Weaviate

3周前发布 8 0 0

BSD-3-Clause 许可的开源 AI-native 向量数据库，Go 编写，BM25+向量原生混合检索，模块化向量化器，十亿级毫秒检索。

收录时间：

2026-08-24

打开网站手机查看

向量数据库 # Weaviate

Weaviate

打开网站

Weaviate 是 Weaviate Industries 开源的AI-native 向量数据库，BSD-3-Clause 许可，核心引擎用 Go 编写。它把对象数据与向量嵌入统一存储，在单一查询接口中融合向量相似度搜索、BM25 关键字搜索、RAG 生成式搜索与重排。

官方定位：”The AI database developers love” ——提供 Vector Database、Query Agent、Embeddings、Engram 四大核心能力。核心差异化：hybrid search 操作符原生融合 BM25 与向量搜索，alpha 参数调节权重（默认 0.75），fusionType 支持 rankedFusion（默认）与 relativeScoreFusion 。它是向量数据库分类中“AI-native + 混合检索原生”的代表作。

产品概述

Weaviate 由 Bob van Luijt 等人于 2019 年在阿姆斯特丹创立，核心引擎用 Go 编写，是首批提出”AI-native vector database”理念的向量数据库之一。官方服务页面描述：”Weaviate is an open-source vector database that simplifies the development of AI applications. Built-in vector and hybrid search, easy-to-connect machine learning models, and a focus on data privacy enable developers of all levels to build, iterate, and scale AI capabilities faster” 。

核心定位哲学：

官网首页开宗明义——”Design, build and ship complete AI experiences. Vector search, RAG, and memory – all in one open-source platform” 。四个不可妥协的设计原则：

AI-native 优先：向量搜索、RAG、Agent memory 是一等公民，而非附加功能
混合检索原生：BM25 + 向量在数据库内核层融合，单一查询接口
模块化向量化器：内置 OpenAI/Cohere/HuggingFace/Google 等向量化模块，无需外部 pipeline
部署无关：自托管、托管云、BYOC 同一引擎，自由切换

它做什么 / 不做什么（关键归类）：

✅ 做：作为向量数据库服务运行 → 接收对象数据 → 通过模块化向量化器（或用户自带向量）生成嵌入 → 构建 HNSW 索引 → 接收查询 → 在单一接口中执行 pure vector / BM25 / hybrid / multimodal 搜索 → 可选 generative search 调用 LLM 生成答案 → 通过 REST/gRPC/GraphQL 返回
❌ 不做：不生成 Embeddings 模型本身（需通过模块化向量化器调用外部模型 API）、不做业务级 Agent 编排（是 Agent 的 retrieval/memory 底座，v1.37 起提供预览版原生 MCP server ）
本质是 AI-native 向量数据库：它是向量数据库分类中“混合检索最原生”的代表——hybrid 操作符是数据库内核的一等公民，BM25 与向量搜索的融合算法（rankedFusion / relativeScoreFusion）可在查询层配置，而不像某些向量库那样需要应用层手动融合两次查询。

技术架构 ：

实现语言：Go（为速度与可靠性而构建）
索引算法：HNSW（Hierarchical Navigable Small World）
搜索操作符：
- 向量搜索：nearVector、nearObject、nearText（模块启用时）、nearImage（多模态）
- 关键字搜索：bm25
- 混合搜索：hybrid（BM25 + 向量融合）
接口：REST API + gRPC API + GraphQL API
客户端 SDK：Python、JavaScript/TypeScript、Go、Java、C#/.NET
模块化架构：
- Vectorizer Modules：text2vec-openai、text2vec-cohere、text2vec-huggingface、multi2vec-clip（多模态）、multi2vec-bind（多模态）等
- Generative Modules：generative-openai、generative-anthropic、generative-cohere、generative-google 等
- Reranker Modules：集成重排模型
部署拓扑 ：
- 自托管 Docker：docker run -p 8080:8080 -p 50051:50051 cr.weaviate.io/semitechnologies/weaviate:latest
- 自托管 Kubernetes：Helm charts，生产推荐路径
- Embedded Weaviate：实验性，客户端进程内启动本地 Weaviate
- Weaviate Cloud：Shared（基础设施由 Weaviate 管理）/ Dedicated（单租户集群）
- BYOC：在客户的 AWS/GCP/Azure VPC 中运行，Weaviate 管理控制面
能力矩阵：十亿级向量毫秒检索、高级混合搜索与图像搜索、集成 RAG 与重排、原生水平扩展、多租户、复制、细粒度 RBAC、向量压缩（量化与多向量编码）、Object TTL

v1.37 关键演进（2026 年 4 月）：

原生 MCP Server（Preview）：MCP 兼容客户端可直接查询数据库
Diversity Search（MMR Preview）：最大边际相关减少结果冗余
可扩展分词器、查询性能分析、增量备份
Gemini Audio 支持：multi2vec-google 模块新增 Gemini 音频

