Weaviate — это облачная векторная база данных, которая хранит как объекты, так и векторы, обеспечивая масштабный семантический поиск. Она сочетает поиск по векторному сходству с фильтрацией ключевых слов, генерацией с дополненным поиском (RAG) и перераспределением в едином интерфейсе запроса. Распространённые сценарии использования включают системы RAG, семантический и изображенный поиск, рекомендательные системы, чат-боты и классификацию контента.

Weaviate поддерживает два подхода к хранению векторов: автоматическую векторизацию при импорте с использованием интегрированных моделей (OpenAI, Cohere, HuggingFace и другие) или прямой импорт заранее вычисленных векторных вложенных систем. Производственные развертывания выигрывают встроенные мультиарендатора, репликацию, авторизацию RBAC и многие другие функции.

Чтобы быстро начать, посмотрите один из этих уроков:

• Быстрый старт — Weaviate Cloud
• Быстрый старт — локальный экземпляр Docker

Установка

Weaviate предлагает несколько вариантов установки и развертывания:

• Docker
• Kubernetes
• Weaviate Cloud

Смотрите документацию по установке для получения дополнительных вариантов развертывания, таких как AWS и GCP.

Начало

Можно легко начать Weaviate и локальную модель векторного вложения с помощью Docker. Создайте файл docker-compose.yml:

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