English | 中文
🚀 快速开始 | 🏠 主页 | 📚 文档 | 📊 性能报告 | 🔎 DeepWiki | 🎮 Discord | 🐦 X (Twitter)
**Zvec** 是一款开源的嵌入式(进程内)向量数据库 — 轻量、极速，可直接嵌入应用程序。以极简的配置提供生产级、低延迟、可扩展的向量检索能力。 > [!IMPORTANT] > 🚀 **v0.5.0（2026 年 6 月 12 日）** > > - **全文检索（FTS）**：原生全文检索能力——可为任意字符串字段挂载 FTS 索引，使用自然语言或结构化表达式检索，无需外接搜索引擎。 > - **混合检索**：在单次 `MultiQuery` 中融合全文与向量检索，跨稠密向量、稀疏向量、标量过滤与文本。 > - **DiskANN 索引**：全新磁盘索引，将索引主体存于磁盘，大幅降低大规模数据集的内存占用。 > - **生态与平台**：全新官方 [Go](https://github.com/zvec-ai/zvec-go) / [Rust](https://github.com/zvec-ai/zvec-rust) SDK、可视化工具 [Zvec Studio](https://github.com/zvec-ai/zvec-studio)，以及 RISC-V 架构支持。 > > 👉 [查看更新日志](https://github.com/alibaba/zvec/releases/tag/v0.5.0) | [查看路线图 📍](https://github.com/alibaba/zvec/issues/309) ## 💫 核心特性 - **极致性能**：毫秒级响应，轻松检索数十亿级向量。 - **开箱即用**：[安装](#-安装)后即刻开始搜索，纯本地运行，无需服务器、无需配置、零门槛。 - **稠密 + 稀疏向量**：支持稠密向量、稀疏向量与多向量查询，以及从内存到磁盘、丰富多样的[向量索引类型](https://zvec.org/zh/docs/db/concepts/vector-index/#向量索引类型)。 - **全文检索（FTS）**：原生的基于关键词的全文检索——使用自然语言或结构化表达式检索字符串字段。 - **混合检索**：在单次查询中融合向量语义、全文检索与标量过滤，获得精确结果。 - **持久化存储**：WAL 预写日志保障数据持久性 — 即使进程崩溃或意外断电，数据也不会丢失。 - **并发访问**：支持多进程同时读取同一个 Collection；写入为单进程独占模式。 - **进程内运行**：无需单独部署服务，纯进程内运行。Notebook、高性能服务器、CLI 工具、边缘设备 — 随处可用。 ## 📦 安装 Zvec 提供多语言官方 SDK： - **[Python](https://pypi.org/project/zvec/)**：`pip install zvec`（需 Python 3.10–3.14） - **[Node.js](https://www.npmjs.com/package/@zvec/zvec)**：`npm install @zvec/zvec` - **[Go](https://github.com/zvec-ai/zvec-go)**：高性能的 Go 绑定。 - **[Rust](https://github.com/zvec-ai/zvec-rust)**：高性能的 Rust 绑定。 - **[Dart/Flutter](https://pub.dev/packages/zvec)**：`flutter pub add zvec` 想要图形界面？试试 **[Zvec Studio](https://github.com/zvec-ai/zvec-studio)**，零代码浏览数据与调试查询。 ### ✅ 支持的平台 - Linux (x86_64, ARM64) - macOS (ARM64) - Windows (x86_64) ### 🛠️ 源码构建 如需从源码构建 Zvec，请参考[源码构建指南](https://zvec.org/zh/docs/db/build/)。 ## ⚡ 一分钟上手 ```python import zvec # 定义 collection schema schema = zvec.CollectionSchema( name="example", vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4), ) # 创建 collection collection = zvec.create_and_open(path="./zvec_example", schema=schema) # 插入 documents 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]}), ]) # 向量相似度检索 results = collection.query( zvec.VectorQuery("embedding", vector=[0.4, 0.3, 0.3, 0.1]), topk=10 ) # 查询结果：按相关性排序的 {'id': str, 'score': float, ...} 列表 print(results) ``` ## 📈 极致性能 Zvec 提供极致的速度和效率，能够轻松应对高要求的生产环境负载。
有关具体的测试方法、配置及完整结果，请参阅[性能报告](https://zvec.org/zh/docs/db/benchmarks/)。
## 🤝 加入社区
| 
| [](https://discord.gg/rKddFBBu9z) | [](