Zvec 完全ガイド：Alibaba がオープンソース化した軽量ベクトルデータベース

pip install zvec

npm install @zvec/zvec

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

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

import zvec

# 1. コレクションスキーマを定義
schema = zvec.CollectionSchema(
    name="my_collection",
    vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4),
)

# 2. コレクションを作成してオープン（ローカルに自動永続化）
collection = zvec.create_and_open(path="./my_zvec_data", schema=schema)

# 3. ベクトルデータを挿入
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. ベクトル類似度検索を実行
results = collection.query(
    zvec.VectorQuery("embedding", vector=[0.2, 0.3, 0.3, 0.1]),
    topk=2
)

# 結果を出力
for r in results:
    print(f"ID: {r['id']}, 類似度スコア: {r['score']:.4f}")

import zvec
import openai

# embedding モデルを初期化
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

# コレクションを作成
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)

# ドキュメントをインデックス
documents = [
    ("Zvec は Alibaba がオープンソース化した軽量ベクトルデータベース", "doc1.md"),
    ("ベクトルデータベースは高次元ベクトルデータの保存と検索に使用される", "doc2.md"),
    ("RAG テクノロジーは検索と生成を組み合わせ、現在の LLM アプリの主流ソリューション", "doc3.md"),
]

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

# 最も関連性の高いドキュメントを検索
question = "ベクトルデータベースとは？"
query_embedding = get_embedding(question)

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

print("関連ドキュメント：")
for r in results:
    print(f"- [{r['fields']['source']}] {r['fields']['content']}")
    print(f"  類似度: {r['score']:.4f}\n")

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)

# body フィールドの全文検索インデックスを作成
collection.create_fts_index("body_fts", field="body")

# データを挿入
collection.insert([
    zvec.Doc(
        id="1",
        vectors={"embedding": [0.1] * 384},
        fields={"title": "Python チュートリアル", "body": "Python は強力なプログラミング言語で、AI やデータ分析に広く使われている。"},
    ),
    zvec.Doc(
        id="2",
        vectors={"embedding": [0.2] * 384},
        fields={"title": "JavaScript 入門", "body": "JavaScript はフロントエンド開発の中心的言語で、Web や Node.js などをサポート。"},
    ),
])

# 全文検索
results = collection.query(
    zvec.FTSQuery("body_fts", "Python データ分析"),
    topk=5
)

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

# ハイブリッド検索：ベクトル + 全文 + スカラーフィルタ
results = collection.query(
    zvec.MultiQuery([
        # ベクトル類似度
        zvec.VectorQuery("embedding", vector=[0.15] * 384, weight=0.7),
        # 全文検索
        zvec.FTSQuery("body_fts", "プログラミング言語 チュートリアル", weight=0.3),
    ]),
    topk=3
)

for r in results:
    print(f"[{r['id']}] ハイブリッドスコア: {r['score']:.4f}")

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

# DiskANN インデックスでコレクションを作成
collection = zvec.create_and_open(
    path="./diskann_data",
    schema=schema,
    index_options=zvec.IndexOptions(
        index_type=zvec.IndexType.DISKANN,  # ディスクインデックス
    )
)

# 大量データを挿入（百万レベルでも大丈夫）
for i in range(100000):
    collection.insert([zvec.Doc(
        id=f"doc_{i}",
        vectors={"embedding": [0.1 * (i % 768)] * 768},
    )])

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

# プロセス A：書き込み
collection_a = zvec.open("./shared_data", mode="write")
collection_a.insert([zvec.Doc(id="new_1", vectors={"embedding": [0.5] * 4})])
collection_a.flush()

# プロセス B：読み取り（プロセス A と並列）
collection_b = zvec.open("./shared_data", mode="read")
results = collection_b.query(
    zvec.VectorQuery("embedding", vector=[0.5] * 4),
    topk=5
)

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