- 综合排序
- 最热优先
- 最新优先
- 来自专栏DeepHub IMBA
开源向量数据库比较：Chroma, Milvus, Faiss,Weaviate
Weaviate Weaviate 是一个开源的向量搜索引擎，它采用了最新的机器学习模型来优化向量搜索和存储。 Weaviate 使用图数据结构来组织数据，支持高效的向量索引和近似最近邻（ANN）搜索。 以下是 Weaviate 的一些关键特性： 基于图的数据模型：Weaviate 使用图数据结构来存储和管理数据，每个数据点都作为图中的一个节点，这些节点可以通过边相互连接，以表示复杂的数据关系。 实时索引与查询：Weaviate 设计了实时数据索引和查询的能力，支持在大规模数据集上进行高效的向量搜索。 Weaviate则提供了GraphQL-based API，强调与知识图的灵活高效交互。
38.8K31编辑于 2024-04-25 - 来自专栏自然语言处理
【Weaviate官方指南】请查收一份RAG高阶技巧！
官方链接：https://weaviate.io/ebooks/advanced-rag-techniques Indexing Optimization Techniques 通过数据预处理和分块策略来优化索引
36610编辑于 2025-01-17 - 来自专栏Reinvent Data Science
如何选择向量数据库｜Weaviate Cloud v.s. Zilliz Cloud
例如 Weaviate 推出开源向量数据库，凭借其易用、开发者友好、上手快速、API 文档齐全等特点脱颖而出。 Weaviate 更适合需要快速集成向量数据库的开发人员。 本文将撇开这些表面差异，通过比较二者的性能基准测试结果和 Weaviate Cloud 的相关特性，深入探究 Weaviate Cloud 和 Zilliz Cloud 的差异。 01. 由此可以看出，Zilliz Cloud 在该指标上全面碾压 Weaviate Cloud。 由此可以看出，Zilliz Cloud 在该指标上全面碾压 Weaviate Cloud。
88520编辑于 2023-10-27 - 来自专栏自然语言处理
【RAG落地利器】向量数据库Weaviate部署与使用教程
安装 Weaviate 从 Docker Hub 下载 Weaviate 的最新镜像： docker pull semitechnologies/weaviate:latest 如果拉取镜像速度较慢，可以尝试替换镜像源 2.3 运行 Weaviate 容器 使用以下命令运行 Weaviate 容器： docker run -d --name weaviate \ --restart=always \ - 文件，内容如下： import weaviate from weaviate.auth import AuthApiKey # 连接到本地部署的 Weaviate client = weaviate.connect_to_local 安装 Weaviate Python 客户端 首先，确保你已经安装了 Weaviate 的 Python 客户端： pip install weaviate-client 2. 连接 Weaviate 数据库 import weaviate from weaviate.auth import AuthApiKey # 连接到本地 Weaviate 实例 client = weaviate.connect_to_local
6.2K10编辑于 2025-01-23 - 来自专栏为了不折腾而去折腾的那些事
福布斯 AI 50 榜单中唯一开源向量数据库：Weaviate
使用 Docker 启动 Weaviate 和 AI 服务 Weaviate 和其他向量数据库产品或者用户量更大的支持向量功能的数据库不同的是，它的原生向量模块。 /weaviate" "github.com/weaviate/weaviate-go-client/v4/weaviate/auth" "github.com/weaviate/weaviate-go-client /v4/weaviate/graphql" "github.com/weaviate/weaviate/entities/models" ) func init(){ os.Setenv("WEAVIATE_INSTANCE_URL ://weaviate.io/developers/weaviate/client-libraries [12] soulteary/weaviate-quickstart/main.go: https /developers/weaviate/client-libraries/go [15] 水平扩展: https://weaviate.io/developers/weaviate/concepts/
1.2K22编辑于 2024-07-02 - 来自专栏为了不折腾而去折腾的那些事
福布斯 AI 50 榜单中唯一开源向量数据库：Weaviate
