Kombination aus Vektor- und Schlüsselwortsuche für beste Ergebnisse.
Installation¶
docker run -d -p 8080:8080 semitechnologies/weaviate:latest
Schema + Abfrage¶
import weaviate
client = weaviate.Client('http://localhost:8080')
result = client.query.get('Article',['title','content'])\
.with_hybrid(query='PostgreSQL Indizes', alpha=0.5)\
.with_limit(5).do()
Funktionen: - Hybrid (Vektor+BM25) - Auto-Vektorisierung - GraphQL-API - Multi-Tenancy
Architektur und Funktionen¶
Weaviate verwendet einen eigenen Vektorindex (HNSW) und kombiniert ihn mit einem invertierten Index fuer Keyword-Suche. Der alpha-Parameter in einer hybriden Abfrage bestimmt das Verhaeltnis zwischen Vektoraehnlichkeit (alpha=1) und BM25-Keyword-Relevanz (alpha=0). Ein Wert von 0,5 ist ein guter Ausgangspunkt.
Auto-Vektorisierung bedeutet, dass Weaviate beim Einfuegen von Daten automatisch Embeddings generieren kann, unter Verwendung integrierter Module (text2vec-openai, text2vec-transformers). Sie muessen keine externe Embedding-Pipeline verwalten. Die GraphQL-API ermoeglicht flexible Abfragen mit Filterung, Aggregationen und Cross-Reference-Queries. Fuer Multi-Tenant-Anwendungen bietet Weaviate native Tenant-Isolation mit effizienter Ressourcennutzung.
Weaviate für hybride Suche¶
Beste Ergebnisse dank Kombination von Vektor- und Schlüsselwortsuche.