Weaviate 相关 AI 资讯

AITOP

8月19日

00:33

Weaviate@weaviate_io

精选72°

Weaviate 推出了 Query Agent 的更新，使其在执行搜索前先自动探索数据集合。该功能能识别所有可用的过滤值，并计算数字属性的均值、中位数、最小值和最大值。用户无需手动描述数据结构，即可直接查询“低于平均价格的产品”。

推荐理由：Weaviate 的 Query Agent 更新了，能自动分析数据里的数值范围，不用手动配过滤器，搜“低于均价”更准。

原文

8月13日

23:19

Weaviate@weaviate_io

精选

Weaviate 的《Building Foundry》第 2 期解释项目扩大后创意素材难搜的原因。它指出文件夹结构会变成历史记录而非可用地图，标签在交付压力下维护不一致。关键词搜索会因不同人描述同一素材方式不同而失效。文章建议结合语义相似度、精确关键词匹配和元数据过滤来替代单一命名体系。

技巧 Weaviate 语义检索向量数据库

推荐理由：Weaviate 这篇讲为啥项目越大素材越难找：文件夹会过时，标签会乱，关键词搜不到。想搞懂怎么用语义加关键词加元数据混合检索，可以看看。

原文

18:10

Weaviate@weaviate_io

精选75°

Weaviate的Query Agent Search Mode新增filtering参数，用于控制搜索策略的召回率与精确率权衡。默认的recall模式会生成多个查询，覆盖不同过滤条件和语义解释，适合优先获取相关结果。precision模式只生成单个查询，瞄准最可能的意图，确保每个返回结果都严格符合原始需求。官方示例展示了电商场景下“寻找$150以下防水再生聚酯冬季靴”时两种模式的不同执行路径。

AI产品 Weaviate Query Agent 向量数据库

推荐理由：Weaviate给Query Agent加了filtering参数，想要更多结果选recall，要精准匹配就选precision，适合做RAG的人调一调。

原文

8月11日

23:58

Weaviate@weaviate_io

精选

Weaviate在Search Mode中引入effort参数，允许用户在medium、high、ultrahigh三档间选择，以权衡输出质量与计算成本。ultrahigh档在BRIGHT基准的5个子集上平均nDCG@10达到X，比medium提升Y，比混合搜索提升Z。该功能旨在让开发者根据应用需求灵活调整推理资源。

AI产品 Weaviate Search Mode BRIGHT

推荐理由：Weaviate给搜索模式加了effort档位，想省算力就选medium，要质量就上ultrahigh，BRIGHT基准上提升明显，做RAG的可以试试。

原文

8月6日

22:02

Weaviate@weaviate_io

精选

Weaviate 数据库现已原生支持 MCP 协议。Claude Code、Cursor、VS Code 等客户端可直接连接其 /v1/mcp 端点，与 REST API 同端口，无需额外部署 MCP 服务。该服务提供四个工具：查看集合配置、列出租户、BM25+向量混合查询、插入或更新对象。原有认证和工具级 RBAC 仍生效，MCP 服务与写权限可独立开关，运行时切换无需重启集群。

AI产品 Weaviate MCP Claude Code

事件专题

推荐理由：Weaviate 直接支持 MCP 了，Claude Code 不用额外搭服务就能连数据库查数据、改数据，挺方便。

原文

8月5日

18:47

Weaviate@weaviate_io

Weaviate Query Agent新增Suggest Queries模式，解决用户在空白对话框前不知道问什么的问题。该模式可在对话开始时生成相关提问，帮用户探索数据中可能存在的查询方向。对话中途，它会依据当前上下文推荐自然的后继问题。整个交互基于自然语言，由Query Agent负责后端搜索、聚合和排序。

