建立 2026-09-15 更新 2026-09-15

Weaviate

Weaviate 是開源向量資料庫，特色是內建 vectorizer：匯入原文時由資料庫（或連上的模型服務）產生向量，查詢可用 near_text 直接丟句子，不必在應用層先呼叫 embedding API。也可完全自備向量。

本機可用 Docker 或 Embedded；正式環境可用 Weaviate Cloud。影片見 Weaviate 影音。

什麼時候選它

• 希望「匯入文字就能搜」，少寫一層 embedding 程式。
• 同一套 API 要做語意搜尋、hybrid search 與 RAG（generative search）。
• 需要 GraphQL 或官方 Python／TS／Go／Java client。

若你已經有穩定的 embedding pipeline、只缺儲存與 ANN，Qdrant 或 pgvector 也可能更單純。

核心物件

最小流程（Embedded）

Embedded 會在 Python 行程裡起一個 Weaviate，資料存在本機，重開程式還在。適合跟官方一分鐘影片對照。

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

client = weaviate.connect_to_embedded(
    headers={"X-OpenAI-Api-Key": os.environ["OPENAI_API_KEY"]},
)

collection = client.collections.create(
    name="Doc",
    vector_config=Configure.Vectors.text2vec_openai(),
    properties=[Property(name="text", data_type=DataType.TEXT)],
)

collection.data.insert({"text": "退貨請於七日內提出申請。"})

hits = collection.query.near_text(query="怎麼寄回商品", limit=2)
for obj in hits.objects:
    print(obj.properties["text"])

client.close()

Cloud 改用 connect_to_weaviate_cloud(cluster_url=..., auth_credentials=...)。不想依賴 OpenAI 時，本機 Docker quickstart 可搭配 Ollama 的 text2vec-ollama。逐步指令見 Cloud Quickstart 與 Local Quickstart。

官方學習資源