git clone https://github.com/soulteary/weaviate-quickstart.gitcd weaviate-quickstart用于计算相似度的数据集为了更好的演示语义检索 使用 Docker 启动 Weaviate 和 AI 服务Weaviate 和其他向量数据库产品或者用户量更大的支持向量功能的数据库不同的是，它的原生向量模块。 ("context""encoding/json""fmt""os""time""github.com/weaviate/weaviate-go-client/v4/weaviate""github.com /weaviate/weaviate-go-client/v4/weaviate/auth""github.com/weaviate/weaviate-go-client/v4/weaviate/graphql ""github.com/weaviate/weaviate/entities/models")func init() {os.Setenv("WEAVIATE_INSTANCE_URL", "localhost
1K11编辑于 2024-06-27 - 来自专栏DeepHub IMBA
向量数据库对比：Pinecone、Chroma、Weaviate 的架构与适用场景
三种选择：Pinecone 用于生产级规模，Chroma 用于本地原型开发，Weaviate 用于混合搜索。 Weaviate：用于混合搜索 纯语义搜索与纯关键词搜索都不总是最优解。语义搜索会漏掉精确匹配，用户查询"RFC 7519"时，关键词匹配远比语义相似度更快定位到结果。 基本混合搜索 import weaviate client = weaviate.connect_to_wcs(cluster_url='…', auth_credentials=…) collection 先用 Chroma 搭建第一个 RAG 系统，日后需要扩展至生产环境，迁移到 Pinecone 或 Weaviate 只需几小时——前提是接口足够干净。
29110编辑于 2026-04-15 - 来自专栏自然语言处理
【RAG落地利器】Weaviate、Milvus、Qdrant 和 Chroma 向量数据库对比
向量数据库简介 Weaviate 简介：Weaviate 是一个开源的向量搜索引擎，采用图数据结构来组织数据，支持高效的向量索引和近似最近邻（ANN）搜索。 Weaviate 和 Milvus 更适合需要复杂数据处理和机器学习集成的场景，而 Qdrant 和 Chroma 则更注重高效的向量搜索和灵活的查询功能。 本文将对四款主流的开源向量数据库——Weaviate、Milvus、Qdrant 和 Chroma 进行详细对比，帮助开发者根据实际需求选择最合适的数据库。 1. Chroma 快速原型开发、小规模应用、多媒体内容处理（如音频、视频） 总结： Weaviate 适合需要复杂查询和语义理解的场景。 参考资料 向量数据库 开源向量数据库比较：Chroma, Milvus, Faiss,Weaviate 向量数据库对比:Weaviate、Milvus和Qdrant
4.7K13编辑于 2025-01-23 - 来自专栏福大大架构师每日一题
weaviate v1.32.5 版本发布：全面优化数据存储与系统稳定性
在这里插入图片描述 Weaviate 开源向量搜索引擎于2025年8月30日正式发布了v1.32.5版本，这是一个以修复关键问题为主的维护版本。 Roaring Bitmap数据切片长度处理优化 Roaring Bitmap作为Weaviate中高效存储和操作大规模数据集的核心数据结构，其稳定性直接关系到整个系统的性能表现。 HNSW索引同步快照机制修复 HNSW（Hierarchical Navigable Small World）算法作为Weaviate的核心近似最近邻搜索技术，其索引的一致性至关重要。 LSM存储空键值处理增强 Log-Structured Merge-Tree（LSM）作为Weaviate的底层存储引擎，其处理空键值的能力直接影响数据存储的健壮性。 确认所有节点间的时钟同步状态 结论 Weaviate v1.32.5版本虽然是一个维护性更新，但解决了多个影响系统稳定性的关键问题。
23810编辑于 2025-12-18 - 来自专栏AI.NET极客圈
.NET 原生驾驭 AI 新基建实战系列（七）：Weaviate ── 语义搜索的智能引擎创新者
同时，微软的开源框架 Semantic Kernel 将 Weaviate 集成到其生态系统中，进一步增强了构建智能应用的能力。 Weaviate 的背景和特点 什么是 Weaviate？ Weaviate 的核心特点 高性能相似性搜索 Weaviate 采用先进的索引技术（如 HNSW，层次可导航小世界图），能够在海量高维向量数据中快速找到与查询向量最相似的结果。 Weaviate 的使用方法 为了帮助读者掌握 Weaviate 的使用方法，以下通过详细的 C# 代码示例，展示如何操作 Weaviate 并将其集成到 Semantic Kernel 中。 1. 配置 Weaviate 客户端 在使用 Weaviate 之前，需要初始化客户端实例，提供服务端点和 API 密钥。 参考文献 Weaviate 官方文档：https://weaviate.io/developers/weaviate Semantic Kernel GitHub 仓库：https://github.com
76710编辑于 2025-05-13 - 来自专栏福大大架构师每日一题
weaviate v1.30.6正式发布！写缓冲区立即刷新，稳定性飞跃提升，实测解析与优化秘诀！
