	Parquet, CSV
github	GitHub	稳定	GitHub API
postgres	PostgreSQL	稳定
s3	S3	稳定	Parquet, CSV
mysql	MySQL	稳定
spice.ai	Spice.ai	稳定	Arrow Flight
graphql	GraphQL	发布候选	JSON
dynamodb	Amazon DynamoDB	发布候选
databricks (mode: spark_connect)	Databricks	测试版	Spark Connect
flightsql	FlightSQL	测试版	Arrow Flight SQL
iceberg	Apache Iceberg	测试版	Parquet
mssql	Microsoft SQL Server	测试版	表格数据流 (TDS)
odbc	ODBC	测试版	ODBC
snowflake	Snowflake	测试版	Arrow
spark	Spark	测试版	Spark Connect
oracle	Oracle	开发中	Oracle ODPI-C
abfs	Azure BlobFS	开发中	Parquet, CSV
clickhouse	Clickhouse	开发中
debezium	Debezium CDC	开发中	Kafka + JSON
gcs, gs	Google Cloud Storage	开发中	Parquet, CSV, JSON
kafka	Kafka	开发中	Kafka + JSON
ftp, sftp	FTP/SFTP	开发中	Parquet, CSV
glue	AWS Glue	开发中	Iceberg、Parquet、CSV
http, https	HTTP(s)	开发中	Parquet、CSV、JSON
imap	IMAP	开发中	IMAP 邮件
localpod	本地数据集复制	开发中
mongodb	MongoDB	开发中
sharepoint	Microsoft SharePoint	开发中	非结构化 UTF-8 文档
scylladb	ScyllaDB	开发中
smb	SMB（服务器消息块）	开发中	SMB
elasticsearch	ElasticSearch	计划中

支持的数据加速器

名称	描述	状态	引擎模式
cayenne	Spice Cayenne (Vortex)	发布候选	file
arrow	内存中的 Arrow 记录	稳定	memory
duckdb	嵌入式 DuckDB	稳定	memory, file
postgres	附加的 PostgreSQL	发布候选	不适用
sqlite	嵌入式 SQLite	发布候选	memory, file

支持的模型提供商

名称	描述	状态	机器学习格式	大语言模型格式
openai	OpenAI（或兼容）大语言模型端点	发布候选版	-	OpenAI 兼容的 HTTP 端点
file	本地文件系统	发布候选版	ONNX	GGUF、GGML、SafeTensor
huggingface	HuggingFace 上托管的模型	发布候选版	ONNX	GGUF、GGML、SafeTensor
spice.ai	Spice.ai 云平台上托管的模型		ONNX	OpenAI 兼容的 HTTP 端点
azure	Azure OpenAI		-	OpenAI 兼容的 HTTP 端点
bedrock	Amazon Bedrock（Nova 模型）	Alpha 版本	-	OpenAI 兼容的 HTTP 端点
anthropic	Anthropic 上托管的模型	Alpha 版本	-	OpenAI 兼容的 HTTP 端点
xai	xAI 上托管的模型	Alpha 版本	-	OpenAI 兼容的 HTTP 端点

支持的嵌入提供商

名称	描述	状态	机器学习格式	大语言模型格式*
openai	OpenAI（或兼容）大语言模型端点	发布候选版	-	OpenAI 兼容的 HTTP 端点
file	本地文件系统	发布候选版	ONNX	GGUF、GGML、SafeTensor
huggingface	HuggingFace 上托管的模型	发布候选版	ONNX	GGUF、GGML、SafeTensor
model2vec	静态嵌入（快 500 倍）	发布候选版	Model2Vec	-
azure	Azure OpenAI	Alpha 版本	-	OpenAI 兼容的 HTTP 端点
bedrock	AWS Bedrock（例如 Titan、Cohere）	Alpha 版本	-	OpenAI 兼容的 HTTP 端点

支持的向量存储

名称	描述	状态
s3_vectors	Amazon S3 向量，用于 PB 级别的向量存储和查询	Alpha
pgvector	PostgreSQL 配合 pgvector 扩展	Alpha
duckdb_vector	DuckDB 配合向量扩展，用于高效向量存储与搜索	Alpha
sqlite_vec	SQLite 配合 sqlite-vec 扩展，用于轻量级向量操作	Alpha

支持的目录

目录连接器可连接到外部目录提供商，并使其表在 Spice 中可供联邦 SQL 查询使用。目前不支持为外部目录中的表配置加速功能。外部目录的模式层次结构将在 Spice 中得以保留。

