轻量级进程内向量数据库 zvec：无需服务器，百毫秒内搜索十亿向量 | zvec

📌 项目地址：alibaba/zvec | ⭐ 10,372 颗星 | 🔧 C++ | 📜 未标注

为什么需要一个新的向量数据库？

向量搜索已成为现代应用（推荐系统、RAG、语义搜索）的核心组件。但大多数向量数据库要么是独立服务（如 Milvus、Qdrant），部署和维护成本高；要么是纯索引库（如 FAISS），缺乏持久化、并发控制和丰富的数据管理能力。zvec 填补了这个中间地带：它是一个嵌入式（in-process）进程内向量数据库，可以直接链接到应用进程中，无需独立服务器，却同时提供持久化存储、多进程并发读取、WAL 日志保护，以及罕见的原生全文搜索与混合检索能力。

核心特性：不再只是“向量搜索”

• 嵌入式、零运维：安装即用，纯本地无服务、无配置。无论是 Jupyter Notebook、后端服务还是边缘设备，只要代码能运行的地方 zvec 就能运行。
• Dense + Sparse + Full-Text：除了常规的稠密向量和稀疏向量索引，zvec 从 v0.5.0 起支持原生全文搜索（FTS）和混合查询（MultiQuery），可在一条请求中融合向量相似度、全文关键词和结构化过滤条件。
• 生产级持久化：基于 Write-Ahead Logging（WAL）确保数据不丢失；支持多进程并发读、单进程独占写。
• 跨语言支持：官方提供 Python、Node.js、Go、Rust、Dart/Flutter SDK，以及可视化管理工具 Zvec Studio。

实际用法：从安装到混合搜索

根据官方文档，接入 zvec 只需要几行代码。以下以 Python 为例，展示基本流程（完整 API 请参考 官方文档）：

# 安装
pip install zvec

1. 创建或打开一个集合（Collection）：集合类似于关系数据库的表，用于存储向量、属性和文本字段。
2. 插入数据：可同时带有密集向量、稀疏向量、字符串字段和数值标量。
3. 构建索引：支持 HNSW、IVF、DiskANN（v0.5.0 新增，适合大规模磁盘索引）等类型。
4. 查询：使用 query 方法进行向量近邻搜索；或者使用 multi_query 同时执行向量搜索 + 全文搜索 + 标量过滤，返回混合排序结果。

例如，假设你有一个商品描述数据集，可以这样实现混合检索：

# 伪代码示意，真实 API 以官方文档为准
collection = zvec.Collection("products")
collection.insert([
    {"id": 1, "title": "红色连衣裙", "vector": [0.1, 0.2, ...], "price": 199},
    {"id": 2, "title": "蓝色牛仔裤", "vector": [0.3, 0.4, ...], "price": 299},
])

# 混合查询：语义相似搜索 + 全文匹配“连衣裙” + 价格 < 250
result = collection.multi_query(
    dense_vector=[0.15, 0.25, ...],
    text="连衣裙",
    filter={"price": {"$lt": 250}},
)

zvec 会自动融合向量距离分数和全文相关度分数，返回精确结果。所有操作都在进程内完成，数据持久化到本地文件，无需任何外部依赖。

与同类工具的对比

zvec 最大的差异化能力就是一键同时做向量+全文+过滤，这在其他嵌入式方案中几乎看不到。如果你的业务需要同时理解语义和关键词（比如电商搜索、企业内部文档检索），zvec 可以节省集成 Elasticsearch 或 PostgreSQL 全文索引的巨大成本。

注意事项

• v0.5.0 仍在快速迭代中：FTS 和 DiskANN 都是全新特性，API 可能随版本调整，建议绑定具体版本号（如 zvec>=0.5,<0.6）并关注 Release Notes。
• C++ 运行时依赖：虽然使用 Python/Node.js SDK 无需编译，但底层是 C++ 库，某些环境（如极小容器）可能需要确保 glibc 版本兼容。
• 单进程写入限制：WAL 模型下写入是单进程独占，如果多个进程同时写入会冲突——这符合大多数嵌入场景（一个应用实例一个写入者），但若需要分布式写入，需自行设计分片。
• 许可证：项目采用 Apache 2.0 许可证，可自由商用，但请注意阿里巴巴官方未提供商业支持，社区可参考 Discord 和 GitHub Issues。

谁应该关注这个项目？

如果你的应用需要本地化、低延迟、不需要额外部署搜索引擎的向量 + 文本搜索能力——比如桌面软件、移动端本地推荐、IoT 设备上的语义检索，或者你希望将一个多模型的 RAG 系统直接嵌入到简单的 Python 服务中，zvec 是目前最轻量、功能最全面的选择之一。