Weaviate v1.37 发布：内置 MCP 服务器、可扩展分词器、多样性搜索与查询分析预览

Weaviate v1.37 现已开源发布，并可在 Weaviate Cloud 上使用。本次更新专注于扩展 Weaviate 的能力，涵盖与 AI 代理的交互、文本分析以及大规模操作的处理。四个新的预览功能加入此版本：内置的 MCP 服务器，让 LLM 和 IDE 能够原生地与数据库通信；可扩展分词器，支持变音折叠和自定义停用词预设；多样性搜索（MMR），减少向量结果的冗余；以及查询分析，提供按分片的耗时分解。此外，增量备份使得大规模集合的备份变得实用；Gemini 音频支持加入 multi2vec-google 模块；新的 BlobHash 属性类型只存储哈希而非完整 blob。

MCP 服务器（预览）

Weaviate v1.37 引入了内置的模型上下文协议（MCP）服务器，作为预览提供。MCP 是一个开放标准，允许大型语言模型和 AI 代理安全地与外部系统交互。通过在 Weaviate 中直接实现它，你可以将数据库连接到兼容的客户端——包括 Claude Code、Claude Desktop、Cursor、VS Code 以及其他任何支持 MCP 的工具——而无需编写任何胶水代码。这使 Weaviate 从被动的检索引擎转变为代理工作流的主动长期记忆：LLM 可以检查集合模式、运行混合搜索并将数据写回你的实例，所有这些都受 Weaviate 标准认证和授权的约束。该服务器作为流式 HTTP 端点实现，位于 REST API 相同端口的 /v1/mcp 上。默认情况下禁用，通过单个环境变量启用。启用后，服务器暴露四个工具：检查集合模式、列出多租户集合的租户、运行混合搜索以及插入或更新对象。如果使用 RBAC，MCP 访问由三个新权限控制。你可以通过挂载 YAML 或 JSON 配置文件来自定义 LLM 看到的工具描述。

可扩展分词器（预览）

关键词搜索质量在 BM25 运行计算之前就已决定——由将文本转换为标记的分析器决定。新增三个功能：变音折叠（textAnalyzer.asciiFold 标志将带变音符号的拉丁字符规范化为 ASCII 等效字符，索引和查询时均适用）、自定义和按属性停用词（可声明命名的停用词预设并分配给不同属性，适用于多语言集合），以及 tokenize 端点（两个新的 REST 端点使分词过程透明，返回包括索引标记和查询标记的结构化响应）。

基于 MMR 的多样性搜索（预览）

标准向量搜索的一个已知副作用是它聚集了近重复项。Weaviate v1.37 引入了最大边际相关性（MMR）作为一个新的查询时重新排序步骤，作为预览提供。MMR 迭代地选择最相关的项目，然后惩罚与已选择项目过于相似的候选者——因此每个新结果必须通过添加新内容来赢得其位置。通过在 Python 客户端中添加 selection 参数来使用。MMR 在查询时应用，在现有向量索引之上进行，无需重新索引或模式更改。

查询分析（预览）

当查询缓慢时，第一个问题总是“时间花在哪里了？” Weaviate v1.37 通过查询分析轻松回答这个问题——作为预览提供，它将按分片的耗时分解附加到任何搜索请求上。通过设置 query_profile=True 来请求分析数据。分析按分片和搜索类型（向量、关键词、对象）结构化，包含如 vector_search_took、filters_ids_matched、knn_search_layer_N_took 等指标。对于混合搜索，每个分片同时包含向量和关键词部分。对于多节点集群，协调器汇总所有分片的计时，每个条目包括执行它的节点，从而容易发现性能不平衡。

