Base de datos vectorial open source cloud-native para búsqueda a escala de miles de millones
Milvus documenta en milvus.io/docs una base vectorial de alto rendimiento con filtrado de metadatos e híbrida. Modos: Milvus Lite, Standalone (Docker) y Distributed (Kubernetes). SDKs: PyMilvus, Go, Java, Node.js; Zilliz Cloud gestionado. Arquitectura desacoplada con object storage (MinIO, S3, Azure).
Casos de uso
- RAG a escala de miles de millones
- Recomendaciones con filtros
- Prototipo Lite y migración
- Memoria de agentes con MCP Milvus
- Búsqueda multimodal con embedders externos
Funciones principales
- Índices ANN (HNSW, DiskANN) y filtrado
- Lite, Standalone y Distributed
- Búsqueda híbrida y multi-vector
- API MilvusClient en PyMilvus
- Proyecto LF AI & Data con Zilliz
Relacionados
Relacionados
3 Entradas indexadas
Weaviate
Weaviate documenta en docs.weaviate.io/weaviate una base vectorial open source para objetos y embeddings con búsqueda semántica, keyword e híbrida, RAG y agentes. Incluye Docker/Kubernetes, Weaviate Cloud, Query Agent y Embeddings gestionados. Clientes: Python (weaviate-client v4, Weaviate 1.23.7+), TypeScript, Go, Java vía REST/gRPC/GraphQL.
Qdrant
Qdrant documenta en qdrant.tech/documentation un motor de búsqueda vectorial para almacenar, indexar y consultar vectores de alta dimensión con payloads opcionales (densos, dispersos y multi-vector). Cubre Docker/Kubernetes, Qdrant Cloud, Hybrid/Private Cloud y Qdrant Edge. Clientes oficiales: Python, JS/TS, Rust, Go, Java y .NET vía REST/gRPC.
Chroma
Chroma documenta en docs.trychroma.com una base de embeddings open source para almacenar y consultar vectores, metadatos y texto en clientes Python y JavaScript. Cubre colecciones en memoria, almacenamiento persistente, servidor self-hosted y Chroma Cloud con tokens. APIs: add/query/get/update/delete, funciones de embedding e híbrido para RAG y memoria de agentes.