AI产品 Weaviate Query Agent 对话式搜索

推荐理由：Weaviate给Query Agent加了建议提问模式，用户不用想怎么问，开场和聊到一半都能自动出问题。

原文

7月29日

23:59

Weaviate@weaviate_io

75°

Weaviate 的 Query Agent 自动升级，集成了 OpenAI 的 GPT-5.6 Luna 和 Terra 模型。内部测试显示，recall@5 提升5-10%，nDCG@10 提升5-7%。升级无需用户操作，成本与速度不变。Luna 是 GPT-5.6 系列中最快最便宜的模型，Terra 平衡能力与速度。更优模型能更好根据自然语言生成搜索参数。

AI产品 Weaviate Query Agent GPT-5.6

事件专题

推荐理由：Weaviate 的 Query Agent 现在用上 OpenAI 的新模型 GPT-5.6 Luna 和 Terra，召回率涨了5-10%，不涨价不降速，自动升级真省心。

原文

7月24日

00:46

Weaviate@weaviate_io

精选

Weaviate发布的视频指出，更大的上下文窗口无法解决有问题的Agentic RAG管道。长上下文会引入矛盾信息、掩埋相关工具并导致后续输入被忽略。视频将生产级Agentic RAG拆分为5个系统：查询增强（翻译模糊或多部分输入）、检索（选择平衡精度与上下文的块策略）、记忆（分离短期上下文与长期记忆）、工具（提供清晰描述和schema）和代理（决策编排层）。每个环节都需精心设计上下文工程，而非仅靠扩大窗口。

技巧 Weaviate RAG 智能体

推荐理由：Weaviate出了个视频，把Agentic RAG拆成5个系统讲透了，不是吹大窗口，而是教你怎么控制上下文，推荐搞RAG的人看看。

原文

7月22日

23:36

Weaviate@weaviate_io

精选

Weaviate 推出 Engram，一种专为多智能体管道设计的“发射后不管”记忆系统。它通过三个步骤（提取、转换、提交）在后台异步处理记忆，避免阻塞和重复。在多智能体 RAG 示例中，搜索代理错误地使用文本搜索而不是类型过滤，Engram 将分散在不同代理和上下文窗口中的任务目标、动作和反馈合并为一条可操作记忆。记忆支持项目范围或用户范围，通过多租户保持隔离。系统使得智能体能从经验中持续学习，无需手动干预。

AI产品 Weaviate Engram 多智能体

推荐理由：Weaviate 的 Engram 让多智能体系统能自动从经验中学习，合并分散的反馈，不用手动处理重复和冲突。

原文

00:15

Weaviate@weaviate_io

精选

Weaviate 新增 per-query profiling 功能，通过一个 opt-in 标志即可在单次查询中获取各阶段耗时，如 vector_search_took、filters_build_allow_list_took 等。例如一个示例 profile 显示 48.2ms 总耗时中 36.8ms 用于读取对象，8.4ms 在向量搜索，2.1ms 构建过滤允许列表，说明瓶颈在存储而非 HNSW 参数。该功能无需重启或等待慢查询重现，自动聚合多分片多节点数据，返回 cluster-wide 视图。

AI产品 Weaviate per-query profiling 向量数据库

推荐理由：Weaviate 出了个查询性能剖析利器，一次请求告诉你时间花在哪——是磁盘读、向量搜索还是过滤，不用再瞎猜调参了。

原文

7月16日

23:01

Weaviate@weaviate_io

Weaviate推出Managed Weaviate服务，现已在DigitalOcean上以公开预览形式可用，DigitalOcean负责基础设施运维，包括预配置、安全、每日自动备份、补丁和版本升级、高可用与存储自动扩缩、时间点集群分叉以及性能洞察和日志。该服务运行未经修改的开源Weaviate引擎v1.37.1，与现有Python、JS/TS、Java、C#客户端兼容。用户无需管理服务器或虚拟机即可快速启动Weaviate集群。

