Begriff
Weaviate
Weaviate ist eine quelloffene Vektor-Datenbank in Go — sie speichert Objekte samt Embeddings, kombiniert semantische und Keyword-Suche (BM25) und bietet integrierte Vektorisierung, RAG und Multi-Mandanten-Betrieb.
Weaviate — ausführlich erklärt
Weaviate ist eine Open-Source-Vektor-Datenbank, die in Go geschrieben ist und sowohl Objekte als auch deren Embeddings speichert. Daten werden in Collections organisiert, die ähnlich wie ein Schema mit Properties und Indizes konfiguriert werden. Als Vektor-Index nutzt Weaviate standardmäßig HNSW, das auch bei Millionen Einträgen schnell bleibt.
Ein Kernmerkmal ist die modulare Architektur: Über Vektorizer-Module lassen sich Texte beim Import automatisch in Embeddings umwandeln — etwa via OpenAI, Cohere, Hugging Face oder Google. Diese Modelle laufen meist als separate Microservices. Weaviate beherrscht Hybrid-Suche, die semantische Vektorsuche mit klassischer Keyword-Suche (BM25) in einer einzigen Abfrage verbindet, sowie integrierte Generative Search (RAG) und Reranking. Angesprochen wird die Datenbank über GraphQL und eine REST-API.
Für den Produktivbetrieb bringt Weaviate Multi-Tenancy (isolierte Mandantendaten in einem Cluster), Replikation und rollenbasierte Zugriffskontrolle (RBAC) mit. Es läuft selbst-gehostet, als gemanagte Weaviate Cloud oder als Kubernetes-Paket in der eigenen VPC.
Beispiel / Praxisbezug
Eine typische RAG-Pipeline: Dokumente werden in eine Collection importiert, wobei ein konfigurierter Vektorizer die Embeddings direkt erzeugt — ein separater Embedding-Schritt im eigenen Code entfällt. Eine Hybrid-Abfrage kombiniert dann Vektor-Ähnlichkeit und BM25-Score, sodass exakte Begriffstreffer (etwa Produktnamen oder Fehlercodes) nicht verloren gehen, während semantisch ähnliche Passagen ebenfalls gefunden werden. Über Multi-Tenancy lassen sich Daten verschiedener Kunden sauber im selben Cluster trennen.
Abgrenzung zu ähnlichen Begriffen
Qdrant ist in Rust geschrieben und legt den Fokus stärker auf Payload-Filterung im Index; Weaviate punktet dagegen mit Schema-Modellierung, eingebauten Vektorizer-Modulen und Hybrid-Suche ab Werk. Pinecone ist Cloud-only und nimmt fertige Embeddings entgegen, ohne selbst zu vektorisieren. pgvector ist die richtige Wahl, wenn Vektoren neben relationalen Daten in einer bestehenden Postgres-Datenbank liegen sollen. Eine allgemeine Einordnung der Kategorie bietet der Eintrag Vektor-Datenbank.
Entdecke mehr
Tokens sparen mit Claude: 6 Prinzipien, mit denen Experten doppelt so schnell arbeiten
Wie ich meine CLAUDE.md von Stilrichtlinie auf Token-Budget umgestellt habe — 6 Prinzipien für weniger Kosten, weniger Wartezeit und ehrlicheres Reporting.
GlossarChroma
Chroma (ChromaDB) ist eine quelloffene Vektordatenbank zum Speichern und Durchsuchen von Embeddings. Sie wird vor allem in RAG-Systemen genutzt, um relevante Textpassagen per Ähnlichkeitssuche an Sprachmodelle zu liefern.
LexikonVektor-Datenbanken
Was Vektor-Datenbanken leisten, wofür man sie braucht und wie sich Chroma, Weaviate, Milvus, Qdrant und pgvector im Vergleich schlagen.