Weaviate

活跃

GitHub Go BSD-3-Clause

简介

Weaviate 是一个开源的向量数据库，支持存储对象和向量，允许将向量搜索与结构化过滤相结合。内置多种向量化模块，支持多模态数据搜索。

核心特性

开源云原生向量数据库，支持在数十亿向量上执行毫秒级语义搜索
内置集成 OpenAI、Cohere、HuggingFace 等向量化模型，也支持导入预计算向量
支持语义搜索、BM25 关键词搜索、图片搜索和高级过滤的混合搜索
内置生成式搜索（RAG）和重排序能力，无需额外工具即可构建 Q&A 系统
生产级特性：多租户、复制、RBAC 权限控制、水平扩展和向量压缩
提供 Python、JavaScript/TypeScript、Java、Go、C# 等多语言客户端库

适用场景

💡 构建企业级 RAG 系统，实现大规模文档的语义检索与智能问答

💡 搭建推荐引擎，基于向量相似度为用户推荐相关内容

💡 实现多模态搜索，支持文本、图片等不同类型数据的统一检索

💡 为聊天机器人和对话系统提供长期记忆和知识检索能力

💡 内容分类与自动标签，利用语义搜索对海量内容进行智能分类

优势与不足

✅ 优势

• 活跃维护，近期持续更新
• 社区热度高（16.7k stars）
• 开源许可证友好（BSD-3-Clause）

分类

📚 RAG 工具

快速开始

创建 docker-compose.yml 配置 Weaviate 和 Model2Vec 向量化服务，运行 docker compose up -d 启动；安装 Python 客户端 pip install -U weaviate-client；连接本地实例，创建 Article 集合并插入文档数据；使用 articles.query.near_text() 执行语义搜索。

访问 GitHub 访问官网查看文档

相关项目

txtai

12.9k · Python

活跃 A+

集成语义搜索、LLM 编排和语言模型工作流的全能 AI 框架，支持 Agent、RAG 和向量数据库

semantic-searchragembeddings +4

· 集成语义搜索、LLM 编排和语言模型工作流的全能 AI 框架
· 嵌入数据库融合向量索引、图网络和关系数据库
· 支持文本、文档、音频、图像和视频的多模态嵌入

查看完整详情 → 在 GitHub 查看

RAGatouille

4.0k · Python

不活跃 C

轻松使用和训练最先进的后期交互检索方法（ColBERT），模块化设计，可将 ColBERT 模型集成到任何 RAG 管道中，显著提升检索精度。

ragpythonembedding +1

· ColBERT 后期交互检索：将先进的 ColBERT 模型封装为简单 API，无需深入了解检索论文即可在 RAG 管道中使用后期交互检索方法
· 端到端训练与微调：内置 RAGTrainer 和 TrainingDataProcessor，自动处理数据去重、正负样本配对和硬负例挖掘，支持从零训练或微调预训练模型
· 模块化可组合架构：DataProcessor、NegativeMiner 等组件可独立使用，也支持自定义 NegativeMiner 接入训练管道

在 GitHub 查看