AI产品 Weaviate DigitalOcean 向量数据库

推荐理由：Weaviate向量数据库现在可以直接在DigitalOcean上用托管版，不用自己搭服务器，自动备份和高可用都帮你搞定了，省心。

原文

7月14日

23:30

Weaviate@weaviate_io

精选

Weaviate发布Engram演示，解决大多数AI智能体因记忆管理不当而变笨的问题。传统方法要么将整段对话塞入上下文（导致成本高、性能下降），要么存储每条消息（产生噪音和矛盾）。Engram在后台异步运行管道：提取配置主题的信息、调和新旧记忆、处理重复和偏好变化，并将结构化记忆存储到Weaviate。这种主动维护机制让聊天机器人每次交互都实际提升性能。

AI产品 Engram Weaviate 智能体

推荐理由：Weaviate发了Engram demo，它主动维护记忆而不是堆上下文，让聊天机器人越用越聪明，比老方法好多了。

原文

7月10日

01:02

Weaviate@weaviate_io

精选

Weaviate Playground 推出 ecommerce demo，名为 WeCommerce，支持关键词、情绪或氛围查询，自动路由到 BM25、语义向量搜索或混合搜索。结果支持实时分面过滤（类别、品牌、价格），产品页通过近对象向量搜索推荐相似商品。整个搜索和推荐由同一向量集合驱动，无需额外基础设施。演示基于 Weaviate Cloud 免费层，可快速搭建。

技巧 Weaviate WeCommerce 向量搜索

推荐理由：想给你的电商加智能搜索？Weaviate 这个 demo 直接演示了关键词、情绪查询和混合搜索怎么做，还带分面过滤，免费就能试。

原文

7月8日

00:17

Weaviate@weaviate_io

精选

Weaviate Playground 发布了一个报纸主题demo，每2小时从6个新闻主题（general、world、business、technology、sports、health）采集标题。每个标题被转化为1536维向量，利用Leiden算法进行聚类。LLM为每个聚类生成自然语言标签，用户可通过混合搜索（语义+关键词）探索不同角度。该demo展示了向量数据库自动发现潜在故事的能力，并附带构建教程。

技巧 Weaviate 向量数据库 Leiden算法

推荐理由：Weaviate 搞了个demo，用向量聚类把新闻标题自动归类成故事，每2小时更新，还能自己动手搭建。

原文

7月3日

11:21

官方一手arXiv: OpenAI@Leanne P. Guy, Connor Yablonski, Aaron M. Meisner, Guillem Megias Homar, Merlin Fisher-Levine, Eman E. Ali, Tiger J. Hu, Christopher W. Stubbs

该论文为NSF-DOE Vera C. Rubin天文台开发了一个基于检索增强生成（RAG）的虚拟助手原型。系统整合了操作指南、技术笔记和科学论文等分布多平台的大量异构文档。它使用Weaviate进行嵌入存储、LangChain编排查询流程、OpenAI GPT模型作为LLM后端。通过语义搜索和对话式交互，助手将回答锚定在领域知识上，减少了幻觉，提升了准确性。

论文 Rubin天文台 RAG Weaviate

事件专题

推荐理由：这篇论文用Weaviate和LangChain搭了个RAG助手，专门帮天文台员工从文档堆里找答案，很实用，不是吹概念的那种。

原文

01:48

Weaviate@weaviate_io

Weaviate发布了Query Agent，支持在Playground中用自然语言进行欺诈检测数据探索。用户可提问如“哪些客户的交易有地址不匹配”，Agent自动生成跨Transactions、Customers、PhoneProducts三个集合的查询。它同时应用过滤、聚合和跨集合查找，实时返回结果并可查看底层查询。该工具能识别如可疑支付方式、地址不匹配等欺诈模式。

AI产品 Weaviate Query Agent 欺诈检测

推荐理由：Weaviate出了个Query Agent，你直接问问题就能查数据库，不用写SQL，感觉比传统规则系统灵活多了。

原文

6月26日

03:03

Weaviate@weaviate_io

精选76°

Weaviate 1.38 正式发布，带来 HFresh（GA）磁盘向量索引，支持十亿级动态数据、低内存与可预测延迟，无需定期重建。MCP Server（GA）可让 LLM、IDE 和 AI 代理直接连接 Weaviate，并支持运行时开关写入权限。异步复制重构为单调度器集群执行，默认开启。Boost API（预览）允许查询时轻量调整结果排序，嵌套对象过滤（预览）支持 "cars.make" 路径过滤。此外新增 replica 迁移、服务端用量护栏、text2vec-digitalocean 模块等功能。