名称	描述	状态	协议/格式
spice.ai	Spice.ai 云平台	稳定	Arrow Flight
unity_catalog	Unity 目录	稳定	Delta Lake
databricks	Databricks	测试版	Spark Connect、S3/Delta Lake
iceberg	Apache Iceberg	测试版	Parquet
glue	AWS Glue	Alpha	CSV、Parquet、Iceberg

⚡️ 快速入门（本地机器）

https://github.com/spiceai/spiceai/assets/88671039/85cf9a69-46e7-412e-8b68-22617dcbd4e0

安装

安装 Spice CLI：

在 macOS、Linux 和 WSL 上：

curl https://install.spiceai.org | /bin/bash

或者使用 brew：

brew install spiceai/spiceai/spice

在 Windows 上使用 PowerShell：

iex ((New-Object System.Net.WebClient).DownloadString("https://install.spiceai.org/Install.ps1"))

使用方法

步骤 1. 使用 spice init 命令初始化一个新的 Spice 应用程序：

spice init spice_qs

在 spice_qs 目录中会创建一个 spicepod.yaml 文件。切换到该目录：

cd spice_qs

步骤 2. 启动 Spice 运行时：

spice run

示例输出如下：

2025/01/20 11:26:10 INFO Spice.ai 运行时启动中...
2025-01-20T19:26:10.679068Z  INFO runtime::init::dataset: 未配置任何数据集。如果这不是预期行为，请检查 Spicepod 配置。
2025-01-20T19:26:10.679716Z  INFO runtime::flight: Spice 运行时飞行服务正在监听 127.0.0.1:50051
2025-01-20T19:26:10.679786Z  INFO runtime::metrics_server: Spice 运行时指标服务正在监听 127.0.0.1:9090
2025-01-20T19:26:10.680140Z  INFO runtime::http: Spice 运行时 HTTP 服务正在监听 127.0.0.1:8090
2025-01-20T19:26:10.879126Z  INFO runtime::init::results_cache: 已初始化 SQL 结果缓存；最大大小：128.00 MiB，条目 TTL：1s

此时运行时已启动并可接受查询。

步骤 3. 在一个新的终端窗口中，添加 spiceai/quickstart Spicepod。Spicepod 是一种包含数据集和机器学习模型配置的软件包。

spice add spiceai/quickstart

spicepod.yaml 文件将更新为包含 spiceai/quickstart 依赖项。

version: v1
kind: Spicepod
name: spice_qs
dependencies:
  - spiceai/quickstart

spiceai/quickstart Spicepod 将向运行时添加一个 taxi_trips 数据表，现在可以通过 SQL 查询该表。

2025-01-20T19:26:30.011633Z  INFO runtime::init::dataset: 数据集 taxi_trips 已注册（s3://spiceai-demo-datasets/taxi_trips/2024/），启用了加速（arrow）和结果缓存。
2025-01-20T19:26:30.013002Z  INFO runtime::accelerated_table::refresh_task: 正在加载数据集 taxi_trips 的数据
2025-01-20T19:26:40.312839Z  INFO runtime::accelerated_table::refresh_task: 已在 10 秒 299 毫秒内加载了 2,964,624 行数据（399.41 MiB）至数据集 taxi_trips

步骤 4. 启动 Spice SQL REPL：

spice sql

SQL REPL 界面将显示如下：

欢迎来到 Spice.ai SQL REPL！输入 'help' 获取帮助。

show tables; -- 列出可用表
sql>

输入 show tables; 以显示可供查询的表：

sql> show tables;
+---------------+--------------+---------------+------------+
| table_catalog | table_schema | table_name    | table_type |
+---------------+--------------+---------------+------------+
| spice         | public       | taxi_trips    | BASE TABLE |
| spice         | runtime      | query_history | BASE TABLE |
| spice         | runtime      | metrics       | BASE TABLE |
+---------------+--------------+---------------+------------+

时间：0.022671708 秒。3 行。

输入查询语句以显示最长的出租车行程：

SELECT trip_distance, total_amount FROM taxi_trips ORDER BY trip_distance DESC LIMIT 10;

输出：

+---------------+--------------+
| trip_distance | total_amount |
+---------------+--------------+
| 312722.3      | 22.15        |
| 97793.92      | 36.31        |
| 82015.45      | 21.56        |
| 72975.97      | 20.04        |
| 71752.26      | 49.57        |
| 59282.45      | 33.52        |
| 59076.43      | 23.17        |
| 58298.51      | 18.63        |
| 51619.36      | 24.2         |
| 44018.64      | 52.43        |
+---------------+--------------+

