Weaviate Blog

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Learn how to use Engram effectively, from writing topic descriptions that control extraction to choosing bounded topics and scopes, selecting a retrieval mode, and placing memories in your prompt without hurting prompt-cache efficiency.

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：4-bit Rotational Quantization in Weaviate 1.39: the SIMD performance work, a centered tier, scaling analysis and a TurboQuant comparison.

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：HFresh is Weaviate's disk-based vector index for memory-efficient vector search, combining low heap usage with incremental background maintenance.

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：PDFs full of charts and tables are notoriously hard to put through a traditional RAG pipeline. In this post, we show how late-interaction multi-vector retrieval lets you search PDFs by what the page looks like: no OCR, no chunking, no text extraction.

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Weaviate 1.39 promotes the Boost API and MMR diversity selection to GA, previews 4-bit Rotational Quantization, and ships an experimental Search REST API.

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Part 2: Why folders, tags, and keyword search break down in real creative workflows and what retrieval needs to do instead.

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Introducing medium, high, and ultrahigh effort tiers to the Query Agent's Search Mode.

本文探討了 AI 如何通過語義搜索和向量數據庫解決創意工作流程中的檢索問題，而非取代創意人員。作者認為，創意工作的主要摩擦在於組織、查找和複用已有資產，而 AI 作為基礎設施層，可以提升現有工作的可訪問性，減少重複勞動。

此版本將基於磁盤的矢量索引 HFresh 和內置 MCP 服務器正式發佈，重新設計了集羣範圍的異步複製，並新增了 Boost API 和嵌套對象過濾兩個預覽功能。

大多數向量數據庫的原型在數據導入環節失敗，而非搜索。本文介紹了在 Weaviate 中大規模導入數據的最佳實踐，包括服務端批處理、錯誤處理、數據類型選擇、blobHash 的使用、多模態數據攝取以及避免常見陷阱。

Weaviate 宣佈其雲平台全面推出免費層級，包括託管數據庫、Query Agent 和 Engram 記憶層，無需信用卡且無時間限制，讓用户可以自由構建原型並長期使用。

Weaviate 宣佈其專為智能體應用設計的託管記憶與上下文服務 Engram 正式上線。它通過異步管道、模板和內置作用域，解決了長上下文退化、原始數據混亂和多智能體上下文碎片化等問題，幫助智能體積累經驗、優化決策。

本文介紹如何利用 Weaviate 內置的 MCP 服務器為編碼助手（如 Claude Code、Cursor 和 VS Code）提供混合搜索能力，無需額外編寫膠水代碼。通過將代碼庫與文檔分塊並索引到 Weaviate，結合 BM25 精確匹配與向量語義檢索，LLM 智能代理可以高效獲取所需上下文，避免上下文過載與成本浪費。

一位研究人員認為，檢索質量是RAG系統中最重要的因素，勝過模型大小或提示設計。檢索差會導致難以檢測的幻覺，文章識別了五種常見的失效模式，並提供了改進檢索的實用建議，包括混合搜索、交叉編碼器重排序和持續評估。

Weaviate v1.37 正式發佈，帶來多項預覽功能：內置 MCP 服務器（與 AI 代理和 IDE 原生集成）、可擴展分詞器（支持變音摺疊與自定義停用詞）、基於最大邊際相關性（MMR）的多樣性搜索、查詢分析（按分片顯示耗時）。此外還新增增量備份、Gemini 音頻支持（multi2vec-google 模塊）和 BlobHash 屬性類型。

Engram 是 Weaviate 推出的託管內存服務，專為智能體應用設計，旨在提供簡單易上手且高度可定製的記憶管理。它通過異步管道提取、整合並持久化記憶，支持主題、作用域和緩衝區等高級功能，助力智能體實現個性化與持續學習。

Weaviate Shared Cloud 在 AWS 美國東部和歐洲區域正式商用，為團隊提供完全託管的 AI 原生數據庫，支持在最適合的雲提供商和區域進行構建。

通過兩週在日常Claude Code會話中自用Engram（Weaviate的記憶產品），揭示了專用記憶產品的價值，以及當前與編程助手集成時的具體問題。

多模態嵌入使AI系統能夠直接搜索和推理文本、圖像、音頻和視頻，無需先轉換為文本。本文介紹了其工作原理，並通過Weaviate和Gemini展示了三種實際實現。

Weaviate 託管型 .NET 客户端為 C# 開發者帶來了類似 Entity Framework Core 的體驗，通過屬性驅動架構、類型安全查詢和自動遷移，簡化了向量數據庫的使用。

本文通過虛構的MedVector Health公司案例，詳細介紹瞭如何利用OIDC、RBAC、多租户隔離、審計日誌和網絡安全功能來保護Weaviate企業級部署，滿足HIPAA、GDPR等合規要求。

本文介紹如何利用Weaviate的Query Agent和Agent Skills庫，在短短36小時內構建一個生產就緒的端到端RAG應用，用於法律合同檢索和問答。文章詳細對比了傳統RAG與智能代理搜索的差異，並提供了從數據攝入到前端部署的完整架構和步驟。