Weaviate 1.40 介绍与选型指南

一、信息基准

1.1 查询说明

• 查询日期：2026-10-19。
• 信息获取方式：纯官方资料溯源（Weaviate 官方文档 docs.weaviate.io、GitHub 官方仓库 weaviate/weaviate 及其 Releases 页），本文不做本地安装与运行实测。
• 版本结论：本次介绍的版本为 Weaviate v1.40 系列最新补丁 v1.40.1（2026-10-13 发布）。注：实查最新稳定已进入 1.40 线（任务提示中的 1.3x 口径以实查为准）；仓库已由 weaviate-io 迁移至 weaviate 组织。

1.2 版本依据

1.3 官方来源清单

二、软件概述

本文介绍的是 Weaviate v1.40（最新补丁 v1.40.1，2026-10-13 发布，BSD-3-Clause 开源）。

Weaviate 是一款云原生向量数据库：同时存储对象（原始数据）与向量（embedding），把向量相似检索、关键词/BM25 过滤、混合检索（hybrid search）、重排序（reranking）与生成式检索（RAG，generative search）统一在一个查询接口中。官方定位的典型用例包括 RAG 系统、语义/图片搜索、推荐、聊天机器人与内容分类。它既支持导入时调用"集成模型"（OpenAI、Cohere、HuggingFace 等，通过模块自动向量化），也支持直接写入外部预计算的向量（官方 README/文档）。

Weaviate 由 Weaviate B.V.（SeMI Technologies）主导，Go 编写、BSD-3 许可发布，GitHub 上拥有 17k stars（2026-10-19 实查，GitHub 星标徽章），提供开源自托管与 Weaviate Cloud（WCD）托管双轨。

三、核心架构

3.1 数据模型

• Collection（类/集合）：模式化组织数据，每个对象含业务属性 + 向量；Collection 支持配置向量索引类型与量化压缩（官方文档 schema 章节）。
• 跨引用（cross-reference）：对象间可建立类图数据库式的引用关系，检索时可展开（官方文档）。
• 多租户（multi-tenancy）：Collection 内按 tenant 隔离数据，面向 SaaS 规模化场景（官方文档）。

3.2 模块化（Modules）

Weaviate 的能力通过模块扩展（官方 model-providers 文档）：

• 向量化模块：text2vec-（OpenAI/Cohere/HuggingFace/自托管等）、multi2vec-（多模态）；
• 检索增强模块：qna-openai、generative-openai 等 RAG 组件；
• reranker-* 重排序模块与 自定义模块接口。

3.3 检索与索引

• 向量索引默认 HNSW（可配 ef construction/search、最大连接数等参数），另有 flat、dynamic 索引与 pq/bq/sq 等量化压缩选项（官方 vector-index 文档）。
• 混合检索：向量相似 + BM25 关键词，alpha 权重融合，可叠加 reranker（官方 hybrid search 文档）。
• 过滤：属性过滤（where）与向量检索可组合，支持受限与全量两种过滤策略（官方文档）。

3.4 接口与客户端

GraphQL（查询主接口）、REST（schema/批量操作）、gRPC（低延迟客户端通道，50051 端口）；官方客户端覆盖 Python/TS/JS、Go、Java 等（官方 API 文档）。

四、功能特性

4.1 检索能力

• 近似最近邻（ANN）+ 属性过滤 + 关键词混合检索 + 重排序 + 生成式拼接（RAG 一条 GraphQL 查询完成）。
• 自动向量化：导入时由集成模块调用模型服务产出 embedding，或 BYOV（自带向量）导入。

4.2 运行与运维

• 单节点 Docker 即可起步；集群模式经 RAFT 一致性组织多副本（官方 cluster 文档）。
• 备份模块（filesystem/S3/GCS 等 backend）、导入批处理（batch）与异步修复能力（官方文档）。
• v1.40.1（2026-10-13）修复 Schema drop/recreate 类问题并优化启动时向量维度重建性能（官方发行说明）。

