下载:v0.8.1v0.8.1 ↓0.8.12026-11-06
+3
日增长
16,244
stars
1,022
forks
70
watchers
675
prs
200
issues
16
releases

README

English | 中文



  
    
    
  



  
  
  
  



  



  🚀 快速开始  |
  🏠 主页  |
  📚 文档  |
  📊 性能报告  |
  🔎 DeepWiki  |
  🎮 Discord  |
  🐦 X (Twitter) 


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)

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)


 📈 极致性能

Zvec 提供极致的速度和效率,能够轻松应对高要求的生产环境负载。



有关具体的测试方法、配置及完整结果,请参阅性能报告。

 🤝 加入社区



| 💬 钉钉群 | 📱 微信群 | 🎮 Discord | X (Twitter) |
| :---: | :---: | :---: | :---: |
|  |  |  |  |
| 扫码加入 | 扫码加入 | 点击加入 | 点击关注 |



 ❤️ 参与贡献

非常欢迎来自社区的每一份贡献!无论是修复 Bug、新增功能,还是完善文档,都将让 Zvec 变得更好。

请查阅我们的贡献指南开始参与!

Top issues

Discussions

Latest release

v0.8.1 v0.8.1 2026-11-06
🚀 Zvec v0.8.1 Release Notes

 📦 New Features
+ PQ for HNSW and IVF: Added PQ4/PQ8 and optional OPQ, covering training, search, persistence, and subsequent updates. (833)
+ Broader platform support: Enabled RaBitQ on Linux, macOS, Android, and iOS ARM64, plus Intel Mac. DiskANN now supports Intel Mac and Windows ARM64. (832, 874)
+ Grouped search in the C API: Added grouped vector query and result-management APIs. (845)

 🚀 Performance Improvements
+ Lower build memory: Reduced vector copying and temporary storage in DiskANN, IVF, and selected HNSW construction paths. (853, 877, 879, 88

Snapshot: 2026-11-16T09:23:14Z · Data license Apache-2.0 · JSON