Weaviate v1.37 發佈：內置 MCP 服務器、可擴展分詞器、多樣性搜索與查詢分析預覽

Weaviate v1.37 現已開源發佈，並可在 Weaviate Cloud 上使用。本次更新專注於擴展 Weaviate 的能力，涵蓋與 AI 代理的交互、文本分析以及大規模操作的處理。四個新的預覽功能加入此版本：內置的 MCP 服務器，讓 LLM 和 IDE 能夠原生地與數據庫通信；可擴展分詞器，支持變音摺疊和自定義停用詞預設；多樣性搜索（MMR），減少向量結果的冗餘；以及查詢分析，提供按分片的耗時分解。此外，增量備份使得大規模集合的備份變得實用；Gemini 音頻支持加入 multi2vec-google 模塊；新的 BlobHash 屬性類型只存儲哈希而非完整 blob。

MCP 服務器（預覽）

Weaviate v1.37 引入了內置的模型上下文協議（MCP）服務器，作為預覽提供。MCP 是一個開放標準，允許大型語言模型和 AI 代理安全地與外部系統交互。通過在 Weaviate 中直接實現它，你可以將數據庫連接到兼容的客户端——包括 Claude Code、Claude Desktop、Cursor、VS Code 以及其他任何支持 MCP 的工具——而無需編寫任何膠水代碼。這使 Weaviate 從被動的檢索引擎轉變為代理工作流的主動長期記憶：LLM 可以檢查集合模式、運行混合搜索並將數據寫回你的實例，所有這些都受 Weaviate 標準認證和授權的約束。該服務器作為流式 HTTP 端點實現，位於 REST API 相同端口的 /v1/mcp 上。默認情況下禁用，通過單個環境變量啓用。啓用後，服務器暴露四個工具：檢查集合模式、列出多租户集合的租户、運行混合搜索以及插入或更新對象。如果使用 RBAC，MCP 訪問由三個新權限控制。你可以通過掛載 YAML 或 JSON 配置文件來自定義 LLM 看到的工具描述。

可擴展分詞器（預覽）

關鍵詞搜索質量在 BM25 運行計算之前就已決定——由將文本轉換為標記的分析器決定。新增三個功能：變音摺疊（textAnalyzer.asciiFold 標誌將帶變音符號的拉丁字符規範化為 ASCII 等效字符，索引和查詢時均適用）、自定義和按屬性停用詞（可聲明命名的停用詞預設並分配給不同屬性，適用於多語言集合），以及 tokenize 端點（兩個新的 REST 端點使分詞過程透明，返回包括索引標記和查詢標記的結構化響應）。

基於 MMR 的多樣性搜索（預覽）

標準向量搜索的一個已知副作用是它聚集了近重複項。Weaviate v1.37 引入了最大邊際相關性（MMR）作為一個新的查詢時重新排序步驟，作為預覽提供。MMR 迭代地選擇最相關的項目，然後懲罰與已選擇項目過於相似的候選者——因此每個新結果必須通過添加新內容來贏得其位置。通過在 Python 客户端中添加 selection 參數來使用。MMR 在查詢時應用，在現有向量索引之上進行，無需重新索引或模式更改。

查詢分析（預覽）

當查詢緩慢時，第一個問題總是“時間花在哪裏了？” Weaviate v1.37 通過查詢分析輕鬆回答這個問題——作為預覽提供，它將按分片的耗時分解附加到任何搜索請求上。通過設置 query_profile=True 來請求分析數據。分析按分片和搜索類型（向量、關鍵詞、對象）結構化，包含如 vector_search_took、filters_ids_matched、knn_search_layer_N_took 等指標。對於混合搜索，每個分片同時包含向量和關鍵詞部分。對於多節點集羣，協調器彙總所有分片的計時，每個條目包括執行它的節點，從而容易發現性能不平衡。