AI产品 Weaviate 向量数据库 MCP/工具

推荐理由：Weaviate 发新版本啦，HFresh 索引和大模型连接插件 MCP Server 都转正了，十亿级数据不用重建，还能运行时开关 MCP 写入，运维省心很多。

原文

6月25日

07:27

Weaviate@weaviate_io

精选

Engram 是 Weaviate 的记忆系统，能主动协调冲突信息。当用户从机器学习工程师晋升为 CEO，Engram 不会简单叠加两条记忆，而是先用 LLM 工具调用判断行动：重写旧记忆为“用户曾是工程师，现升为 CEO”，并删除新重复记忆。这样避免了记忆冗余，保持历史连贯，防止智能体上下文被矛盾事实污染。

AI产品 Engram Weaviate 记忆协调

推荐理由：Weaviate 的 Engram 解决了 AI 记忆的一大致命伤——信息冲突。不是简单存两笔，而是主动合成新版本，对做多角色 Agent 的朋友很实用。

原文

6月18日

03:02

Weaviate@weaviate_io

Weaviate 宣布其云服务推出永久免费计划，无需试用期或信用卡。免费版包含 Weaviate 的向量数据库、查询代理和记忆能力。用户可用于个人项目、概念验证或初创公司。该计划旨在降低开发者使用向量数据库的门槛。

AI产品 Weaviate 向量数据库免费计划

推荐理由：Weaviate 给了永久免费的向量数据库云服务，不绑信用卡，做原型或小项目直接上手，不用操心试用到期。

原文

6月12日

01:32

Weaviate@weaviate_io

Weaviate 推出了包含 7 个可运行演示的新 playground，涵盖 AI 记忆、欺诈检测、电商搜索、聚类分析、向量搜索对比、护肤推荐和智能体决策树等场景。每个演示都提供可直接复制粘贴的提示词，方便开发者快速上手构建。其中 Engram 演示展示了 AI 智能体的持久记忆能力，能跨对话回忆事实和摘要；欺诈检测演示则通过查询智能体将自然语言问题转化为结构化查询，发现交易模式。Weaviate 还推出了免费永久层，鼓励开发者免费开始构建。

AI产品 Weaviate 向量数据库 RAG

推荐理由：做 AI 应用和智能体开发的团队，可以直接用这些演示模板快速验证想法，尤其是 Engram 的持久记忆和欺诈检测的查询智能体，值得立刻试试。

原文

6月11日

03:15

Weaviate@weaviate_io

Weaviate 发布 Engram，一种结构化记忆系统，将记忆组织为分组、主题和作用域，而非简单累积。分组定义用例边界，主题指定提取的信息类型，作用域限定记忆归属（项目级、用户级、会话级）。这解决了传统记忆系统因无结构导致的跨用户污染、跨会话干扰和检索噪声问题。例如，编程助手可分离仓库级、用户级和会话级记忆，提升检索清晰度。Engram 通过异步管道处理原始输入，并利用 Weaviate 的多租户保持边界完整。

AI产品记忆系统结构化记忆 Weaviate

推荐理由：做 AI 应用尤其是编程助手或对话系统的团队，记忆混乱是常见痛点——Engram 的结构化方案直接解决了检索噪声和跨会话污染，值得点开看看怎么落地。

原文

6月10日

06:13

Weaviate@weaviate_io

Weaviate 发布了名为 Engram 的托管记忆服务，旨在解决 AI 应用中因不良记忆系统导致的问题。Engram 不再简单地将聊天历史塞入上下文，而是通过异步管道提取关键事实、与已有知识协调、去重并保留更新，最终在数据库中维护干净的记忆状态。这使得 AI 代理能可靠地回忆用户偏好、学习先前任务、更新过时信息，而不会因上下文膨胀导致延迟、成本增加和混乱。对于需要长期记忆的 AI 应用开发者来说，Engram 提供了一种更严格、更高效的记忆基础设施。

