Weaviate 2026: обзор векторной базы для RAG и памяти AI-агентов

01Кратко: что это и для кого

Weaviate относится к классу «векторных баз с объектами»: в отличие от чистых ANN-хранилищ она держит не только вектор, но и сам объект с метаданными, а поверх этого — схему данных с классами, свойствами и перекрёстными ссылками. Запрос можно писать на GraphQL, REST или gRPC, а можно работать через официальные клиенты. Ядро написано на Go, код открыт под BSD-3-Clause (часть каталогов лицензируется отдельной Weaviate License — это указано в файле LICENSE репозитория).

Главные практические отличия — три. Первое: гибридный поиск (BM25 + вектор) с Reciprocal Rank Fusion и параметром alpha — баланс можно настраивать под задачу. Второе: модули — векторизаторы, реранкеры и генеративные шаги живут внутри базы, а не в коде приложения, поэтому «embed + search + generate» можно собрать одним сервисом. Третье: мультитенантность — у каждого тенанта своя изолированная часть индекса, что удобно для SaaS, где данные клиентов смешивать нельзя.

02Оценки по критериям

03Гибридный поиск: как это работает

Чистый векторный поиск проваливается на «редких токенах»: модель эмбеддингов сжимает текст в смысл, и точный код ошибки или артикул в этом сжатии может потеряться. Гибридный режим в Weaviate решает это без внешней склейки: лексический поиск находит точные совпадения, векторный — смысловые, а слияние происходит внутри базы.

04Сравнение с другими векторными базами

Ближайшие альтернативы — Qdrant (Rust, акцент на скорость и фильтрацию), Milvus (распределённая, для очень больших объёмов) и Pinecone (полностью управляемый сервис с закрытым кодом). Ниже — только те критерии, которые видно на официальных страницах и в репозиториях.

05Тарифы Weaviate Cloud

Базу можно бесплатно поднять самому — код открыт. Облако вендора нужно тем, кто не хочет держать инфраструктуру: там три уровня, и только у первых двух есть публичные условия. Цифры ниже — с официальной страницы тарифов на 29.09.2026.

06Плюсы и минусы

07Быстрый старт

pip install -U weaviate-client

import weaviate
client = weaviate.connect_to_local()

docs = client.collections.get("Doc")
res = docs.query.hybrid(query="векторная база", alpha=0.5, limit=5)

Для продакшена обычно добавляют фильтры по свойствам объектов, ограничение набора полей в ответе и реранкер поверх первичной выдачи. Всё это настраивается в самой базе, без отдельного сервиса.

08Кому подходит

Weaviate — разумный выбор, если вам нужен гибридный поиск «из коробки», данные разных заказчиков живут в одной базе и вы хотите держать генерацию и реранкинг рядом с поиском. Если задача — локальный RAG в приложении без сервера, смотрите встроенную LanceDB: она работает в процессе приложения и хранит данные на диске или в объектном хранилище. Если критична скорость фильтрации при больших объёмах — сравнивайте с Qdrant.