Weaviate怎么用 开源AI向量数据库教程

Weaviate是一个开源的AI原生向量数据库，集成了向量搜索和生成式AI，可以给应用快速加语义检索能力。它把文本等数据与向量嵌入一起保存，查询时按含义找相近内容，而不只依赖关键词。下面用Docker和Python走一遍本地入门流程：启动服务、建集合、导入数据，再用自然语言检索。示例面向开发测试环境，正式部署前还要配置认证、网络和持久化。

第一步：Docker部署Weaviate

先安装Docker与Docker Compose，在电脑上新建项目目录。创建docker-compose.yml，写入Weaviate服务配置；本例用本地Model2Vec推理服务自动生成向量，避免先依赖外部嵌入API。配置包含数据库端口、模型服务地址和模块名称。镜像版本可以根据项目需要调整，两个容器要处在同一个Compose网络中，数据库才能访问模型服务。

启动前检查YAML缩进，再在项目目录运行docker compose up -d。首次启动会下载镜像，稍等片刻后运行docker compose ps查看容器状态。Weaviate的HTTP接口默认映射到本机8080端口，gRPC接口映射到50051端口；浏览器或命令行可访问本机8080端口的v1/.well-known/ready路径，确认服务就绪。若启动失败，先看docker compose logs weaviate输出。

测试完成后可用docker compose down停止服务。需要保留数据时，在配置里给Weaviate添加命名卷，并把持久化目录设为卷挂载点；否则删掉容器或卷可能导致数据丢失。这个入门示例启用了本地匿名访问，只适合可信的开发环境，不要直接暴露到公网。对外部署要开启身份认证、限制网络访问，并妥善管理密钥和数据备份。

第二步：创建类和数据对象

安装Python客户端：运行pip install -U weaviate-client。新建Python脚本，通过weaviate.connect_to_local()连接本地实例；连接成功后创建名为Article的collection，并设置content为文本属性。集合可以理解为一类数据的容器，属性则是每条记录的字段。若集合已经存在，重复创建可能报错，开发时可先检查集合是否存在，或删除测试集合后重新运行。

拿到Article集合后，用data.insert_many()批量写入字典对象，例如把几段文章摘要放入content字段。由于集合配置了向量化器，导入时Weaviate会把文本发送给模型服务生成向量，并与原始属性一起保存。若批量数据较多，建议分批导入并观察日志；出现模型连接错误时，检查Compose服务名、端口和API地址是否一致。

Python脚本执行完，检查返回结果或查询集合对象，确认数据已经写入。实际项目里可给对象补充标题、来源、发布时间等属性，方便后续筛选和展示。导入前最好统一文本编码并去掉无用空白；同一条记录还可以设置稳定的业务ID，便于更新、去重和删除。不要把所有内容塞进单个超长字段，按文档或段落切分通常更容易检索到准确片段。

配置向量化和模块

向量化配置决定文本如何转换成向量。此例使用text2vec-model2vec，且Compose中要启用对应模块并配置推理服务地址；集合的vector_config也必须选择匹配的向量器。模块未启用或名称不匹配时，创建集合或写入数据可能报错。若已有嵌入向量，也可以配置为自带向量模式，并在插入对象时一并提交向量，适合需要控制模型的场景。

如果改用云端模型提供商，通常要选择相应模块、配置模型参数，并通过环境变量传入API密钥，避免把密钥硬编码进脚本或提交到代码仓库。更换嵌入模型后，向量空间可能不同；不要把不同模型生成的向量混在同一集合里直接比较。修改配置后若要重建向量，可创建新集合再重新导入数据，先小规模验证效果和延迟。

第三步：语义搜索查询

连接客户端并获取Article集合后，调用query.near_text()执行语义检索，把自然语言问题作为query参数，再用limit限制返回条数。例如搜索“如何用机器学习把文本变成向量”，即使库内文章没有完全相同的词，也可能返回讨论文本嵌入的内容。读取结果对象的properties即可拿到原文；还可以查看距离或相似度信息，帮助判断结果是否足够相关。

检索效果不好时，先确认集合里确有相关内容，再检查向量器、导入文本质量和分段方式。长文档可按段落或固定长度切片，并保留文档标题、来源等元数据；查询时可结合过滤条件缩小范围。也可以尝试混合搜索，将关键词匹配与向量相似度结合，处理专有名词、编号等语义模型不易理解的词。每次调整后用一组真实问题比较结果。

客户端使用完要调用close()释放连接。若要把搜索接入问答应用，可先取回最相关的若干段文本，再将它们作为上下文交给生成模型，这就是常见的检索增强生成流程；数据库检索与模型生成是两步，需分别设置。国内项目也可评估火山引擎等云服务，比较模型、部署方式、延迟与费用；相关入口：volcengine.cgref.cn。润灭整理的教程同样建议先用小数据集验证效果。

• 部署：本地Compose用于开发测试，生产环境应补齐认证、持久化、备份和监控。
• 数据：先规划集合属性、文档切分和元数据，再批量导入，避免后续迁移成本。
• 检索：用真实问题评估返回内容，按需调节返回数量、过滤条件和混合搜索权重。