Weaviate怎麼用 開源AI向量資料庫教程

Weaviate是一個開源的AI原生向量資料庫，整合了向量搜尋和生成式AI，可以給應用快速加語義檢索能力。它既能儲存文字等資料物件，也能儲存對應的向量表示；配置向量化模組後，可在寫入時自動生成向量，再按含義搜尋內容。下面從本地部署開始，帶你跑通建集合、匯入資料和查詢的基本流程。

第一步：Docker部署Weaviate

先確認電腦已安裝 Docker 和 Docker Compose，再新建一個專案目錄，在裡面建立 docker-compose.yml。下面用 Weaviate 搭配輕量 Model2Vec 模型，便於本地體驗自動向量化。映像版本應按官方文件或專案需要選擇；初次學習可先使用文件示例中的版本，生產環境則建議固定經過測試的版本。

把以下配置寫入檔案。Weaviate 的 8080 埠用於 HTTP API，50051 埠供 gRPC 客戶端連線；模型服務透過 Compose 內部網路與資料庫通訊。這裡啟用了匿名訪問，只適合本機學習測試，不要直接暴露到公網。需要長期儲存資料時，應掛載持久化卷，並妥善設定訪問控制。

配置中 ENABLE_MODULES 指定向量化模組，MODEL2VEC_INFERENCE_API 則指向模型服務的容器地址。儲存檔案後，在專案目錄執行 docker compose up -d，Docker 會在後臺啟動兩個容器。第一次啟動可能需要下載映像，速度取決於網路；可用 docker compose ps 檢視容器狀態。

• 建立 docker-compose.yml，填入以下內容：
• 執行 docker compose up -d 啟動服務。
• 檢查容器是否正常執行，並確認本機的 8080、50051 埠沒有被其他程式佔用。

服務起來後，可以訪問 http://localhost:8080/v1/meta 檢查介面是否響應。若連線失敗，先看 docker compose logs weaviate 和 docker compose logs text2vec-model2vec，檢查容器日誌；再核對埠對映和模型服務地址。修改 Compose 配置後，可執行 docker compose up -d 讓服務按新配置重建。

第二步：建立類和資料物件

Weaviate 的資料按集合組織；舊教程也常把集合稱為類。接下來用 Python 客戶端連線本機例項，建立 Article 集合，並定義一個 content 文字欄位。建立集合時指定 Model2Vec 向量化配置，後續寫入的文字就能由模組生成向量。先安裝客戶端：pip install -U weaviate-client。

編寫 Python 指令碼後，匯入 weaviate 客戶端及集合配置元件。連線本地服務，再建立 Article 集合。屬性名和資料型別要與準備匯入的資料一致；若同名集合已經存在，重複建立會報錯，可以先檢查集合列表，或在測試環境中刪除舊集合後重試。操作前注意，刪除集合會同時移除其中的資料。

集合建好後，獲取 Article 集合控制代碼，用 insert_many 批次寫入物件。下面放入三條示例文字；匯入時向量模組會為文字生成向量。資料量較大時建議分批寫入，並在指令碼結束時關閉客戶端連線，避免連線資源未釋放。實際應用中還可加入標題、來源、時間等欄位，方便後續過濾和展示。

配置向量化和模組

向量化模組需要同時在 Weaviate 部署配置和集合定義中啟用：前者讓服務載入模組並能訪問模型服務，後者告訴指定集合使用哪種向量化方式。兩處配置的模組名稱必須匹配。若你已經用外部模型算好向量，也可以選擇自行提供向量，寫入物件時傳入向量資料，而不是呼叫自動向量化。

在 Python 中，使用 Configure.Vectors.text2vec_model2vec() 指定向量配置；如果改用其他模型提供方，應依照相應模組文件調整服務端配置和客戶端引數。向量模型會影響語義檢索效果，最好選用與文字語言和業務場景相符的模型，並保持入庫與查詢時使用同一套向量化方案。

第三步：語義搜尋查詢

查詢時仍使用 Article 集合控制代碼，呼叫 near_text，並傳入自然語言問題，例如“如何按含義搜尋文章”。Weaviate 會將查詢文字轉成向量，再找到語義上接近的物件。limit 引數用於限制返回條數；先用少量樣例確認結果，再逐步加入真實資料並觀察排序是否符合預期。

完整流程可以概括為：連線例項、建立集合、匯入文字、執行 near_text 查詢、讀取返回物件。若查詢提示集合沒有向量化器，檢查建立集合時是否配置了模組；若模型介面報錯，檢查 Compose 中的服務名、模型服務狀態和日誌。需要按類別、日期等欄位縮小範圍時，可結合過濾條件使用。

Weaviate 適合希望自行部署、靈活配置模型和資料結構的團隊；上線前還要補上認證、權限控制、備份和監控。若更希望使用國內雲服務來減少自建運維，也可以瞭解火山引擎的相關產品與方案。潤滅整理的入門資源可從volcengine.cgref.cn檢視；選型時建議結合資料規模、模型接入方式、延遲和預算做驗證。