Base de datos vectorial open source para búsqueda semántica, híbrida y agéntica
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.
Casos de uso
- RAG en producción con BM25 + vector
- Motores de recomendación a escala
- Memoria de agentes con MCP Weaviate
- SaaS multi-tenant
- Migración desde prototipos in-memory
Funciones principales
- Búsqueda vector, keyword e híbrida con filtrado
- Vectorizadores integrados (OpenAI, Cohere, HuggingFace, etc.)
- Multi-tenant, replicación, RBAC y cuantización
- Weaviate Agents en Cloud
- MCP integrado v1.37.1 en /v1/mcp
Relacionados
Relacionados
3 Entradas indexadas
Milvus
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).
Pinecone
Pinecone documenta en docs.pinecone.io una base vectorial gestionada para embeddings a escala. Índices serverless con esquemas de documentos que mezclan vectores densos, sparse y FTS con filtrado de metadatos. SDKs Python, Node.js, Java, Go; API REST con límites por plan. Productos: Assistant, Dedicated Read Nodes, BYOC, Nexus; integraciones MCP en pinecone.io.
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.