alibaba/zvec

alibaba/zvec has 16,215 GitHub stars and 1,020 forks. GitHot measured +3 stars in 24 hours and +39 in 7 days. Last checked 2026-11-09 05:33 UTC. Last push 2026-11-04.

这些数字如何统计

A lightweight, lightning-fast, in-process vector database

16,215 星标 1,020 forks +3 24小时

可以做什么

Blazing Fast: Searches billions of vectors in milliseconds.
Simple, Just Works: Install and start searching in seconds. Pure local, no servers, no config, no fuss.
Dense + Sparse Vectors: Support dense and sparse embeddings, multi-vector queries, and a rich selection of vector index types that scale from memory to disk.
Full-Text Search (FTS): Native keyword-based full-text search — query string fields with natural-language or structured expressions.

实测星标增长

24小时: +3
7天: +39
15天: 正在收集历史
1个月: 正在收集历史

各周期内的星标净变化，周期相互重叠，并非每日新增。缺失的测量保持空白。星标代表关注度，不代表软件质量。

README_CN.md

原文

English | 中文

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] 🚀 v0.8.0

平台覆盖更广：新增 Intel Mac、Windows ARM64 构建、wheel 与 SDK， DiskANN 扩展至 Windows、Android 和 iOS， RaBitQ 新增 Windows x86_64 支持。

中文全文检索开箱即用：内置 Jieba 中文词典和 HMM 模型，无需单独部署词典文件或配置词典路径。

建图更省内存、更快：降低 IVF / DiskANN 建图与合并时的峰值内存，通过向量复用与批量查找加速 HNSW RaBitQ 建图；建图与嵌套训练更严格地遵守配置的线程数限制。

距离计算全面提速：大范围重构量化器和距离计算，多种量化类型与距离度量均受益， INT4 内核和 Linux ARM64 场景下尤为明显。

更快的检索：新增更快的 Uniform 系列量化器，优化 Vamana 图布局与预取。Uniform 量化避免逐点分数反算，但共享 Min/Max 可能增大量化误差、降低召回率。

修复与改进：支持更灵活的 UTF-8 文档 ID，长度上限提升至 1,024 字节；修复分段切换时的并发读取、含删除记录的索引重建，以及 LIKE、浮点范围过滤等正确性问题。

👉 查看更新日志

💫 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。
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：

SDK	安装 / 依赖	源码
Python	`pip install zvec`	源码
Node.js	`npm install @zvec/zvec`	源码
Go	安装指南	源码
Rust	`cargo add zvec-rust`	源码
Java	`org.zvec:zvec-java`（Maven）	源码
Dart / Flutter	`flutter pub add zvec`	源码

Python 需 64 位 Python 3.10–3.14；Java 需 Java 8+。

想搜索代码或文档？试试 zvec-grep（zg）— 本地优先的搜索 CLI，统一 ripgrep、BM25 与向量检索，为人类与 AI Agent 而设计。

想要图形界面？试试 Zvec Studio，零代码浏览数据与调试查询。

✅ 全平台支持

Linux · macOS · Windows · Android · iOS

Zvec 提供全平台支持，覆盖服务器、桌面和移动设备。
如需了解更多细节，请查阅平台支持文档。

🛠️ 源码构建

如需从源码构建 Zvec，请参考源码构建指南。

⚡ 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.Query(field_name="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)