生产验证 ：

客户案例：9B 向量生产部署（某 RAG 客户）
50K+ 租户存储在单一集群（某搜索客户）
42M 向量生产部署，1 天完成企业部署（某银行客户）
200+ 小时数据库维护时间节省

💡 与同层向量数据库的关键差异：

vs Milvus：Milvus 是 Go/C++ 云原生分布式，主打万亿级规模；Weaviate 是 Go 编写 AI-native 数据库，主打混合检索原生与模块化 AI 能力，十亿级规模毫秒检索

vs Qdrant：Qdrant 是 Rust 编写，过滤检索最强、量化降内存极致；Weaviate 是 Go 编写，混合检索原生、模块化向量化器、AI-native 全栈能力

vs Vespa：Vespa 是搜索+向量+排序+ML 推理一体化引擎，复杂但强大；Weaviate 专注向量数据库核心，但通过模块化 Vectorizer/Generative/Reranker 模块实现 AI 能力内聚

vs Pinecone：Pinecone 是全托管 SaaS（闭源）；Weaviate 开源 BSD-3-Clause，自托管/托管云/BYOC 多形态，无供应商锁定

vs VikingDB（已收录）：VikingDB 是火山/BytePlus 云原生全托管向量数据库，百亿级、多模态、稠密+稀疏混合检索、存算分离；Weaviate 是开源等价物，混合检索原生，自托管可控

核心能力

-原生混合检索（核心差异化）

hybrid 操作符：单一查询同时执行 BM25 与向量搜索
alpha 权重调节：0=纯 BM25，1=纯向量，0.75 默认，0.5 均衡
融合算法可选：
- rankedFusion（默认）：倒排排名相加融合
- relativeScoreFusion：归一化分数相加融合
bm25SearchOperator：v1.31.0+ 支持配置 BM25 查询 token 匹配阈值
最佳实践：AIMultiple 2026 年 7 月基准测试显示，在 5 万文档医学/技术语料上，Weaviate 的混合融合相较纯向量搜索带来可测量的 +0.030 nDCG 提升

-AI-native 模块化

Vectorizer Modules：text2vec-openai、text2vec-cohere、text2vec-huggingface、text2vec-google、multi2vec-clip（图文多模态）、multi2vec-bind（多模态）等
Generative Modules：generative-openai、generative-anthropic、generative-cohere、generative-google、generative-ollama（本地）
Reranker Modules：集成重排模型
自带或外接：既可让 Weaviate 在导入时自动向量化，也可导入预生成向量
No external embedding pipeline required：内置向量生成，从文本、图像等直接生成

-多模态与命名向量

多模态搜索：依赖 multi2vec-clip、multi2vec-bind 等模块，支持文本↔图像跨模态搜索
Named Vectors：同一集合中可配置多个命名向量，查询时指定 target_vector
nearText / nearImage / nearObject：模块启用时的多模态查询操作符

-集成 RAG 与重排

Generative Search：查询时调用配置的 LLM 生成答案，支持 single_prompt（逐对象生成）与 grouped_task（分组任务）
Reranking：内置重排能力
Query Agent（v1.30+）：将自然语言问题自动转化为优化的 Weaviate 查询，无需手动构造查询
Translation Agent（v1.30+）：用生成模型增强现有对象

-生产级可靠性

十亿级毫秒检索：官方基准测试显示十亿级向量毫秒级搜索
原生水平扩展：原生支持水平扩展、多租户、复制
细粒度 RBAC：v1.29/1.30+ 内置 RBAC 系统，可在集合、租户、操作级别钉固权限
向量压缩：向量量化与多向量编码降低内存占用，对搜索性能影响最小
Object TTL：按集合配置自动过期与清理陈旧数据
可配置备份：零停机备份
租户隔离：严格资源隔离确保安全
v1.34 可观测性：30+ 新监控指标，Prometheus 格式暴露

-多形态部署

自托管 Docker：docker run -p 8080:8080 -p 50051:50051 cr.weaviate.io/semitechnologies/weaviate:latest
自托管 Kubernetes：Helm charts，生产推荐路径
Embedded Weaviate：实验性，Python/Node.js 脚本内启动本地进程
Weaviate Cloud Shared：基础设施由 Weaviate 管理
Weaviate Cloud Dedicated：单租户专用集群
BYOC：在客户 AWS/GCP/Azure VPC 中运行，Weaviate 管理控制面
核心引擎一致性：跨部署模式使用相同 Weaviate Database

-开发者体验

多语言 SDK：Python、JavaScript/TypeScript、Go、Java、C#/.NET
三协议接口：REST API、gRPC API、GraphQL API
Python Client v4：pip install -U weaviate-client
快速起步：client = weaviate.connect_to_local()