时间：0.045150667 秒。10 行。

⚙️ 运行时容器部署

使用本地 Docker 镜像：

docker pull spiceai/spiceai

在 Dockerfile 中：

from spiceai/spiceai:latest

使用 Helm：

helm repo add spiceai https://helm.spiceai.org
helm install spiceai spiceai/spiceai

🏎️ 下一步

探索 Spice.ai 烹饪书

Spice.ai 烹饪书是一系列使用 Spice 的食谱和示例。可在 https://github.com/spiceai/cookbook 找到。

使用 Spice.ai 云平台

通过 Spice 运行时访问 Spice.ai 云平台上托管的即用型 Spicepod 和数据集。公共 Spicepod 列表可在 Spicerack 上找到：https://spicerack.org/。

要使用公共数据集，请在 Spice.ai 上创建一个免费账户：

1. 访问 spice.ai 并点击 免费试用。

2. 创建账户后，创建一个应用以生成 API 密钥。

设置完成后，即可访问包括数据集在内的即用型 Spicepod。在本演示中，使用来自 Spice.ai Quickstart 的 taxi_trips 数据集。

步骤 1. 初始化一个新项目。

# 初始化一个新的 Spice 应用程序
spice init spice_app

# 切换到应用目录
cd spice_app

步骤 2. 使用 spice login 命令从命令行登录并进行身份验证。系统将弹出浏览器窗口提示您进行身份验证：

spice login

步骤 3. 启动运行时：

# 启动运行时
spice run

步骤 4. 配置数据集：

在新的终端窗口中，使用 spice dataset configure 命令配置一个新的数据集：

spice dataset configure

输入一个将在查询中用于引用该数据集的名称。此名称不必与数据集源中的名称一致。

数据集名称：(spice_app) taxi_trips

输入数据集的描述：

描述：出租车行程数据集

输入数据集的位置：

来源：spice.ai/spiceai/quickstart/datasets/taxi_trips

当提示是否加速数据时，选择 y：

是否本地加速（y/n）？ y

您应该会在运行时终端看到以下输出：

2024-12-16T05:12:45.803694Z  INFO runtime::init::dataset: 数据集 taxi_trips 已注册 (spice.ai/spiceai/quickstart/datasets/taxi_trips), 加速方式 (arrow, 每10秒刷新), 结果缓存已启用。
2024-12-16T05:12:45.805494Z  INFO runtime::accelerated_table::refresh_task: 正在加载数据集 taxi_trips 的数据
2024-12-16T05:13:24.218345Z  INFO runtime::accelerated_table::refresh_task: 已为数据集 taxi_trips 加载 2,964,624 行数据（8.41 GiB），耗时 38 秒 412 毫秒。

步骤 5. 在新的终端窗口中，使用 Spice SQL REPL 查询数据集

spice sql

SELECT tpep_pickup_datetime, passenger_count, trip_distance from taxi_trips LIMIT 10;

输出将显示查询结果以及查询执行时间：

+----------------------+-----------------+---------------+
| tpep_pickup_datetime | passenger_count | trip_distance |
+----------------------+-----------------+---------------+
| 2024-01-11T12:55:12  | 1               | 0.0           |
| 2024-01-11T12:55:12  | 1               | 0.0           |
| 2024-01-11T12:04:56  | 1               | 0.63          |
| 2024-01-11T12:18:31  | 1               | 1.38          |
| 2024-01-11T12:39:26  | 1               | 1.01          |
| 2024-01-11T12:18:58  | 1               | 5.13          |
| 2024-01-11T12:43:13  | 1               | 2.9           |
| 2024-01-11T12:05:41  | 1               | 1.36          |
| 2024-01-11T12:20:41  | 1               | 1.11          |
| 2024-01-11T12:37:25  | 1               | 2.04          |
+----------------------+-----------------+---------------+

时间：0.00538925 秒。10 行。

您可以尝试使用未加速的数据集来体验查询生成所需的时间。您可以在 datasets.yaml 文件中将加速设置从 true 更改为 false。

📄 文档

完整的文档可在 spiceai.org/docs 上找到。

超过 45 个快速入门和示例可在 Spice Cookbook 中找到。

🔌 可扩展性

Spice.ai 被设计为可扩展的，并在 EXTENSIBILITY.md 中记录了扩展点。您可以构建自定义的 数据连接器、数据加速器、目录连接器、秘密存储、模型 或 嵌入。

