Weaviate 是一款开源、云原生的向量数据库，同时存储对象和向量，支持大规模语义搜索。它将向量相似度搜索、关键词过滤、检索增强生成（RAG）和重排序功能整合到单个查询接口中，是构建 AI 应用的理想数据底座。

Weaviate —— AI 开发者最爱的开源向量数据库

环境要求

• Docker 20.10+（推荐方式）
• 内存：最低 4GB RAM，生产环境建议 8GB+
• 存储：持久化卷（可选，用于数据持久化）
• 客户端：Python 3.8+、Node.js 16+、Java 11+、Go 1.18+ 可选

快速安装（Docker 本地部署）

第一步：创建 docker-compose.yml 配置文件：

services:
  weaviate:
    image: cr.weaviate.io/semitechnologies/weaviate:1.36.0
    ports:
      - "8080:8080"
      - "50051:50051"
    environment:
      ENABLE_MODULES: text2vec-model2vec
      MODEL2VEC_INFERENCE_API: http://text2vec-model2vec:8080

  # 轻量级嵌入模型，导入数据时会自动生成向量
  text2vec-model2vec:
    image: cr.weaviate.io/semitechnologies/model2vec-inference:minishlab-potion-base-32M

第二步：启动服务

docker compose up -d

第三步：安装 Python 客户端

pip install -U weaviate-client

也可以使用 Weaviate Cloud 托管服务（免费试用），或部署到 Kubernetes、AWS、GCP 等云平台。

场景一：RAG（检索增强生成）系统

将企业文档、知识库导入 Weaviate，结合 LLM 构建精准问答系统。Weaviate 负责语义检索召回相关段落，LLM 负责生成最终答案，大幅降低幻觉率。

import weaviate
from weaviate.classes.query import Filter

client = weaviate.connect_to_local()

# 语义搜索 + 元数据过滤
results = client.collections.get("Document").query.near_text(
    query="如何申请退款？",
    limit=5,
    filters=Filter.by_property("category").equal("help")
)
for obj in results.objects:
    print(obj.properties["content"])

场景二：语义搜索 & 推荐引擎

电商、内容平台可用 Weaviate 实现”理解意图”的搜索体验。用户输入自然语言查询，系统返回语义最匹配的商品或内容，而非简单的关键词匹配。

Weaviate 也支持多模态搜索（文本 + 图像），用户可用图片搜索相似商品，或用文本描述搜索相关图片。

import weaviate
from weaviate.classes.config import Configure, DataType, Property

# 连接本地 Weaviate 服务
client = weaviate.connect_to_local()

# 创建集合（类似关系数据库的表）
client.collections.create(
    name="Article",
    properties=[Property(name="content", data_type=DataType.TEXT)],
    # 使用 Model2Vec 向量化器，导入时自动生成向量
    vector_config=Configure.Vectors.text2vec_model2vec(),
)

# 插入数据并自动生成向量
articles = client.collections.get("Article")
articles.data.insert_many([
    {"content": "Vector databases enable semantic search"},
    {"content": "Machine learning models generate embeddings"},
    {"content": "Weaviate supports hybrid search capabilities"},
])

# 执行语义搜索
results = articles.query.near_text(query="Search objects by meaning", limit=1)
print(results.objects[0].properties["content"])

client.close()

Weaviate 是我推荐的向量数据库首选之一，尤其适合以下场景：

• 与已发布的同类项目对比：Qdrant（Rust，极致性能）、Milvus（分布式，大规模）、Chroma（轻量，快速上手）—— Weaviate 则胜在生态最完整和集成最丰富
• AI Agent 生态集成：Weaviate 积极拥抱 AI Agent 生态，官方提供 Agent Skills，支持 Claude Code、Cursor 等 AI 编码工具直接操作
• 多语言 SDK 覆盖最全：Python、JavaScript/TypeScript、Java、Go、C#/.NET 五大官方 SDK，社区还有 Rust、PHP、Ruby 等扩展
• BSD-3-Clause 许可：商业友好，可自由修改和分发，适合企业内嵌使用

如果你正在构建 RAG 系统、语义搜索功能，或任何需要”理解语义”的 AI 应用，Weaviate 值得作为向量数据库的第一选择进行评估。

✝️ 开源协议：BSD 3-Clause License | 开发语言：Go | 2016年发布，持续维护至今