Weaviateはクラウドネイティブのベクターデータベースで、オブジェクトとベクトルの両方を保存し、大規模な意味検索を可能にします。ベクター類似性検索とキーワードフィルタリング、検索拡張生成(RAG)、リランク付けを単一のクエリインターフェースで組み合わせています。一般的なユースケースにはRAGシステム、セマンティックおよび画像検索、推薦エンジン、チャットボット、コンテンツ分類などがあります。

Weaviateはベクターの保存方法として2つのアプローチをサポートしています。統合モデル(OpenAI、Cohere、HuggingFaceなど)を用いたインポート時の自動ベクトル化、または事前に計算されたベクター埋め込みを直接インポートする方法です。本番環境での展開は、組み込みのマルチテナンシー、レプリケーション、RBAC認証、その他多くの機能の恩恵を受けています。

早く始めるには、以下のチュートリアルの一つをご覧ください:

• クイックスタート - Weaviate Cloud
• クイックスタート - ローカルのDockerインスタンス

設置

Weaviateは複数の設置および展開オプションを提供しています:

• Docker
• Kubernetes(クーネーション
• ウィーヴィエイト・クラウド

AWSやGCPなどのさらなる展開オプションについては、インストールドキュメントをご覧ください。

始める

Dockerで簡単にWeaviateとローカルベクトル埋め込みモデルを起動できます。 docker-compose.ymlファイルを作成する:

Weaviate

Weaviate is a cloud-native vector database that stores both objects and vectors, enabling semantic search at scale. It combines vector similarity search with keyword filtering, retrieval-augmented generation (RAG), and reranking in a single query interface. Common use cases include RAG systems, semantic and image search, recommendation engines, chatbots, and content classification.

Weaviate supports two approaches to store vectors: automatic vectorization at import using integrated models (OpenAI, Cohere, HuggingFace, and others) or direct import of pre-computed vector embeddings. Production deployments benefit from built-in multi-tenancy, replication, RBAC authorization, and many other features.

To get started quickly, have a look at one of these tutorials:

• Quickstart - Weaviate Cloud
• Quickstart - local Docker instance

Installation

Weaviate offers multiple installation and deployment options:

• Docker
• Kubernetes
• Weaviate Cloud

See the installation docs for more deployment options, such as AWS and GCP.

Getting started

You can easily start Weaviate and a local vector embedding model with Docker. Create a docker-compose.yml file:

services:
  weaviate:
    image: cr.weaviate.io/semitechnologies/weaviate:1.36.0
    ports:
      - "8080:8080"
      - "50051:50051"
    environment:
      ENABLE_MODULES: text2vec-model2vec
      MODEL2VEC_INFERENCE_API: http://text2vec-model2vec:8080