Zvec 完全指南：阿里巴巴開源的輕量級向量資料庫

2026-06-17 向量資料庫 RAG 阿里巴巴開源專案 AI 基礎設施

當你想給 AI 應用加上「以文搜圖」「語意搜尋」「相似度推薦」功能時，第一個想到的是什麼？Chroma？Pinecone？還是 Weaviate？

今天介紹的這個開源專案，可能會讓你重新思考向量資料庫的選擇——它叫 Zvec，是阿里巴巴通義實驗室開源的嵌入式向量資料庫，被稱為「向量資料庫界的 SQLite」。

無需伺服器、無需 Docker、無需設定檔，pip install zvec 之後直接在你的 Python 行程中就能執行。就是這麼簡單。

專案簡介

Zvec 是阿里巴巴開源的一個輕量級、行程內（in-process）向量資料庫。它的設計理念和 SQLite 如出一轍——不依賴任何外部服務，直接嵌入到你的應用程式中。

特性	說明
GitHub Stars	10,400+（2026 年 6 月 GitHub Trending 上榜）
授權條款	Apache 2.0
語言	C++ 核心，多語言 SDK（Python / Node.js / Go / Rust / Dart）
最新版本	v0.5.0（2026-06-12）
底層引擎	Proxima（阿里巴巴內部使用的向量搜尋引擎）

Zvec vs 傳統向量資料庫

特性	Zvec	Chroma	Pinecone	Milvus
部署方式	行程內（嵌入式）	需要服務	雲端託管	需要部署
安裝	`pip install zvec`	需要 Docker	註冊帳號	複雜部署
記憶體佔用	低（DiskANN 索引支援磁碟儲存）	中等	不適用	高
適用場景	本機應用、Edge、中小規模 RAG	原型開發	生產雲端服務	大規模叢集

一句話總結： 如果你需要一個「開箱即用」的向量資料庫，不想折騰伺服器和設定，Zvec 是最輕量、最快速的選擇。

安裝

Zvec 支援多個作業系統和程式語言，安裝非常簡單。

Python（推薦）

pip install zvec

要求 Python 3.10 - 3.14。

Node.js

npm install @zvec/zvec

Go

go get github.com/zvec-ai/zvec-go

Rust

# Cargo.toml
[dependencies]
zvec = "0.5"

系統需求

平台	架構
Linux	x86_64, ARM64
macOS	ARM64 (Apple Silicon)
Windows	x86_64

快速上手

第一個向量搜尋

只需幾行程式碼，就能建立一個完整的向量資料庫並完成相似度搜尋：

import zvec

# 1. 定義集合結構（Schema）
schema = zvec.CollectionSchema(
    name="my_collection",
    vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4),
)

# 2. 建立並開啟集合（自動持久化到本機）
collection = zvec.create_and_open(path="./my_zvec_data", schema=schema)

# 3. 插入向量資料
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]}),
    zvec.Doc(id="doc_3", vectors={"embedding": [0.9, 0.1, 0.1, 0.2]}),
])

# 4. 執行向量相似度搜尋
results = collection.query(
    zvec.VectorQuery("embedding", vector=[0.2, 0.3, 0.3, 0.1]),
    topk=2
)

# 輸出結果
for r in results:
    print(f"ID: {r['id']}, 相似度得分: {r['score']:.4f}")

執行結果：

ID: doc_2, 相似度得分: 0.9899
ID: doc_1, 相似度得分: 0.9798

建構一個簡單的 RAG 應用

結合 OpenAI 的 embedding 模型，快速搭建一個文件問答系統：

import zvec
import openai

# 初始化 embedding 模型
client = openai.OpenAI(api_key="your-api-key")

def get_embedding(text: str) -> list[float]:
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    return response.data[0].embedding

# 建立集合
schema = zvec.CollectionSchema(
    name="rag_docs",
    vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 1536),
    fields=[
        zvec.FieldSchema("content", zvec.DataType.STRING),
        zvec.FieldSchema("source", zvec.DataType.STRING),
    ],
)

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

# 索引文件
documents = [
    ("Zvec 是阿里巴巴開源的輕量級向量資料庫", "doc1.md"),
    ("向量資料庫用於儲存和檢索高維向量資料", "doc2.md"),
    ("RAG 技術結合了檢索和生成，是目前 LLM 應用的主流方案", "doc3.md"),
]

for content, source in documents:
    embedding = get_embedding(content)
    collection.insert([
        zvec.Doc(
            vectors={"embedding": embedding},
            fields={"content": content, "source": source},
        )
    ])

# 搜尋最相關的文件
question = "什麼是向量資料庫？"
query_embedding = get_embedding(question)

results = collection.query(
    zvec.VectorQuery("embedding", vector=query_embedding),
    topk=2
)

print("相關文件：")
for r in results:
    print(f"- [{r['fields']['source']}] {r['fields']['content']}")
    print(f"  相似度: {r['score']:.4f}\n")

進階功能

全文搜尋（Full-Text Search）

v0.5.0 引入了原生全文搜尋功能，無需引入 Elasticsearch 或其他外部搜尋引擎：

import zvec

schema = zvec.CollectionSchema(
    name="ft_search",
    vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 384),
    fields=[
        zvec.FieldSchema("title", zvec.DataType.STRING),
        zvec.FieldSchema("body", zvec.DataType.STRING),
    ],
)

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

# 為 body 欄位建立全文搜尋索引
collection.create_fts_index("body_fts", field="body")

# 插入資料
collection.insert([
    zvec.Doc(
        id="1",
        vectors={"embedding": [0.1] * 384},
        fields={"title": "Python 教學", "body": "Python 是一門強大的程式語言，廣泛用於 AI 和資料分析。"},
    ),
    zvec.Doc(
        id="2",
        vectors={"embedding": [0.2] * 384},
        fields={"title": "JavaScript 入門", "body": "JavaScript 是前端開發的核心語言，支援 Web、Node.js 等場景。"},
    ),
])

# 全文搜尋
results = collection.query(
    zvec.FTSQuery("body_fts", "Python 資料分析"),
    topk=5
)

for r in results:
    print(f"[{r['fields']['title']}] {r['fields']['body'][:30]}...")