增量備份

每晚備份 100GB 的集合成本高昂，當只有少量數據發生變化時。Weaviate v1.37 引入了增量備份：自上次備份以來未更改的文件作為引用存儲，而不是再次複製。結果是備份體積大幅減小，備份時間顯著加快。備份運行時，Weaviate 將大文件分割成塊。在增量備份期間，每個塊與基礎備份進行比較——如果未更改，則存儲指針而非文件。恢復時，Weaviate 自動遍歷鏈並從較早的備份中拉取引用的文件。創建增量備份需要先有一個完整備份作為基礎。你還可以鏈式創建增量備份，每個引用前一個，以廉價地構建較長的歷史記錄。恢復增量備份與恢復完整備份完全相同——Weaviate 解析鏈並根據需要從較早備份中獲取文件。請注意，基礎備份（以及鏈中的任何中間增量備份）必須保持可用，只要你需要從依賴它們的增量備份中恢復。另外，在 v1.37 中，INACTIVE（COLD）租户現在也包含在備份中，直接從磁盤讀取而無需激活。

Gemini 音頻支持

multi2vec-google 模塊現在支持音頻作為第四種模態，除了文本、圖像和視頻。通過新的 audioFields 設置配置音頻屬性，與 imageFields 或 videoFields 相同。音頻支持僅通過 Gemini API（Google AI Studio）可用——Vertex AI 目前不支持音頻嵌入。這使得 Gemini API 路徑對於任何需要將文本、視覺和音頻內容統一到單個向量空間的多模態用例具有吸引力。

BlobHash 屬性類型

如果你使用像 multi2vec-google 這樣的模塊來向量化媒體，向量化器在導入時只需要原始字節——之後，blob 就只是佔用存儲空間。v1.37 中的新 blobHash 數據類型直接解決了這個問題：它接受 base64 編碼的輸入（像 blob 一樣），但在磁盤上僅持久保存 SHA-256 哈希。原始的 base64 數據仍然流經向量化管道，因此模塊可以嵌入實際的媒體內容。僅在向量化之後，Weaviate 才用其哈希替換負載。在後續更新中，傳入數據被哈希並與存儲的哈希比較，以決定是否需要重新向量化。這非常適合那些你希望向量存在於 Weaviate 中但規範媒體存在於對象存儲（如 S3）中的工作流——哈希讓你能夠關聯回原始文件，而無需支付重複存儲的磁盤成本。

多項性能改進與修復

Weaviate v1.37 還包含許多較小的功能和改進。亮點包括：集合導出（預覽）：新的 /v1/export API 允許將集合導出到 S3、GCS、Azure 或本地文件系統，格式為 Apache Parquet；HFresh 改進：多項優化減少了內存使用、磁盤寫入並改進了備份期間的出隊；DEFAULT_SHARDING_COUNT 環境變量：覆蓋新單租户集合的默認 desiredCount；S3 assume role 用於備份：備份-s3 模塊現在支持 AWS assume role 身份驗證；Google AI Studio 在 multi2vec-google 中：Google AI Studio API 密鑰現在可與 multi2vec-google 模塊一起使用；IPv6 集羣：Weaviate 現在支持用於內部集羣通信的 IPv6 地址；內部集羣 gRPC：副本通信從 REST 遷移到 gRPC，改進了連接管理和摘要響應的二進制編碼；Reranker-cohere v2：Cohere 重排序模塊從 v1 升級到 v2 重排序端點；OIDC 不安全 TLS 跳過：新的 AUTHENTICATION_OIDC_INSECURE_SKIP_TLS_VERIFY 環境變量用於開發和測試環境中的自簽名或不受信任證書的 OIDC 頒發者；性能：HNSW 稀疏訪問列表、預計算平均屬性長度、延遲量化直到緩存預填充、備份期間的非阻塞壓縮、更好的段搜索位圖處理等；錯誤修復：最終一致性改進、RBAC 恢復競爭條件、向量索引錯誤處理、IPv6 地址解析、過濾器邊緣情況等。

社區貢獻

Weaviate 是一個開源項目，我們總是很高興看到來自社區的貢獻。本次發佈特別感謝首次貢獻者 @junjieqi，他為集羣貢獻了 IPv6 支持。

總結

Weaviate v1.37 拓寬了你的數據與堆棧其餘部分的集成方式——從 AI 代理和 IDE 到分析管道和多語言工作負載。關鍵亮點包括 MCP 服務器、可擴展分詞器、MMR 多樣性搜索、查詢分析、增量備份、Gemini 音頻支持和 BlobHash 屬性類型。此版本現已開源，並可在 Weaviate Cloud 上用於新的 Sandbox。