← 返回日报
🌐 机器翻译 · DeepSeek · GitHub

alibaba zvec


以下是翻译后的中文内容,已按照要求保留原文结构、代码块、技术术语和专有名词,并输出为 Markdown 格式:

alibaba zvec

English | 中文 🚀 快速开始 | 🏠 首页 | 📚 文档 | 📊 基准测试 | 🔎 DeepWiki | 🎮 Discord | 🐦 X (Twitter)

Zvec 是一个开源、进程内向量数据库——轻量级、极速,专为直接嵌入应用程序而设计。经过阿里巴巴集团内部实战检验,它以极简的配置提供生产级、低延迟、可扩展的相似性搜索。

重要 🚀 v0.5.0(2026 年 6 月 12 日)

👉 [阅读发布说明](https://example.com) | [查看路线图](https://example.com) 📍

💫 特性

Zvec 提供多种语言的官方 SDK:

更喜欢可视化工具?试试 [Zvec Studio](https://example.com) 来浏览数据和调试查询——无需编写代码。

✅ 支持平台

如果你更倾向于从源码构建 Zvec,请查阅[从源码构建指南](https://example.com)。

⚡ 一分钟示例

import zvec

# 定义集合模式
schema = zvec.CollectionSchema(
    name="example",
    vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4),
)

# 创建集合
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]}),
])

# 按向量相似性搜索
results = collection.query(
    zvec.VectorQuery("embedding", vector=[0.4, 0.3, 0.3, 0.1]),
    topk=10
)

# 结果:按相关性排序的列表,每个元素为 {'id': str, 'score': float, ...}
print(results)

📈 大规模性能

Zvec 提供卓越的速度和效率,使其成为要求苛刻的生产工作负载的理想选择。有关详细的基准测试方法、配置和完整结果,请参阅我们的[基准测试文档](https://example.com)。

🤝 加入我们的社区

| 扫码加入 | 扫码加入 | 点击加入 | 点击关注 | |----------|----------|----------|----------|

❤️ 贡献

我们欢迎并感谢来自社区的贡献!无论是修复 bug、添加功能还是改进文档,你的帮助都能让 Zvec 变得更好。请查看我们的[贡献指南](https://example.com)开始吧!

📖 阅读原文 →