开源向量数据库，原生支持混合检索与多模态数据，可自托管或使用云服务。

Weaviate 是什么

Weaviate 是一个开源的向量数据库。你可以把它理解成给 AI 应用准备的"记忆库"——它存储的是文本、图片、音频这些东西经过嵌入模型（embedding model）算出来的向量，然后按语义相似度帮你把相关内容找出来。跟传统数据库按关键词精确匹配不同，你搜"怎么退订会员"，它能找到写着"取消订阅流程"的文档，哪怕一个字都不重合。

它适合谁？做 RAG（检索增强生成）的开发者、要给产品加语义搜索的团队、需要处理图文混合数据的项目，以及不想被某家云厂商锁死、希望自己掌控数据的人。Weaviate 两种用法都支持：自己部署（Docker、Kubernetes 都行），或者直接用他们的托管云服务。

检索这块它做得比较细

很多向量库只管"向量相似度"这一件事，Weaviate 原生把混合检索（hybrid search）做进了内核。也就是说，一次查询里你可以同时用 BM25 关键词打分和向量相似度打分，再按权重融合结果。实际用起来，纯向量检索在专有名词、型号、人名上容易翻车，加上关键词那一路能兜住不少。

多模态也是原生支持的。同一个集合里可以存文本对象、图片对象，甚至引用关系，检索时用文本查图片、用图片查图片都行。它自带向量化模块（vectorizer module），能对接 OpenAI、Cohere、Hugging Face 等一批模型服务，写入数据时自动算向量，省掉自己维护 embedding 管道的麻烦。

另外几个实际会碰到的点：

• 过滤和向量检索可以混着用：先按字段条件筛（比如 category = "tech"），再在筛出来的子集里做向量搜索，不是搜完再过滤。
• 支持多租户：一个实例里给不同客户隔离数据，SaaS 场景常用。
• 带生成模块：检索完可以直接调大模型做 RAG 式的问答，少写一层胶水代码。

技术上值得知道的

Weaviate 用 Go 写的，单二进制部署，启动快、资源占用不算夸张。它的索引结构是 HNSW（一种近似最近邻图索引），这是目前向量检索的主流选择，召回率和速度的平衡比较成熟。数据持久化在磁盘上，重启不丢，也支持水平扩展分片。

查询走的是 GraphQL 和 REST 两套接口，官方客户端覆盖 Python、JavaScript/TypeScript、Java、Go。如果你之前用过别的向量库，迁移成本主要在数据模型设计上——Weaviate 要求你先定义 schema（集合、属性、向量化方式），这个设计好了后面很顺，设计不好改起来有点烦。

开源协议是 BSD-3-Clause，商用没什么限制。社区版功能已经够用，企业版额外提供 RBAC、备份恢复之类的运维能力。

上手建议

想快速试的话，官方有个免费沙盒云实例，注册就能用，不用先装环境。本地跑就一条 docker compose up，官方仓库里有现成的 compose 文件。文档质量在开源项目里算好的，Quickstart 走一遍大概二十分钟能跑通一个带语义搜索的小 demo。

真要上生产，重点看两件事：向量化模型选哪个（直接影响检索质量，跟数据库本身关系不大），以及数据量上去之后 HNSW 的内存占用——这个参数调不好会比你预期吃内存。

常见问题

Weaviate 是什么？

开源向量数据库，原生支持混合检索与多模态数据，可自托管或使用云服务。

Weaviate 主要能做什么？

开源向量数据库 混合检索 多模态数据支持

Weaviate 适合哪些使用场景？

RAG 与语义检索 向量相似度搜索 推荐系统与多模态检索

Weaviate 属于哪一类 AI 工具？

Weaviate 收录于本站的「AI数据库」分类。向量数据库，用于 RAG、语义检索与大规模向量相似度搜索。

Weaviate 的官方网站是什么？

Weaviate 的官方网站是 https://weaviate.io，可直接在浏览器中打开使用。