Weaviate 上线了查询剖析功能,能告诉你慢在 HNSW、过滤还是磁盘读取,示例里 48.2ms 有 36.8ms 花在对象回取,调优前先看这个。
#Weaviate
做 RAG 检索的可以看看:Weaviate 1.39 的 MMR 参数一个 balance 就能让搜索结果不扎堆,且不用重建索引。
Weaviate 写的 Engram 记忆调优指南,讲了记忆该存什么、怎么检索、放提示词哪里,还教你怎么不弄坏 prompt 缓存,做智能体的可以照着调。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。