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 —