AI产品记忆系统 Weaviate Engram

推荐理由：Weaviate 的 Engram 解决了 AI 应用中最头疼的记忆混乱问题——做智能体或对话系统的开发者，别再让模型背锅了，试试把记忆当基础设施来管。

原文

6月4日

02:12

Weaviate@weaviate_io

Weaviate 宣布 Engram 正式 GA，这是一个专为智能体应用设计的托管记忆服务。传统记忆系统只是扩展上下文窗口，导致智能体随时间推移性能停滞、重复解决问题、浪费 token。Engram 通过异步管道主动维护记忆，支持去重、偏好变化和时间演化事实的处理。它提供“发后即忘”API、自然语言主题记忆磁铁、多级隔离和可组合管道，基于 Weaviate 的向量+关键词+元数据搜索。适用于聊天机器人、经验学习智能体和多智能体系统，前三个月免费至7月15日。

AI产品智能体记忆系统 Weaviate

推荐理由：做智能体应用的团队终于有了正经的记忆基础设施——Engram 解决了智能体随时间变笨的核心痛点，做聊天机器人、经验学习或多智能体系统的开发者值得立即试用。

原文

5月29日

08:14

Weaviate@weaviate_io

Weaviate 发布了一篇简洁的 AI 智能体术语解释，涵盖 MCP、单/多智能体架构、技能、Agentic RAG 和记忆等核心概念。文章指出记忆是难点，并介绍了其自研的记忆与上下文管理方案 Engram。该内容旨在帮助开发者快速理解智能体相关术语，避免观看冗长的视频教程。

AI产品 MCP/工具智能体 RAG

推荐理由：想快速搞懂 AI 智能体核心概念（MCP、RAG、记忆）的开发者，不用再刷 45 分钟视频了，这篇直接给干货。

原文

5月28日

10:04

Weaviate@weaviate_io

在柏林黑客松中，一个团队用 36 小时构建了结合 Twitter 趋势检测与个性化 AI 内容生成的系统。技术栈包括 Weaviate 用于语义搜索、Gemini 模型生成内容、Tavily 提供上下文检索，以及基于 Pioneer 的评分模型。系统通过语义聚类识别新兴趋势，并分析用户写作风格建立人格模型，从而生成符合个人风格的推文。该项目最终赢得 1 万美元大奖，展示了 AI 在社交媒体内容创作中的创新应用。

AI产品 Weaviate Gemini 趋势检测

推荐理由：这个项目展示了如何用 Weaviate 和 Gemini 快速构建一个从趋势发现到个性化内容生成的完整 AI 工作流，做社交媒体运营或内容创作的团队可以直接借鉴其思路。

原文

5月27日

00:47

Weaviate@weaviate_io

Booking.com 的 Başak Eskili 在 Weaviate Podcast 上分享了他们从关键词匹配到语义检索的 AI 进化之路，最终在 AWS 上使用 OpenSearch 并迁移到 Weaviate 以应对 1 亿+嵌入向量的生产级规模。他们构建的合作伙伴到客人的消息代理是真实的智能体 AI 案例：Weaviate 检索回复模板，API 获取上下文，智能体推荐或生成回复，必要时转人工。评估体系包括离线数据集、LLM 作为裁判、A/B 测试和实时反馈。他们还测试了过滤向量搜索、多线程并发、读写并发和成本优化，并展望了带记忆系统的个性化旅行代理。