-生态集成

RAG 框架：LangChain、LlamaIndex、Haystack、Agno
模型提供商：OpenAI、Cohere、Hugging Face、Google 等通过模块系统集成
MCP Server（v1.37 Preview）：MCP 兼容客户端与编程 Agent 可直接查询
Verba：Weaviate 官方 RAG 参考应用

优势亮点

BSD-3-Clause 许可：宽松许可，允许商用、修改、分发（需保留版权声明）
AI-native 设计哲学：Vector search、RAG、Agent memory 是一等公民
混合检索最原生：hybrid 操作符 + alpha 权重 + 双融合算法，单一查询接口完成 BM25+向量融合
模块化向量化器：内置 OpenAI/Cohere/HuggingFace/Google 等，无需外部 embedding pipeline
十亿级毫秒检索：Go 编写的高性能引擎，十亿级向量毫秒级搜索
多模态原生：multi2vec-clip、multi2vec-bind 模块支持文本↔图像跨模态搜索
查询代理（Query Agent）：自然语言自动转查询，降低使用门槛
部署无关：自托管/Docker/K8s/Weaviate Cloud/BYOC 同一引擎，自由切换无供应商锁定
企业级多租户：50K+ 租户单一集群生产验证，严格资源隔离
细粒度 RBAC：v1.29+ 内置，集合/租户/操作级权限控制
v1.37 原生 MCP Server：MCP 兼容客户端与编程 Agent 可直接查询（Preview）
生产验证充分：9B 向量、42M 向量、50K+ 租户等大规模生产案例
SOC 2 Type II 认证：企业级合规，HIPAA 在 Enterprise/Dedicated（AWS）可用
~16.7K GitHub Stars：AI-native 向量数据库社区认知度最高之一
2026 基准优异：AIMultiple 测试 32 并发 worker 下达 8,330 QPS 峰值吞吐，七引擎中最高

局限

自己不生成 Embeddings 模型：需通过模块化向量化器调用外部模型 API（OpenAI/Cohere/Google 等），或用户预生成向量导入
超大规模不及 Milvus：Milvus 分布式架构可达万亿级；Weaviate 官方定位十亿级毫秒检索
过滤检索不如 Qdrant 极致：Qdrant 的 HNSW 遍历期过滤在 metadata-heavy 场景召回率与延迟表现更强；Weaviate 的高级过滤在毫秒级响应大型数据集
搜索+排序一体化不如 Vespa：Vespa 内置分布式 ML 模型推理做 relevance ranking；Weaviate 通过 Reranker 模块实现，重排能力依赖外部模块
BSD-3-Clause 许可：虽宽松，但相比 Apache-2.0/MIT 未明确包含专利授权条款
Python Client v3→v4 破坏性变更：导入结构、对象模型、查询 API 全部改写，迁移需投入
Schema-first 设计摩擦：任何元数据结构调整需 schema 迁移，而非简单插入字段
GraphQL 查询冗长：复杂查询的 GraphQL 语法较为繁琐
自托管运维负担：K8s 生产部署需要容器编排、复制、集群管理经验
与 Pinecone 对比：Pinecone 全托管零运维但闭源+供应商锁定；Weaviate 开源可控但自托管需运维（或用 Weaviate Cloud）
量化精度权衡：向量压缩（量化与多向量编码）在降低内存的同时对搜索性能有微小影响
v1.37 MCP Server 仍为 Preview：生产使用需评估稳定性

适用人群

AI-native 应用开发者：希望向量搜索、RAG、Agent memory 作为数据库原生能力
混合检索需求方：需要 BM25 精确匹配 + 向量语义理解的 RAG/搜索应用
多模态检索系统：图文跨模态搜索、多模态 RAG
企业多租户 SaaS：需要严格租户隔离的 SaaS 平台（50K+ 租户单一集群验证）
数据主权与合规：金融、医疗、政企等受监管行业，需自托管或 BYOC
EU 数据驻留：Weaviate 阿姆斯特丹总部，SOC 2 Type II + HIPAA（AWS）合规
RAG 生产系统：需要 hybrid search + generative search + reranking 的统一查询接口
Agent 记忆层：v1.37 原生 MCP Server 让 Agent 直接查询数据库
不想供应商锁定：BSD-3-Clause 开源，自托管/托管云/BYOC 自由切换
已有 K8s 基础设施：Helm charts 生产部署

安装与部署

1. 环境要求

Linux x86_64 / ARM64
Docker（快速起步）或 Kubernetes（生产）
自托管：单二进制容器，无外部依赖

2. Docker 一键启动

# 启动 Weaviate 服务
docker run -p 8080:8080 -p 50051:50051 \
  -e AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED=true \
  -e PERSISTENCE_DATA_PATH=/var/lib/weaviate \
  cr.weaviate.io/semitechnologies/weaviate:latest

