zvec

项目简介#

zvec 是由阿里巴巴开源的进程内向量数据库，旨在提供极致的检索性能和极简的部署体验。它无需独立服务器，可直接嵌入 Python 应用中，支持十亿级数据的毫秒级查询。底层依托阿里 Proxima 引擎，保证了工业级的稳定性。

核心特性#

• 高性能搜索：毫秒级完成十亿级向量检索
• 零配置部署：安装即用，无需服务器、无需配置文件
• 混合检索：结合语义相似性与结构化过滤
• 多向量类型支持：同时支持 Dense vectors 和 Sparse vectors
• 进程内运行：直接作为库嵌入宿主程序，零网络延迟

安装与快速开始#

环境要求：Python 3.10 - 3.12

支持平台：

• Linux (x86_64, ARM64)
• macOS (ARM64)

安装命令：

pip install zvec

使用示例#

import zvec

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

# 创建并打开 Collection
collection = zvec.create_and_open(path="./zvec_example", schema=schema)

# 插入文档
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]}),
])

# 向量检索
results = collection.query(
    zvec.VectorQuery("embedding", vector=[0.4, 0.3, 0.3, 0.1]),
    topk=10
)

print(results)  # [{'id': str, 'score': float, ...}, ...]

核心概念#

• Collection：数据集合容器
• CollectionSchema：集合元数据定义，包含向量字段类型（如 VECTOR_FP32）和维度
• Doc：文档对象，包含 ID 和向量数据
• VectorQuery：查询对象，封装查询向量和 TopK 参数

典型应用场景#

• RAG / 检索增强生成：作为 LLM 的本地知识库检索层
• 边缘计算 / 端侧 AI：在资源受限或无网环境下运行向量搜索
• 语义搜索与推荐系统：结合元数据过滤的高性能向量检索
• 快速原型开发：在 Notebook 中无需搭建服务器即可测试向量模型

架构特点#

• In-process 架构：编译为原生机器码，通过语言绑定直接加载到应用进程空间
• 本地文件存储：通过 path 参数指定数据持久化目录
• 底层引擎：基于 Proxima（阿里巴巴久经考验的向量搜索引擎）