Alibaba открыла Zvec — «SQLite для векторных баз данных» — AI-Uchi

Alibaba открыла Zvec — «SQLite для векторных баз данных»

Zvec — встраиваемая in-process (работающая внутри процесса) векторная база данных — появилась на GitHub в конце 2025 года и уже набрала почти 10 тысяч звёзд. Её выпустила команда Tongyi Lab из Alibaba: проект нацелен на граничные (edge) и локальные рабочие нагрузки. 12 июня 2026 года вышла версия v0.5.0 с нативным полнотекстовым поиском, гибридными запросами и новым дисковым индексом.

Что такое Zvec и зачем он нужен

По архитектуре Zvec ближе к SQLite, чем к Postgres: как SQLite дал разработчикам полноценную реляционную базу данных прямо внутри приложения, так и Zvec предоставляет production-grade векторную БД с нулевой инфраструктурой.

Движок построен на базе Proxima — высокопроизводительной поисковой системе Alibaba — и оборачивает её простым API с встроенной средой выполнения. Proxima уже годами работает в продакшне внутри Alibaba Group, обеспечивая векторный поиск в Taobao, платёжной системе Alipay, видеосервисе Youku и рекламной платформе Alimama, а также интегрирована в Hologres и Elasticsearch на Alibaba Cloud.

ℹ Ключевая идея

Zvec встраивается прямо в ваше приложение — никаких отдельных процессов, Docker-контейнеров или конфигурационных файлов. Установили пакет → сразу ищете.

Что нового в v0.5.0

В релизе v0.5.0 (12 июня 2026) появился нативный Full-Text Search (FTS) — полнотекстовый поиск прямо по строковым полям с поддержкой естественного языка и структурированных выражений, без внешнего поискового движка.

Новый Hybrid Retrieval (гибридный поиск) позволяет объединить полнотекстовый и векторный поиск в одном запросе MultiQuery — одновременно по плотным векторам, разреженным векторам, скалярным фильтрам и тексту.

Кроме этого, в v0.5.0 добавлены:

DiskANN Index — дисковый индекс, резко снижающий потребление оперативной памяти на больших датасетах.
Официальные SDK для Go и Rust.
Визуальный инструмент Zvec Studio для просмотра данных и отладки запросов без написания кода.
Поддержка архитектуры RISC-V.

Ключевые возможности


graph TD
    A[Ваше приложение] --> B[Zvec in-process]
    B --> C[Dense Vectors]
    B --> D[Sparse Vectors]
    B --> E[Full-Text Search]
    C --> F[Hybrid MultiQuery]
    D --> F
    E --> F
    F --> G[Результаты с релевантностью]

Возможность	Описание
Blazing Fast	Поиск среди миллиардов векторов за миллисекунды
Dense + Sparse	Поддержка плотных и разреженных эмбеддингов, мульти-векторные запросы
FTS	Нативный полнотекстовый поиск без внешних движков
Hybrid Search	Объединение векторного, текстового поиска и фильтров в одном запросе
Durable Storage	WAL (Write-Ahead Logging) гарантирует сохранность данных даже при сбое
Concurrent Access	Несколько процессов читают одну коллекцию одновременно
Runs Anywhere	Ноутбуки, серверы, CLI, граничные устройства

Установка за одну команду

Установка через pip — pip install zvec — открывает коллекции прямо в Python-процессе. Никакого внешнего сервера или RPC-слоя.

Поддерживаемые платформы и языки:

# Python (3.10–3.14)
pip install zvec

# Node.js
npm install @zvec/zvec

# Dart/Flutter
flutter pub add zvec

# Go и Rust — через официальные bindings

Минимальный пример на Python:

import zvec

# Описываем схему коллекции
schema = zvec.CollectionSchema(
    name="example",
    vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4),
)

# Создаём коллекцию
collection = zvec.create_and_open(path="./zvec_example", schema=schema)

# Добавляем документы
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]}),
])

# Ищем по векторному сходству
results = collection.query(
    zvec.VectorQuery("embedding", vector=[0.4, 0.3, 0.3, 0.1]),
    topk=10
)
print(results)  # [{"id": "doc_2", "score": 0.98, ...}, ...]

💡 Для RAG-приложений

Zvec отлично подходит для локальных RAG-пайплайнов (Retrieval-Augmented Generation): не нужно поднимать Qdrant или Chroma в Docker — достаточно одной строки установки.

Сравнение с конкурентами

Большинство популярных векторных баз данных (Qdrant, Weaviate, Chroma в серверном режиме, Milvus) требуют запуска отдельного процесса. Это создаёт лишнее трение при локальной разработке и на граничных устройствах.

	Zvec	ChromaDB	FAISS	Qdrant
Архитектура	In-process	In-process / Server	Библиотека	Server
FTS (полнотекстовый поиск)	✅ Нативный	❌	❌	✅
Hybrid Search	✅	❌	❌	✅
WAL / Дурабельность	✅	Частично	❌	✅
DiskANN (дисковый индекс)	✅ v0.5.0	❌	❌	✅
Серверная инфраструктура	❌ не нужна	Опционально	❌ не нужна	✅ нужна
Языки	Python, JS, Go, Rust, Dart	Python, JS	Python, C++	Python, Rust, Go

📝 Аналогия

Zvec : векторный поиск = SQLite : реляционные базы данных. Вся мощь production-системы — без единого сервера.

Контекст и значение для отрасли

Высокую скорость обеспечивают глубокие оптимизации движка Proxima: многопоточный параллелизм, оптимизация раскладки памяти, SIMD-ускорение и предварительная загрузка данных — результат многолетнего опыта работы с векторным поиском в масштабе Alibaba.

Zvec ориентирован на RAG (Retrieval-Augmented Generation — дополненную генерацию с поиском), семантический поиск и агентные сценарии, которые должны работать локально — на ноутбуках, мобильных устройствах или другом ограниченном оборудовании.

Мир AI-разработки движется к локальным, встраиваемым решениям. Zvec — это ответ Alibaba на запрос: дайте мне мощный векторный поиск без операционных издержек.

Проект распространяется под лицензией Apache 2.0 и открыт для сообщества. Исходный код доступен на github.com/alibaba/zvec.