混合搜尋（Hybrid Search）

Zvec 最強大的功能之一是將向量搜尋、全文搜尋和純量過濾組合在一起，一次查詢獲得最精確的結果：

# 混合搜尋：向量 + 全文 + 純量過濾
results = collection.query(
    zvec.MultiQuery([
        # 向量相似度
        zvec.VectorQuery("embedding", vector=[0.15] * 384, weight=0.7),
        # 全文搜尋
        zvec.FTSQuery("body_fts", "程式語言 教學", weight=0.3),
    ]),
    topk=3
)

for r in results:
    print(f"[{r['id']}] 混合得分: {r['score']:.4f}")

DiskANN 磁碟索引

當你的向量資料量很大時，記憶體可能不夠。Zvec 的 DiskANN 索引可以將大部分索引儲存在磁碟上，大幅降低記憶體佔用：

schema = zvec.CollectionSchema(
    name="large_collection",
    vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 768),
)

# 使用 DiskANN 索引建立集合
collection = zvec.create_and_open(
    path="./diskann_data",
    schema=schema,
    index_options=zvec.IndexOptions(
        index_type=zvec.IndexType.DISKANN,  # 磁碟索引
    )
)

# 插入大量資料（百萬級也不怕）
for i in range(100000):
    collection.insert([zvec.Doc(
        id=f"doc_{i}",
        vectors={"embedding": [0.1 * (i % 768)] * 768},
    )])

純量過濾

在向量搜尋的基礎上，加上結構化欄位過濾：

results = collection.query(
    zvec.ScalarQuery("category = 'AI' AND published_year >= 2025"),
    topk=10
)

持久化與併發

Zvec 使用 WAL（Write-Ahead Logging）保證資料持久化，即使行程崩潰或斷電也不會遺失資料。同時支援多個行程同時讀取同一個集合（寫入時獨佔）：

# 行程 A：寫入
collection_a = zvec.open("./shared_data", mode="write")
collection_a.insert([zvec.Doc(id="new_1", vectors={"embedding": [0.5] * 4})])
collection_a.flush()

# 行程 B：讀取（與行程 A 並行）
collection_b = zvec.open("./shared_data", mode="read")
results = collection_b.query(
    zvec.VectorQuery("embedding", vector=[0.5] * 4),
    topk=5
)

效能表現

根據官方基準測試，Zvec 在多個維度上表現出色：

搜尋延遲： 毫秒級回應，即使在數十億向量資料集上
記憶體效率： DiskANN 索引比傳統記憶體索引節省 10 倍以上的記憶體
吞吐量： 支援高併發查詢場景
對比競品： 在相同硬體下，Zvec 的 QPS（每秒查詢數）和延遲均優於 Chroma 和 Milvus

詳細基準測試資料請參考官方 Benchmarks 文件。

視覺化除錯工具：Zvec Studio

如果你不喜歡寫程式碼來除錯向量資料，Zvec 官方提供了視覺化工具 Zvec Studio：

git clone https://github.com/zvec-ai/zvec-studio
cd zvec-studio
npm install && npm run dev

開啟瀏覽器即可瀏覽集合資料、除錯查詢語句、檢視索引狀態——無需編寫任何程式碼。

適用場景

場景	為什麼適合 Zvec
個人 RAG 應用	無需部署外部服務，pip install 即用
桌面端 AI 應用	嵌入式設計，不增加額外行程
行動端/Edge 裝置	輕量、低記憶體佔用
原型快速驗證	零設定，5 分鐘跑通完整流程
中小規模生產	WAL 持久化 + DiskANN 保證可靠性
多語言專案	Python / Node.js / Go / Rust / Dart SDK

總結

Zvec 的出現填補了一個重要的空白——在 Chroma 等需要 Docker 部署的向量資料庫，和 Pinecone 等雲端服務之間，Zvec 提供了一個真正輕量、真正嵌入式的替代方案。

如果你是以下類型的開發者，Zvec 值得你花 5 分鐘試試：

想在本機跑一個 RAG 應用，不想折騰 Docker
需要一個簡單的向量資料庫做語意搜尋原型
在開發桌面/行動端 AI 應用，需要輕量級嵌入方案
厭倦了複雜設定，想要 pip install 就能用的工具

專案位址： github.com/alibaba/zvec
官方文件： zvec.org

如果你也在用 Zvec，歡迎在留言區分享你的使用體驗。或者你已經在用其他向量資料庫了？歡迎聊聊 Zvec 和其他方案的對比。

深入介紹阿里巴巴開源的輕量級向量資料庫 Zvec，從安裝、快速上手到進階功能，打造你的 AI 應用相似度搜尋引擎。