# REST API: http://localhost:8080
# gRPC: localhost:50051

3. Python SDK 快速使用

import weaviate
import weaviate.classes as wvc

# 连接本地 Weaviate
client = weaviate.connect_to_local(
    headers={"X-OpenAI-Api-Key": "your-openai-key"}  # 用于内置向量化器
)

# 创建集合（自动向量化）
client.collections.create(
    name="Article",
    vectorizer_config=wvc.config.Configure.Vectorizer.text2vec_openai(),
    generative_config=wvc.config.Configure.Generative.openai()
)

# 插入数据（自动生成嵌入）
collection = client.collections.get("Article")
collection.data.insert({"title": "Hello world"})

# 纯向量搜索
response = collection.query.near_text(
    query="login issues after OS upgrade",
    limit=5
)

# 混合搜索（BM25 + 向量，alpha=0.75 默认）
response = collection.query.hybrid(
    query="login issues after OS upgrade",
    alpha=0.75,
    limit=5
)

# 生成式搜索（RAG）
response = collection.generate.near_text(
    query="login issues after OS upgrade",
    limit=2,
    single_prompt="Summarize this article: {title}"
)

client.close()

4. Kubernetes 生产部署

# 使用 Helm charts
# 生产自托管推荐路径
helm repo add weaviate https://weaviate.github.io/weaviate-helm
helm install my-weaviate weaviate/weaviate

# 或参考 GKE 部署教程
# https://cloud.google.com/kubernetes-engine/docs/deploy-weaviate-on-gke

5. Weaviate Cloud 全托管

import weaviate
import weaviate.classes as wvc

# 连接 Weaviate Cloud
client = weaviate.connect_to_weaviate_cloud(
    cluster_url="your-cluster-id.weaviate.network",
    auth_credentials=wvc.init.Auth.api_key("your-api-key"),
    headers={"X-OpenAI-Api-Key": "your-openai-key"}
)

# 后续 API 与自托管完全一致

6. 混合检索深度配置

# 使用 relativeScoreFusion 替代默认 rankedFusion
response = collection.query.hybrid(
    query="login issues after OS upgrade",
    alpha=0.5,  # BM25 与向量均衡
    fusion_type="relativeScoreFusion",
    limit=5
)

# 配置 bm25 搜索操作符（v1.31.0+）
response = collection.query.hybrid(
    query="error code 404",
    alpha=0.3,  # 偏向 BM25
    bm25_search_operator={
        "minimum_number_should_match": 1
    },
    limit=5
)

7. 部署前必检清单

确认仓库位于 github.com/weaviate/weaviate（官方）
许可：BSD-3-Clause ，宽松许可需保留版权声明
严格属于向量数据库分类，“AI-native + 混合检索原生”子类
官方定位：”The AI database developers love”
开发方：Weaviate Industries B.V.（Amsterdam，2019 年创立）
实现语言：Go
最新版本：v1.38.x（2026 年 8 月）；v1.37（2026 年 4 月）引入原生 MCP Server Preview
社区规模：~16.7K GitHub Stars
核心能力：
- 原生混合检索（hybrid 操作符，alpha 权重，rankedFusion/relativeScoreFusion 双融合算法）
- 模块化向量化器（OpenAI/Cohere/HuggingFace/Google/multi2vec-clip/multi2vec-bind）
- 多模态搜索（文本↔图像跨模态）
- Named Vectors（多向量）
- 集成 RAG（Generative Search）+ Reranking
- Query Agent（自然语言转查询）
- 十亿级向量毫秒检索
- 原生水平扩展、多租户、复制、细粒度 RBAC
- 向量压缩（量化与多向量编码）、Object TTL
接口：REST API + gRPC API + GraphQL API
SDK：Python、JavaScript/TypeScript、Go、Java、C#/.NET
部署形态：自托管 Docker / K8s / Embedded（实验）/ Weaviate Cloud（Shared & Dedicated）/ BYOC
合规：SOC 2 Type II 认证；HIPAA 在 Enterprise/Dedicated（AWS）可用
定价：Free 层 $0（10 万对象）；Flex 从 $45/月起；Plus 从 $280/月；Premium 从 $400/月；BYOC 从 ~$1,390/月
自己不生成 Embeddings 模型，需通过模块化向量化器调用外部 API 或导入预生成向量

Weaviate

产品概述

核心能力

优势亮点

局限

适用人群

安装与部署

1. 环境要求

2. Docker 一键启动

3. Python SDK 快速使用

4. Kubernetes 生产部署

5. Weaviate Cloud 全托管

6. 混合检索深度配置

7. 部署前必检清单

相关导航

Vespa

Pinecone

Milvus

Qdrant

VikingDB