今天我们重点介绍的是近期刚刚发布的 weaviate v1.30.6版本，这是weaviate官方最新一次重要的版本更新。 一、weaviate是什么？ weaviate是一款由开源社区推动的向量搜索引擎，主打结构化数据与高效的向量相似度检索。 本公众号之前也多次介绍过weaviate的架构原理、向量化检索实战等内容，想了解更多可以回顾之前文章。 weaviate用户只需在环境中执行： docker pull weaviate/weaviate:v1.30.6 或从GitHub仓库下载对应版本的发行包，替换旧版本即可。 六、weaviate未来展望 虽然本次发布未引入新功能，但却是weaviate稳定性和质量管理迈出的重要一步，可以预见未来版本会在以下方向持续发力： • 更智能的缓存与持久化机制，提升响应速度及数据安全
38210编辑于 2025-05-26 - 来自专栏福大大架构师每日一题
weaviate v1.30.2发布！全方位优化SegmentIndex，RBAC升级兼容，OpenAI集成更智能！
作为领先的开源向量搜索引擎，Weaviate持续以稳定、高效、智能著称。 下面，我们将深度剖析Weaviate v1.30.2的核心亮点，帮助开发者和运维工程师全面掌握新版优势，轻松驾驭向量检索新时代！ 八、参考资料与下载链接 • 官方GitHub仓库：https://github.com/weaviate/weaviate • 详细Release说明：https://github.com/weaviate /weaviate/releases/tag/v1.30.2 • 升级指南文档：https://weaviate.io/developers/weaviate/current/installation/ upgrading.html • 社区支持论坛：https://discuss.weaviate.io/
45410编辑于 2025-05-05 - 来自专栏人工智能极简应用
AI智能体研发之路-工程篇（二）：Dify智能体开发平台一键部署
VECTOR_STORE: weaviate # The Weaviate endpoint URL. WEAVIATE_ENDPOINT: http://weaviate:8080 # The Weaviate API key. VECTOR_STORE: weaviate # The Weaviate endpoint URL. WEAVIATE_ENDPOINT: http://weaviate:8080 # The Weaviate API key. /volumes/weaviate:/var/lib/weaviate environment: # The Weaviate configurations # You
14.3K12编辑于 2024-08-13 - 来自专栏DeepHub IMBA
使用 Weaviate 矢量搜索为 60 多万篇学术论文构建可扩展的知识图谱搜索
这里主要包括Weaviate的概述，以及Weaviate为什么作为此任务的正确工具。 Keenious的快速介绍 在我们开始之前，你可能不熟悉 Keenious 及其功能。 Weaviate矢量搜索引擎 Weaviate 是一个矢量搜索引擎，帮助推动人工智能搜索和发现。 Weaviate中的数据对象基于一个类属性结构，这使得 Weaviate 中的所有对象都可以轻松地使用 GraphQL 进行本机查询，并且对使用了复杂的过滤器和标量值进行查询进行了优化。 使用 Weaviate 为知识图谱提供搜索支持 对于考虑使用 Weaviate 的任何人来说，需要注意的是它对内存要求很高，但是具体取决于需要的“模式”。 选择 Weaviate 使我们能够完全专注于为我们的搜索引擎开发出色的功能，这些功能涉及我们存储在 Weaviate 中的 60 多万个知识图谱嵌入。
1K40发布于 2021-10-09 - 来自专栏福大大架构师每日一题
weaviate v1.29.7震撼发布！全面升级HuggingFace＆Mistral向量化模块，性能与体验双重跃升！
2025年5月13日，伴随着AI应用的不断深入和知识图谱的火热发展，领先的开源向量数据库Weaviate迎来了重要版本v1.29.7的发布。 一、Weaviate v1.29.7版本概述 Weaviate作为业内领先的开源向量数据库，广泛服务于搜索引擎、推荐系统、知识图谱、语义理解等场景。 Mistral作为近年来涌现的新兴开源大模型，具备准确高效的文本编码能力，Weaviate迅速支持其最新API，使用户能够第一时间享用性能提升。 升级至v1.29.7版本非常简单，Weaviate官方文档已同步更新，包括： 1. 下载最新镜像或源码（对应v1.29.7） 2. 八、总结与展望 Weaviate作为向量数据库领域的领军项目，凭借持续的技术创新与极致优化，稳固了其行业地位。
63610编辑于 2025-05-14 - 来自专栏福大大架构师每日一题
dify 1.9.1版本更新详解 — 1000位贡献者的里程碑与丰富的功能改进
host, default is dify-weaviate # weaviate-host: ZGlmeS13ZWF2aWF0ZQ== # # Base64 encoded weaviate name: dify-weaviate subjects: - kind: ServiceAccount name: dify-weaviate --- apiVersion: apps/v1 : - name: weaviate protocol: TCP port: 8080 targetPort: 8080 # Weaviate Server End # - name: WEAVIATE_ENDPOINT value: http://$(WEAVIATE_HOST):$(WEAVIATE_PORT) - name: WEAVIATE_ENDPOINT value: http://$(WEAVIATE_HOST):$(WEAVIATE_PORT)