增量备份

每晚备份 100GB 的集合成本高昂，当只有少量数据发生变化时。Weaviate v1.37 引入了增量备份：自上次备份以来未更改的文件作为引用存储，而不是再次复制。结果是备份体积大幅减小，备份时间显著加快。备份运行时，Weaviate 将大文件分割成块。在增量备份期间，每个块与基础备份进行比较——如果未更改，则存储指针而非文件。恢复时，Weaviate 自动遍历链并从较早的备份中拉取引用的文件。创建增量备份需要先有一个完整备份作为基础。你还可以链式创建增量备份，每个引用前一个，以廉价地构建较长的历史记录。恢复增量备份与恢复完整备份完全相同——Weaviate 解析链并根据需要从较早备份中获取文件。请注意，基础备份（以及链中的任何中间增量备份）必须保持可用，只要你需要从依赖它们的增量备份中恢复。另外，在 v1.37 中，INACTIVE（COLD）租户现在也包含在备份中，直接从磁盘读取而无需激活。

Gemini 音频支持

multi2vec-google 模块现在支持音频作为第四种模态，除了文本、图像和视频。通过新的 audioFields 设置配置音频属性，与 imageFields 或 videoFields 相同。音频支持仅通过 Gemini API（Google AI Studio）可用——Vertex AI 目前不支持音频嵌入。这使得 Gemini API 路径对于任何需要将文本、视觉和音频内容统一到单个向量空间的多模态用例具有吸引力。

BlobHash 属性类型

如果你使用像 multi2vec-google 这样的模块来向量化媒体，向量化器在导入时只需要原始字节——之后，blob 就只是占用存储空间。v1.37 中的新 blobHash 数据类型直接解决了这个问题：它接受 base64 编码的输入（像 blob 一样），但在磁盘上仅持久保存 SHA-256 哈希。原始的 base64 数据仍然流经向量化管道，因此模块可以嵌入实际的媒体内容。仅在向量化之后，Weaviate 才用其哈希替换负载。在后续更新中，传入数据被哈希并与存储的哈希比较，以决定是否需要重新向量化。这非常适合那些你希望向量存在于 Weaviate 中但规范媒体存在于对象存储（如 S3）中的工作流——哈希让你能够关联回原始文件，而无需支付重复存储的磁盘成本。

多项性能改进与修复

Weaviate v1.37 还包含许多较小的功能和改进。亮点包括：集合导出（预览）：新的 /v1/export API 允许将集合导出到 S3、GCS、Azure 或本地文件系统，格式为 Apache Parquet；HFresh 改进：多项优化减少了内存使用、磁盘写入并改进了备份期间的出队；DEFAULT_SHARDING_COUNT 环境变量：覆盖新单租户集合的默认 desiredCount；S3 assume role 用于备份：备份-s3 模块现在支持 AWS assume role 身份验证；Google AI Studio 在 multi2vec-google 中：Google AI Studio API 密钥现在可与 multi2vec-google 模块一起使用；IPv6 集群：Weaviate 现在支持用于内部集群通信的 IPv6 地址；内部集群 gRPC：副本通信从 REST 迁移到 gRPC，改进了连接管理和摘要响应的二进制编码；Reranker-cohere v2：Cohere 重排序模块从 v1 升级到 v2 重排序端点；OIDC 不安全 TLS 跳过：新的 AUTHENTICATION_OIDC_INSECURE_SKIP_TLS_VERIFY 环境变量用于开发和测试环境中的自签名或不受信任证书的 OIDC 颁发者；性能：HNSW 稀疏访问列表、预计算平均属性长度、延迟量化直到缓存预填充、备份期间的非阻塞压缩、更好的段搜索位图处理等；错误修复：最终一致性改进、RBAC 恢复竞争条件、向量索引错误处理、IPv6 地址解析、过滤器边缘情况等。

社区贡献

Weaviate 是一个开源项目，我们总是很高兴看到来自社区的贡献。本次发布特别感谢首次贡献者 @junjieqi，他为集群贡献了 IPv6 支持。

总结

Weaviate v1.37 拓宽了你的数据与堆栈其余部分的集成方式——从 AI 代理和 IDE 到分析管道和多语言工作负载。关键亮点包括 MCP 服务器、可扩展分词器、MMR 多样性搜索、查询分析、增量备份、Gemini 音频支持和 BlobHash 属性类型。此版本现已开源，并可在 Weaviate Cloud 上用于新的 Sandbox。