recipes
recipes 是一个专为 Weaviate 向量数据库打造的开源示例仓库，旨在通过端到端的 Jupyter Notebook 帮助用户快速掌握核心功能与生态集成。对于许多正在构建 AI 应用的开发者而言，如何高效地将向量搜索与大模型框架结合往往是难点，recipes 恰好能解决这一难题。
这里汇集了丰富的实战案例，涵盖从数据集准备到各类技术集成的全流程。内容不仅包括与 LangChain、LlamaIndex 等主流 Agent 框架的对接，还深入展示了混合搜索、重排序、多模态检索及多租户管理等高级特性。无论是希望快速验证想法的开发者，还是需要评估系统性能的研究人员，都能从中找到可复用的代码模板。作为一个持续更新的开源项目，recipes 鼓励社区贡献，致力于降低 Weaviate 的使用难度，让向量数据库的开发更加直观高效。
使用场景
某电商公司的算法团队正在构建智能商品推荐引擎，计划利用 Weaviate 存储海量商品向量并接入大模型进行语义检索。
没有 recipes 时
- 开发者需手动编写大量样板代码来初始化 Weaviate 客户端及嵌入模型，环境配置容易出错。
- 对于混合搜索（Hybrid Search）与重排序（Reranking）的组合策略，缺乏可运行的参考代码。
- 集成 LangChain 或 LlamaIndex 等框架时，需反复查阅分散的文档，调试接口兼容性耗时过长。
- 无法快速验证多租户数据隔离方案，导致生产环境部署前存在安全隐患。
使用 recipes 后
- 直接克隆仓库中的 Jupyter Notebook，一键运行即可复现完整的向量入库与查询流程。
- 参考“集成”分类下的示例，迅速掌握 Weaviate 与主流 Agent 框架的连接方式。
- 利用内置的重排序与过滤笔记，无需自行实现复杂逻辑即可提升搜索结果相关性。
- 通过多租户与评估模块的现成模板，快速完成安全架构设计与效果基准测试。
recipes 通过提供涵盖特征、集成与服务的全套端到端示例，让开发者能专注于业务逻辑而非底层基建。
运行环境要求
- 未说明
未说明
未说明
快速开始
欢迎使用 Weaviate 示例 💚
此仓库涵盖了与 Weaviate 的各种功能及集成的端到端示例。
| 类别 | 描述 |
|---|---|
| 数据集 | 准备好用于将数据摄入到 Weaviate 集群的现成数据集 |
| 集成 | 展示如何使用 Weaviate 与其他技术配合使用的 Notebook |
| Weaviate 功能 | 涵盖向量、混合和生成式搜索、重排序、多租户等的 Notebook |
| Weaviate 服务 | 展示如何使用 Weaviate 服务进行构建的 Notebook |
集成 🌐
查看 Weaviate 的 集成文档!
| 公司类别 | 公司 |
|---|---|
| 云超大规模服务商 | Google, AWS, NVIDIA |
| 计算基础设施 | Modal, Replicate |
| 大语言模型 (LLM) 与智能体框架 | Agno, CrewAI, Composio, DSPy, Dynamiq, LangChain, LlamaIndex, Pydantic, Semantic Kernel, Ollama, Haystack, Modaic |
| 数据平台 | Databricks, Confluent, Box, Boomi, Spark, Unstructured, Firecrawl, Context Data, Aryn, Astronomer, Airbyte, IBM (Docling), Cardinal, Contextual AI, Chonkie, Parallel |
| 运维 | AIMon, Arize, Cleanlab, Comet, DeepEval, Langtrace, LangWatch, Nomic, Patronus AI, Ragas, TruLens, Weights & Biases |
Weaviate 功能 🔧
| 功能 | 描述 |
|---|---|
| 模型提供商 | 使用 Weaviate 的 nearText、hybrid 和 .generate 操作符配合各种模型提供商 |
| 过滤器 | 通过向查询添加过滤器来缩小搜索结果范围 |
| 重排序 | 在管道中添加重排序以改善搜索结果（按模型提供商分类） |
| 媒体搜索 | 使用 Weaviate 的 nearImage 和 nearVideo 操作符通过图像和视频进行搜索 |
| 分类 | 学习如何使用 KNN（k 近邻）和零样本分类 |
| 多租户 | 将租户存储在不同的分片上以实现完全的数据隔离 |
| 多向量嵌入 | 使用 Weaviate 配合强大的 ColBERT 风格嵌入以改善搜索结果 |
| 乘积量化 | 使用 Weaviate 的 PQ（乘积量化）特性压缩向量嵌入并减少内存占用 |
| 评估 | 评估您的搜索系统 |
Weaviate 服务 🧰
| 服务 | 描述 |
|---|---|
| 智能体 | 使用 Weaviate 内置的智能体，如 QueryAgent 和 TransformationAgent |
| Weaviate 嵌入 | Weaviate 嵌入 允许您直接从 Weaviate Cloud 数据库实例生成嵌入。 |
向 Weaviate 文档添加示例
查看 此贡献者指南 将示例代码（Jupyter Notebook）转换为适合文档的 Markdown。
反馈 ❓
请注意这是一个进行中的项目，更新将频繁发布。如果您有希望看到的功能，请创建一个 GitHub Issue 或自行贡献！
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。