Harness 与 Agent 工程 · 存储、索引与数据平台 · 2026-07-14

9.7k Stars,阿里内部跑了几年的向量数据库开源了,不用起服务,import 就能用

轻量级 RAG 应用福音!阿里开源的进程内向量数据库 Zvec,无需部署服务,import 即用,性能不打折。

核心内容:

  1. 轻量级向量数据库 Zvec 的定位与适用场景
  2. 官方基准测试展示的千万级向量检索性能
  3. 五行代码快速上手的简易使用示例

做 RAG 应用,向量数据库这一步大多数人会想到部署 Milvus 或者起一个 Qdrant 容器。但很多场景其实不需要这么重。本地跑个 Agent 的记忆库、笔记软件的语义搜索、移动端 App 的离线检索——这些场景里,专门起一个数据库服务、维护一套部署、处理网络延迟,是杀鸡用牛刀。

Zvec 是阿里巴巴开源的进程内向量数据库,不需要起服务,pip install 之后直接在代码里 import 用,和 SQLite 之于关系型数据库是同一个定位。在阿里内部生产环境里跑了一段时间之后才开源出来。


先看性能数据

这是官方用 VectorDBBench(向量数据库社区广泛采用的开源基准测试框架)跑出的 Cohere 1000 万条 768 维向量的测试结果:

横轴是并发数,纵轴是每秒查询数(QPS)。这是在单台 16 核 64GB 内存的机器上跑出来的结果,没有依赖额外的存储或网络服务。

召回率(搜索结果的准确度)同步测量:

千万级向量,毫秒级检索,这两张图加在一起说明的是:进程内架构不代表性能妥协。


五行代码,从零开始一个向量库

import zvec# 定义 collection schemaschema = zvec.CollectionSchema( name="example", vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4),)# 创建 collection,本地文件存储collection = zvec.create_and_open(path="./zvec_example", schema=schema)# 插入文档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]}),])# 按向量相似度搜索results = collection.query( zvec.VectorQuery("embedding", vector=[0.4, 0.3, 0.3, 0.1]), topk=10)

没有连接字符串,没有起服务,没有等待网络往返。./zvec_example 是本地一个目录,关掉进程数据还在,下次打开继续用。


让 Agent 帮你接进项目

直接告诉你的 Claude Code 或 Cursor:

帮我在这个 Python 项目里集成 Zvec 作为本地向量库,用来存储文档的 embedding,支持语义搜索和过滤检索。Schema 设计:每个文档需要 id、embedding 向量、和一个 source 字段用于过滤。参考文档:https:…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/RAG/2026071464589.html