🔨 即将推出的功能

🚀 请参阅 Roadmap 以了解即将推出的功能。

🤝 与我们联系

我们非常感谢并珍视您的支持！您可以通过多种方式帮助 Spice：

• 使用 Spice.ai 构建应用程序，并通过 hey@spice.ai 或在 Discord、X 或 LinkedIn 上向我们发送反馈和建议。
• 如果您发现某些功能未能正常工作，请 提交问题。
• 加入我们的团队 (我们正在招聘！)。
• 为项目贡献代码或文档（请参阅 CONTRIBUTING.md）。
• 关注我们的博客 spiceai.org/blog。

⭐️ 请给这个仓库加星标！感谢您的支持！ 🙏

Spice.ai 快速上手指南

Spice 是一个用 Rust 编写的高性能 SQL 查询、搜索和 LLM 推理引擎，专为数据应用和 AI 智能体设计。它支持数据联邦、加速缓存、向量搜索以及 OpenAI 兼容的 API，帮助开发者构建基于真实数据的 AI 应用。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (x86_64/aarch64), macOS (Intel/Apple Silicon), 或 Windows (WSL2 推荐)。
• 容器运行时（可选但推荐）：Docker 或 Podman，用于快速部署。
• 网络环境：需要能够访问 GitHub 容器仓库或 Docker Hub。
  • 国内加速建议：如果拉取镜像缓慢，建议配置 Docker 镜像加速器（如阿里云、腾讯云等提供的加速地址），或在 spiced 启动时通过环境变量代理网络请求。

安装步骤

您可以选择使用 Docker 快速运行，或直接下载二进制文件。

方式一：使用 Docker 运行（推荐）

这是最简单的方式，无需安装额外依赖即可启动 spiced 服务。

docker run --rm -p 3000:3000 -p 50051:50051 ghcr.io/spiceai/spiced:latest

• 3000: HTTP API 端口（SQL, OpenAI 兼容接口等）。
• 50051: Arrow Flight SQL 端口。

方式二：安装命令行工具 (spice CLI)

为了方便管理配置和交互，建议安装官方 CLI 工具。

macOS / Linux:

curl -fsSL https://install.spiceai.org | bash

Windows (PowerShell):

iwr -useb https://install.spiceai.org/install.ps1 | iex

安装完成后，验证版本：

spice --version

基本使用

以下示例展示如何初始化一个项目、连接数据源并进行简单的 SQL 查询。

1. 初始化项目

使用 CLI 创建一个新的 Spice 项目目录：

spice init my_data_app
cd my_data_app

这将生成一个 spicepod.yaml 配置文件，用于定义数据源和加速策略。

2. 配置数据源

编辑 spicepod.yaml，添加一个示例数据源（例如公共的 HTTPS CSV 文件或数据库）。以下是一个连接公开数据集并启用本地加速的配置示例：

version: v1.0
kind: Spicepod
name: my_data_app

datasets:
  - from: spiceai:eth.recent_blocks
    name: eth_blocks
    description: "Recent Ethereum blocks"
    acceleration:
      enabled: true
      engine: duckdb
      mode: file

注：spiceai: 前缀表示使用 Spice 云托管的示例数据。您也可以替换为 postgres:, mysql:, s3: 等任意支持的数据源。

3. 启动服务

在项目目录下启动 spiced 守护进程：

spice run

服务启动后，您将看到类似以下的日志，表明引擎已就绪并加载了数据集：

INFO spiced: Ready on port 3000
INFO spiced: Dataset eth_blocks loaded and accelerated

4. 执行 SQL 查询

保持 spice run 运行的同时，打开一个新的终端窗口，使用 CLI 执行 SQL 查询：

spice sql "SELECT block_number, timestamp FROM eth_blocks LIMIT 5;"

或者使用标准的 PostgreSQL 客户端（因为 Spice 暴露了 Postgres 兼容接口）：

psql -h localhost -p 5432 -U spice -d spice -c "SELECT block_number FROM eth_blocks LIMIT 5;"

5. 使用 AI/LLM 功能 (可选)

Spice 原生支持 OpenAI 兼容接口。如果您配置了 LLM 模型，可以直接通过 HTTP 调用：

curl http://localhost:3000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "local-model",
    "messages": [{"role": "user", "content": "Summarize the latest ethereum blocks data."}]
  }'

现在您已经成功运行了 Spice，可以进一步探索其数据联邦、向量搜索（Vector Search）或与 LangChain/MCP 集成的能力。