4.3 部署形态

• 自托管：Docker/Docker Compose/Helm Chart/Kubernetes；
• 托管：Weaviate Cloud（WCD）Serverless/Enterprise（官方站点）。

五、快速上手

以下步骤转述自官方快速上手（https://docs.weaviate.io/weaviate/quickstart ），本文不做本地实测。

5.1 启动实例

官方 quickstart 的 Docker 形态（转述）：

docker run -p 8080:8080 -p 50051:50051 \
  cr.weaviate.io/semitechnologies/weaviate:1.40.1 \
  --host 0.0.0.0 --port 8080 --scheme http

生产形态建议使用官方 docker-compose 配置生成器或 Helm Chart（官方文档）。

5.2 建模与导入（Python 客户端转述）

import weaviate

client = weaviate.connect_to_local()          # 连接 localhost:8080
questions = client.collections.get("Question") # 打开/创建集合
questions.data.insert({"question": "...", "answer": "..."})  # 写入对象（含自动向量化模块时）

5.3 查询

• 近邻检索：near_text/near_vector 查询返回相似对象；
• 混合检索：hybrid 查询融合 BM25 与向量结果（官方 quickstart 检索示例转述）。
• GraphQL 形态示例（转述）：{ Get { Question { question answer _additional { certainty } } } }。

六、适用场景与限制

6.1 适用场景

• RAG 知识库：文档分块向量化 + hybrid search + generative 模块直连 LLM。
• 语义搜索/推荐：商品、内容、多模态（图+文）检索。
• 多租户 SaaS 向量服务：tenant 隔离 + 水平扩展集群。
• 需要对象与向量同库存取、带 schema 的检索系统（区别于"纯向量索引"）。

6.2 限制与注意事项

• GraphQL/模块体系有学习成本；模块依赖外部模型服务，自动向量化会引入外部调用。
• HNSW 内存占用随向量规模线性增长，超大规模需启用量化压缩或分区（官方 compression 文档）。
• 强 ACID 事务语义有限：批量导入为最终一致语义（官方文档口径）。
• 云原生编排（RAFT 集群、备份、修复）参数较多，生产前需按官方运维文档演练；本文未实测。

七、同类选型对比

7.1 候选概览

7.2 量化对比（2026-10-19 实查）

（stars 取自 GitHub 星标徽章 shields.io 2026-10-19 实查；版本与日期取自各项目官方 Releases/发布渠道同日实查；许可见各仓库 LICENSE。）

7.3 选型建议

• 需要 schema 化对象+向量同库、内置 hybrid search 与 RAG 模块、多租户：Weaviate 最贴合。
• 十亿级向量、愿意维护较重组件栈换极致扩展：Milvus（参考 《Milvus 3.0 介绍与选型指南》）。
• Rust 技术栈、payload 过滤密集的高性能检索：Qdrant（参考 《Qdrant 1.19 介绍与选型指南》）。
• 数据已在 PostgreSQL、想少引入一套系统：pgvector 扩展最省事（参考 《pgvector 安装与使用指南》）。
• 原型验证、Agent 记忆、中小规模应用快速起步：Chroma（参考 《Chroma 1.5.9 介绍与选型指南》）。

八、参考链接

• 官方文档：https://docs.weaviate.io/
• 快速上手：https://docs.weaviate.io/weaviate/quickstart
• 源码仓库：https://github.com/weaviate/weaviate
• v1.40.1 发行页：https://github.com/weaviate/weaviate/releases/tag/v1.40.1
• 模型接入（模块）文档：https://docs.weaviate.io/weaviate/model-providers
• Milvus 仓库：https://github.com/milvus-io/milvus
• Qdrant 仓库：https://github.com/qdrant/qdrant
• pgvector 仓库：https://github.com/pgvector/pgvector
• Chroma 仓库：https://github.com/chroma-core/chroma