AI产品向量搜索 Weaviate OpenSearch

推荐理由：做向量搜索或 RAG 系统的团队，Booking.com 的 1 亿+嵌入生产实战比任何论文都实在，看完能避开不少坑。

原文

5月22日

00:44

Weaviate@weaviate_io

一位开发者让 Claude Code 在仓库中实现一个简单功能，结果三回合就消耗了 80K tokens，因为代理难以定位代码中正确的逻辑部分。Weaviate v1.37.1 版本在数据库中内置了 MCP 服务器，支持 Claude Code、Cursor 或 VS Code 直接连接。该服务器允许代理将代码库等材料摄入 Weaviate，并在需要时进行混合搜索，精准处理混合意图的代码查询。MCP 服务器与 REST API 共用同一端口，无需额外进程或外部工具，大幅降低了上下文窗口浪费的问题。

AI产品 MCP/工具代码搜索 Weaviate

事件专题

推荐理由：Claude Code 用户常因上下文窗口爆炸而头疼，Weaviate 内置 MCP 服务器让代码搜索更精准，做 AI 编程的团队可以直接集成，省 token 又省心。

原文

5月21日

00:26

Weaviate@weaviate_io

精选

Weaviate 1.37 版本新增了最大边际相关性（MMR）算法，用于解决向量搜索中返回高度相似重复结果的问题。通过一个参数 selection= Diversity.MMR(limit=5, balance=0.5)，算法在每次选择结果时惩罚与已选结果过于相似的候选，确保最终结果既相关又多样。balance 参数可调节多样性与相关性的权重，0.0 为最大多样性，1.0 为标准搜索。该功能适用于所有 near_* 查询，特别适合检索密集型智能体和标准 RAG 管道，能有效利用上下文窗口，避免浪费 slots。

AI产品向量搜索 MMR Weaviate

推荐理由：做 RAG 或智能体检索的团队，终于不用被五个语义相同的 chunk 塞满上下文了——Weaviate 的 MMR 一行参数就能让结果既相关又多样，值得直接上手试。

原文

5月19日

23:00

Weaviate@weaviate_io

精选

Weaviate推出新方法，使用Gemini embedding 2 multimodal直接对视频片段进行嵌入。无需转录文本或元数据，将原始视频分割成重叠片段后即可存入Weaviate。用户提问后系统直接从视频中定位相关片段并生成回答。该方法简化了视频搜索流程，消除了预处理步骤。相关notebook和完整指南已在GitHub和Weaviate博客发布。

技巧 Weaviate Gemini 多模态

推荐理由：视频搜索不用转文字了

原文

5月16日

17:31

Weaviate@weaviate_io

精选

Weaviate 发布了名为 HFresh 的新型向量搜索索引，它通过将向量存储在磁盘上，仅在内存中保留紧凑的质心索引，大幅降低了内存需求。HFresh 将向量划分为多个小区域（postings），利用内存中的 HNSW 索引定位相关区域，再从磁盘获取数据，并采用两级旋转量化压缩。相比传统 HNSW 索引，HFresh 在十亿级向量规模下仍能保持可预测的延迟，尤其适合高维嵌入、成本敏感部署和写入密集型场景。目前 HFresh 已在 Weaviate Cloud 中提供，建议在非生产环境中测试。

AI产品向量搜索 HNSW HFresh

推荐理由：做向量搜索的团队终于不用为内存账单发愁了——HFresh 把 HNSW 的内存占用砍到零头，十亿级向量也能跑在更小的机器上，成本敏感或写入密集的场景尤其值得一试。

原文

17:30

Weaviate@weaviate_io

Weaviate 在 Query Agent 中推出了 Suggest Queries Mode，能根据集合中的数据自动推荐查询问题，解决用户面对聊天机器人不知该问什么的痛点。相比手动添加静态模板或搭建复杂生成管道，这种方式更轻量且能提升用户参与度。该模式直接集成在现有 Query Agent 中，无需额外配置。对于构建知识库问答或数据探索类应用的团队，这是一个降低用户使用门槛的实用功能。

AI产品 Weaviate Query Agent 聊天机器人

推荐理由：做知识库问答或数据探索应用的团队，终于不用再为「用户不知道问什么」头疼了——Weaviate 这个功能直接根据数据推荐问题，建议集成到你的 chatbot 里试试。

原文