alibaba/zvec

📚 什么是 Zvec？

Zvec 是由阿里巴巴开发的 开源、进程内向量数据库。它允许您存储嵌入（密集或稀疏），并在您的应用程序内部直接执行超快速相似性搜索——无需外部服务器，无需复杂部署。它还包含原生全文搜索和混合查询，可将向量相似性、关键词匹配和结构化过滤器融合到一个查询中。

⭐ 核心功能（如 README 所述）

闪电般快速的 ANN 搜索 – 使用多种索引类型（HNSW、IVF‑RaBitQ、PQ‑INT8 等），可在毫秒内查询数十亿向量。
密集与稀疏嵌入 – 支持 FP32 向量和稀疏表示，以及多向量查询。
混合搜索 – 在单个查询中融合向量相似性、全文搜索（BM25/N‑gram）和结构化过滤器。
持久化存储 – 通过预写日志（WAL）保证崩溃后数据持久性。
并发读取 – 多个进程可同时读取一个集合；写入仅限一个进程独占。
跨平台 – 支持 Linux（x86_64 & ARM64，glibc & musl）、macOS（Intel & Apple‑silicon）和 Windows。Android 和 iOS 也提供预构建 SDK。
语言 SDK – Python、Node.js、Go、Rust、Dart/Flutter。
CLI 与 UI 工具 – zvec-grep（本地优先搜索 CLI）和 Zvec Studio（可视化浏览器/调试器）。

🚀 快速入门（来自 README 的 Python 示例）

import zvec

schema = zvec.CollectionSchema(
    name="example",
    vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4),
)

collection = zvec.create_and_open(path="./zvec_example", schema=schema)

collection.insert([
    zvec.Doc(id="doc_1", vectors={"embedding": [0.1, 0.2, 0.3, 0.4]}),
    zvec.Doc(id="doc_2", vectors={"embedding": [0.2, 0.3, 0.4, 0.1]}),
])

results = collection.query(
    zvec.Query(field_name="embedding", vector=[0.4, 0.3, 0.3, 0.1]),
    topk=10,
)
print(results)  # → [{'id': str, 'score': float, ...} 的列表]

该代码片段展示了如何定义集合、插入几个向量，并在几行代码内执行相似性查询。

📦 安装

语言	命令
Python	`pip install zvec`（Python 3.10–3.14，64 位）
Node.js	`npm install @zvec/zvec`
Go	使用 `github.com/zvec-ai/zvec-go` 的绑定
Rust	`cargo add zvec-rust`
Dart/Flutter	`flutter pub add zvec`

为所有主要操作系统/CPU 组合提供预构建的动态库，项目也可从源码构建（详见文档）。

📈 性能与基准测试

README 中突出展示了一张基准图像，显示 1000 万向量集合的延迟在毫秒级别。详细的方法和结果可在在线 Benchmarks 文档中查阅。

🤝 谁可能使用 Zvec？

需要本地向量存储进行检索增强生成、聊天机器人记忆或语义搜索的 LLM 驱动应用。
无法运行独立服务器的 边缘或移动应用；进程内库可轻松部署在设备上。
希望在无网络开销下实现快速相似性查找的 数据科学笔记本。
需要在单个查询中同时实现关键词匹配和嵌入相似性的 混合搜索工作负载。

🌐 社区与贡献

官方文档、快速入门指南和基准页面托管于 zvec.org。
社区渠道：Discord、钉钉、微信、X（Twitter）账号。
通过标准 GitHub 工作流贡献代码；提供 CONTRIBUTING 指南。

📌 总结

Zvec 是一个生产级、进程内向量数据库，结合了高速 ANN 搜索、全文功能和持久化存储，并为主要编程语言提供即用型 SDK。它专为希望将向量搜索直接嵌入应用的开发者设计——无论是在服务器、笔记本还是边缘设备上，都无需管理独立数据库服务。