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。
核心事实
时间轴 (近 90 天)
专用向量库（如Pinecone、Qdrant、Weaviate）为大规模向量检索做了更极致的性能优化和分布式扩展，而pgvector的优势是不引入新组件，能做事务性写入和JOIN查询，运维复杂度低。
LangChain的设计哲学偏向编排，其内置的向量存储、文档加载器等组件在生产环境中往往需要更专业的解决方案如Pinecone、Weaviate、Postgres+pgvector替代。
Elasticsearch、Weaviate等系统都内置了RRF，k=60是行业默认值。
常见向量数据库产品包括Pinecone、Weaviate、Qdrant、Milvus以及pgvector等，通常支持元数据过滤（如按租户ID、模型版本筛选）。
生产中的向量索引（如Pinecone、Weaviate、pgvector）需要额外考虑嵌入模型的版本一致性、元数据过滤能力（用于租户隔离）以及索引重建成本。
向量数据库（如 Pinecone、Weaviate、Qdrant）专门存储和检索向量，在 AI 场景中将文本、图片等数据转换成向量，语义相近的内容在向量空间里距离也相近。
向量数据库的常见选型包括PostgreSQL配合pgvector、MongoDB Vector Search、Pinecone、Weaviate、Qdrant等。
RRF（倒数排名融合）是一种无需训练、无需归一化的多路检索结果融合算法，公式为score = Σ weight_r / (k + rank_r(d))，k通常取60，被Elasticsearch和Weaviate等系统采纳为默认融合策略。
RAG 离线阶段将企业文档切分成块，通过嵌入模型转化为高维向量，存入向量数据库如 Pinecone、Qdrant 或 Weaviate
对于退款政策、FAQ等中小型知识库，Google Sheets可充当轻量数据库，无需向量数据库
还有 32 条时间轴事件
全部知识事实 (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%已验证向量数据库如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%已验证RAG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%已验证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%已验证向量数据库（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%已验证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%已验证向量数据库（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%已验证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%已验证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%已验证Dify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%已验证服务器端记忆机制通常针对长期显式记忆和隐式用户画像这两类需要跨会话持久化的数据
75%已验证RAG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%已验证解决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%已验证AI 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%已验证典型的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%已验证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%已验证Pinecone、Weaviate、Qdrant 等主流向量数据库基于 HNSW 或 IVF-PQ 等 ANN 算法实现
70%已验证Pinecone是全托管的云原生向量数据库
70%已验证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%已验证业界通常采用RAG架构解决AI伴侣长期记忆问题，将历史对话以向量形式存储在本地数据库并动态检索注入提示词
65%