Weaviate
Weaviate是一款开源向量数据库，由荷兰公司SeMI Technologies开发，专为存储、索引和检索高维向量数据而设计。它支持语义搜索、混合搜索（向量与关键词结合）及多模态数据处理，并提供内置的机器学习模型集成能力。Weaviate可部署于云端或本地环境，广泛应用于自然语言处理、推荐系统及人工智能应用开发等场景。
Core Facts
RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答
向量数据库如FAISS、Chroma、Weaviate通过将文本编码为高维向量建立索引，能毫秒级完成语义相似度检索
RAG通过向量数据库（如Faiss、Chroma、Milvus、Pinecone）将文档转化为高维嵌入向量存储，在推理时基于语义相似度检索相关上下文注入提示词，用于解决LLM知识时效性和幻觉问题
Timeline (last 90 days)
五家机构已全部确认并修复了该漏洞，涉及谷歌、摩根大通、Weaviate、法国政府数字机构和印度尼西亚坦格朗市政府
大语言模型实现记忆的另一技术路径是借助外部向量数据库（如Pinecone、Weaviate）对学习记录进行语义检索并动态调取相关片段
Pinecone、Weaviate、Qdrant均支持混合查询（向量检索结合结构化字段预过滤）
CLM式方案天然具备与现有向量数据库（如Faiss、Pinecone、Weaviate）和近似最近邻（ANN）算法集成的潜力，可扩展到百万量级候选集仍保持毫秒级响应
理解该课程内容通常需要熟悉 Python 异步编程、有向量数据库（如 Pinecone、Weaviate、Chroma）使用经验，并了解大模型 API 调用（如 OpenAI、Anthropic）
相比 Pinecone、Weaviate 等专用向量数据库，pgvector 无需额外运维独立系统，但在超大规模数据量下的检索性能通常不及专用方案
相比 Pinecone、Weaviate、Milvus 等专用向量数据库，S3 Vectors 在写多读少或数据量增长不可预期的场景下成本优势显著
Dify默认使用Weaviate或Qdrant作为向量数据库
向量存储（如Pinecone、Weaviate、pgvector）的核心优势是高效的近似最近邻检索，但其数据模型并非为关系型聚合查询设计
Pinecone、Weaviate、Qdrant等向量数据库独立于关系型数据库之外，需要额外维护数据同步管线
32 more timeline events
All Facts (20)
RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答
90%Verified向量数据库如FAISS、Chroma、Weaviate通过将文本编码为高维向量建立索引，能毫秒级完成语义相似度检索
80%VerifiedRAG通过向量数据库（如Faiss、Chroma、Milvus、Pinecone）将文档转化为高维嵌入向量存储，在推理时基于语义相似度检索相关上下文注入提示词，用于解决LLM知识时效性和幻觉问题
80%VerifiedRAG通过将私有文档切分为文本块、转化为向量表示并存储在向量数据库中，检索相关内容注入Prompt来解决大模型知识截止日期的局限性
80%Verified语义搜索的核心是向量嵌入技术，将代码片段和自然语言查询转换为高维向量，通过余弦相似度等方法计算语义距离
80%Verified向量数据库（如ChromaDB、Milvus、Pinecone）采用HNSW、IVF等索引算法，能在百万甚至亿级向量中实现毫秒级检索
80%Verified常见的向量数据库包括ChromaDB、Milvus、Pinecone、Weaviate，它们针对高维向量的近似最近邻（ANN）搜索进行了专门优化
80%Verified向量数据库（如Pinecone、Weaviate、Milvus等）通过嵌入模型将文本转化为高维向量，使用余弦相似度或欧氏距离进行近似最近邻（ANN）搜索
80%Verified长期记忆通常借助向量数据库（如Chroma、Pinecone、Weaviate、Milvus等）来实现语义检索
80%Verified向量数据库的核心操作是近似最近邻搜索（ANN），通过HNSW、IVF等索引算法将相似度计算加速到毫秒级响应
80%VerifiedDify的核心架构采用微服务设计，通过Docker Compose将API服务、Worker、Web前端、PostgreSQL、Redis和向量数据库等组件解耦部署
80%VerifiedRAG实现中文本通过嵌入模型转化为高维向量，存储在Pinecone、Weaviate、Milvus等向量数据库中，查询时通过余弦相似度找到最接近的片段
75%Verified解决AI叙事长期记忆问题的主流方案包括向量数据库存储关键剧情节点、RAG技术动态召回记忆片段以及专门的记忆管理模块
75%VerifiedAI Agent的长期记忆持久化通常需要用到向量数据库（VectorDB），将聊天记录和个人偏好通过序列化技术变成向量编码存储
75%Verified典型的RAG流程包括文档切片、向量化嵌入、存入向量数据库、语义检索、上下文拼接和最终生成六个步骤
75%Verified主流向量数据库包括Faiss、Milvus、Qdrant、Weaviate，能在毫秒级完成百万级向量的近似最近邻（ANN）搜索
75%VerifiedPinecone、Weaviate、Qdrant 等主流向量数据库基于 HNSW 或 IVF-PQ 等 ANN 算法实现
70%VerifiedPinecone是全托管的云原生向量数据库
70%Verified持久化记忆的实现通常有两种路径：向量数据库方案（按语义相似度检索）和结构化存储方案（键值对形式保存）
70%Verified在科研场景中，RAG通常与向量数据库如Pinecone、Weaviate结合使用
65%