Weaviate 实战内置向量化的全能型数据库体验 ️本文是《向量数据库实战选型、调优与落地》专栏第 10 篇⏱️阅读时间约 12 分钟 开篇最全能的向量数据库如果说 Milvus 是功能最全Qdrant 是性能最猛Chroma 是最轻量——那Weaviate就是**最全能**的那个 ️全能在哪┌─────────────────────────────────────────────────────────┐ │ Weaviate 的全能体现在哪 │ ├─────────────────────────────────────────────────────────┤ │ │ │ 1. 内置向量化模块 │ │ → 不需要自己调 Embedding API直接传文本 │ │ → 支持 OpenAI、Cohere、HuggingFace 等 20 模型 │ │ │ │ 2. ️ GraphQL API │ │ → 灵活的查询语法一次获取多种数据 │ │ │ │ 3. 混合搜索 │ │ → 向量搜索 BM25 关键词搜索 原生支持 │ │ │ │ 4. 多模态支持 │ │ → 文本、图片、视频 统一管理 │ │ │ │ 5. 数据模块化 │ │ → 内置模块文本向量化、图片向量化、问答生成等 │ │ │ └─────────────────────────────────────────────────────────┘️ 快速启动# Docker 启动带内置向量化模块dockerrun-d\-p8080:8080\-p50051:50051\-eQUERY_DEFAULTS_LIMIT25\-eAUTHENTICATION_ANONYMOUS_ACCESS_ENABLEDtrue\-ePERSISTENCE_DATA_PATH/var/lib/weaviate\-eENABLE_MODULEStext2vec-openai,generative-openai\-eOPENAI_APIKEYsk-xxx\cr.weaviate.io/semitechnologies/weaviate:1.25.0端口说明端口协议用途8080REST/GraphQLHTTP 接口50051gRPC高性能接口# Python SDKpipinstallweaviate-client 完整实战Step 1连接 创建 Schemaimportweaviate# 连接 Weaviateclientweaviate.Client(http://localhost:8080)# 创建 SchemaClassschema{class:Article,description:技术文章集合,vectorizer:text2vec-openai,# 内置向量化moduleConfig:{text2vec-openai:{model:text-embedding-3-small,modelVersion:2024-01-25}},properties:[{name:title,dataType:[text],description:文章标题},{name:content,dataType:[text],description:文章内容},{name:category,dataType:[string],description:分类},{name:publish_date,dataType:[date],description:发布日期}]}client.schema.create_class(schema)Step 2插入数据直接传文本# 直接传文本Weaviate 自动调用 OpenAI 生成向量articles[{title:向量数据库入门,content:向量数据库是专门用于存储和检索高维向量的数据库系统...,category:database,publish_date:2025-01-15},{title:HNSW 算法详解,content:HNSW 是一种基于分层图结构的近似最近邻搜索算法...,category:algorithm,publish_date:2025-02-20},{title:RAG 技术实战,content:RAG 通过检索增强生成来提升大语言模型的回答质量...,category:ai,publish_date:2025-03-10},]# 批量插入withclient.batchasbatch:batch.batch_size100forarticleinarticles:client.batch.add_data_object(data_objectarticle,class_nameArticle)print(数据插入成功)Step 3语义搜索# 语义搜索直接传文本responseclient.query.get(Article,[title,content,category]).with_near_text({concepts:[如何存储和检索向量数据],certainty:0.7# 最低相似度阈值}).with_limit(3).do()# 打印结果forarticleinresponse[data][Get][Article]:print(f{article[title]}[{article[category]}])Step 4混合搜索向量 关键词# 混合搜索向量语义 BM25 关键词responseclient.query.get(Article,[title,content]).with_hybrid(query向量数据库 HNSW,alpha0.5# 0纯关键词1纯向量0.5混合).with_limit(5).do() Weaviate 内置模块一览模块功能支持的模型text2vec-openai文本向量化text-embedding-3-small/largetext2vec-cohere文本向量化embed-v4text2vec-huggingface文本向量化所有 HF 模型text2vec-transformers本地文本向量化本地部署multi2vec-clip图文多模态CLIP 模型generative-openai生成式回答GPT-4o 等qna-transformers问答本地问答模型 Weaviate vs 其他数据库功能WeaviateMilvusQdrantChroma内置向量化✅ 最强❌❌✅ 基础混合搜索✅ 原生✅✅❌GraphQL✅❌❌❌多模态✅❌❌❌分布式✅✅基础❌上手难度⭐⭐⭐⭐⭐⭐⭐⭐⭐性能⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐ Weaviate 适合谁场景推荐度理由不想自己管理 Embedding⭐⭐⭐⭐⭐内置向量化最成熟需要混合搜索⭐⭐⭐⭐⭐原生支持配置简单多模态应用⭐⭐⭐⭐⭐唯一原生支持多模态的超大规模1亿⭐⭐⭐Milvus 更合适极致性能要求⭐⭐⭐Qdrant/FAISS 更强 本篇核心要点回顾要点说明Weaviate 定位最全能的向量数据库核心优势内置向量化、混合搜索、多模态GraphQL API灵活查询一次获取多种数据适合场景不想管 Embedding、需要混合搜索、多模态不适合超大规模、极致性能场景下篇预告《六大向量数据库横评Milvus vs Qdrant vs Chroma vs FAISS vs Weaviate vs Pinecone 》有问题欢迎评论区讨论觉得有用请点赞收藏 作者高炉炼铁智能化技术研究者专注钢铁冶金与人工智能 交叉领域。 如果觉得有帮助请点赞、收藏、转发版权归作者所有未经许可请勿抄袭套用商用(或其它具有利益性行为)。 关注专栏不错过后续精彩内容