39810编辑于 2025-12-18 - 来自专栏周拱壹卒
ARM 环境中部署 Dify
weaviate: image: semitechnologies/weaviate:1.19.0 platform: arm64 调整镜像 从 https://pypi.org/project } WEAVIATE_ENDPOINT: ${WEAVIATE_ENDPOINT:-http://weaviate:8080} WEAVIATE_API_KEY: ${WEAVIATE_API_KEY weaviate: image: semitechnologies/weaviate:1.19.0 profiles: - '' - weaviate restart /volumes/weaviate:/var/lib/weaviate environment: # The Weaviate configurations # You can refer to the [Weaviate](https://weaviate.io/developers/weaviate/config-refs/env-vars "Weaviate")
3.4K00编辑于 2024-11-25 - 来自专栏码匠的流水账
docker部署dify结合deepseek构建知识库
} WEAVIATE_ENDPOINT: ${WEAVIATE_ENDPOINT:-http://weaviate:8080} WEAVIATE_API_KEY: ${WEAVIATE_API_KEY : ${WEAVIATE_PERSISTENCE_DATA_PATH:-/var/lib/weaviate} WEAVIATE_QUERY_DEFAULTS_LIMIT: ${WEAVIATE_QUERY_DEFAULTS_LIMIT weaviate: image: docker.1ms.run/semitechnologies/weaviate:1.19.0 profiles: - '' - weaviate /volumes/weaviate:/var/lib/weaviate environment: # The Weaviate configurations # You can refer to the [Weaviate](https://weaviate.io/developers/weaviate/config-refs/env-vars) documentation
2.1K20编辑于 2025-02-16 - 来自专栏福大大架构师每日一题
weaviate v1.30.0震撼发布：动态配置、多值向量搜索、BM25性能翻倍，AI搜索进入新时代！
引言 Weaviate 刚刚发布了 v1.30.0 版本，带来了一系列重磅更新！ 如果你是 AI 搜索、RAG（检索增强生成）或向量数据库的开发者，这篇文章将带你深入解析 Weaviate v1.30.0 的核心升级！ 核心更新亮点 1. 动态配置管理（GA）—— 无需重启，实时调整 Weaviate 现在支持 运行时动态调整配置，无需重启服务！ BlockMax WAND 加速 BM25（GA）—— 关键词搜索性能飙升 BM25 是传统关键词搜索的核心算法，Weaviate 现在采用 BlockMax WAND 技术，带来： • 更快的查询速度 ：现支持所有量化选项，可优化存储 推荐场景 ✅ RAG 应用：动态切换模型，优化生成效果 ✅ 电商搜索：BM25 + 多值向量，实现精准商品检索 ✅ 安全敏感场景：动态用户管理，实时调整权限 结语 Weaviate
55120编辑于 2025-04-05 - 来自专栏福大大架构师每日一题
dify 1.9.2 更新详解：更快、更稳定、更智能的版本升级指南
一、重要版本变更与注意事项 本次版本在与 Weaviate 的集成上进行了重大升级： • 将 Weaviate Python 客户端 从 v3 升级至 v4。 • 要求 Weaviate 服务端最低版本需为 1.24.0 或更高。 • 对于使用旧版本（如 1.19.0）的用户，必须先升级服务端至 1.24.0 及以上再升级 Dify，否则无法正常运行。 升级 Weaviate 服务端至 v1.24.0 或更高版本。 2. 按最新官方文档执行数据迁移与 Docker 配置更新。 3. 确保运行环境满足新版本依赖要求再部署 Dify。 • 修复 Weaviate 向量距离计算错误与模块缺失问题。 • 修复多认证凭据冲突。 • 修复聊天闪烁、无限刷新、登录重定向、加载器显示等前端问题。 • 加强外部知识 URL SSRF 安全验证。 对于使用 Weaviate 的用户来说，此次更新是一次关键性变动，务必在升级前做好服务端版本提升与数据迁移准备。 我们相信人工智能为普通人提供了一种“增强工具”，并致力于分享全方位的AI知识。
53910编辑于 2025-12-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号