未记录事实核验 · 状态：维护中

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

Weaviate 学习路线图

---

开篇：Weaviate 是一个自带翻译官的图书馆

想象两种图书馆：

普通图书馆：你想找量子计算的书，你得先知道"量子计算"这几个字，馆员按照书名索引去找。你的意图和图书馆的语言必须完全匹配。这是传统数据库，也是大多数向量数据库——它们只存储和检索，数据的"翻译"工作（把文字变成向量）你得自己搞定。

带翻译官的图书馆：你跟馆员说"我最近对宇宙和微观粒子的关系很感兴趣，想读点相关的"，翻译官立刻把你的意图翻译成图书馆能理解的格式，然后帮你找到量子力学、弦理论、宇宙学相关的书，甚至连那本你说不出名字的书也找到了。这就是 Weaviate——它内置了翻译官（Vectorizer 模块），数据进来时自动翻译，查询时自动理解语义。

这条路线重点关注 Weaviate 的一种使用方式：配置相应 Vectorizer 模块后，将向量化与存储检索整合到应用流程中。这一概括不表示其他向量数据库都不具备向量化集成能力，也不表示 Weaviate 无需模型或服务配置就会自动生成向量。

这一句话，是理解 Weaviate 全部设计决策的钥匙。

---

前置知识要求

在开始 Weaviate 之前，检查一下自己的底子：

前置知识	要求程度	说明
Python 基础	必须	能写类、用 pip、操作字典列表
向量与嵌入概念	推荐	理解"把文本变成向量"是怎么回事，搜索相似性的基本原理
REST API 基础	推荐	Weaviate 的 API 调用方式偏重 HTTP，理解 GET/POST 有帮助
Docker 基础	了解即可	本地部署需要 Docker，知道怎么跑 docker-compose 就够
LLM/OpenAI API	可选	要用 Generative 模块（内置 RAG）时需要，不是必须

推荐先读：

• 向量数据库选型指南 — 先搞清楚向量数据库这个大方向，理解为什么要用向量数据库
• Milvus学习路线图 — 如果你对比过 Milvus，理解 Weaviate 的差异点会更清晰

---

整体学习路径

%%{init: {"theme":"base","themeVariables":{"fontFamily":"PingFang SC, -apple-system, Source Han Serif SC, serif","fontSize":"16px","background":"#FDFBF5","primaryColor":"#FDFBF5","primaryTextColor":"#2D2A26","primaryBorderColor":"#6E6A60","secondaryColor":"#E8EFE8","secondaryBorderColor":"#8FA890","secondaryTextColor":"#2D2A26","tertiaryColor":"#FDFBF5","tertiaryBorderColor":"#9A9488","tertiaryTextColor":"#6E6A60","lineColor":"#6E6A60","textColor":"#2D2A26","mainBkg":"#FDFBF5","nodeBorder":"#2D5A3D","clusterBkg":"#F3EEDF","clusterBorder":"#9A9488","edgeLabelBackground":"#FDFBF5"},"flowchart":{"htmlLabels":true,"curve":"basis","padding":20,"nodeSpacing":60,"rankSpacing":70,"useMaxWidth":false},"themeCSS":".node rect, .node polygon, .node circle { stroke-width: 1.5px; } .edgePath .path { stroke-width: 1.5px; } .cluster-label .nodeLabel, .cluster-label foreignObject { color: #2D2A26 !important; } .edgeLabel, .edgeLabel foreignObject { color: #2D2A26 !important; background-color: #FDFBF5; } .edgeLabel rect { fill: #FDFBF5; }"}}%%
flowchart TB
    subgraph "阶段一：入门（1-2周）"
        A1["01-Weaviate概述与核心定位<br/>AI-Native设计、Modules系统、GraphQL"]
        A2["02-Weaviate架构深度解析<br/>存储引擎、HNSW、分片机制"]
        A3["03-核心概念详解<br/>Class、Property、Schema、Object"]
        A1 --> A2 --> A3
    end

    subgraph "阶段二：进阶（2-3周）"
        B1["04-安装与部署<br/>WCS云服务 / Docker本地 / 生产集群"]
        B2["05-第一个Weaviate应用<br/>端到端跑通，感受AI-Native"]
        B3["06B-Modules系统与本地部署<br/>text2vec/multi2vec/generative模块"]
        B4["07-Schema设计与数据建模<br/>Class设计、cross-references、多租户"]
        B1 --> B2 --> B3 --> B4
    end

    subgraph "阶段三：生产（3-4周）"
        C1["08-查询与搜索详解<br/>nearText/nearVector/混合搜索/BM25"]
        C2["09-生产运维与性能调优<br/>监控、备份、RBAC、容量规划"]
        C1 --> C2
    end

    subgraph "阶段四：专家（持续深化）"
        D1["10-RAG集成实战<br/>内置Generative模块 / LangChain集成"]
    end

    A3 --> B1
    B4 --> C1
    C2 --> D1

    style A1 fill:#dbeafe,stroke:#3b82f6
    style A2 fill:#dbeafe,stroke:#3b82f6
    style A3 fill:#dbeafe,stroke:#3b82f6
    style B1 fill:#dcfce7,stroke:#16a34a
    style B2 fill:#dcfce7,stroke:#16a34a
    style B3 fill:#dcfce7,stroke:#16a34a
    style B4 fill:#dcfce7,stroke:#16a34a
    style C1 fill:#fef9c3,stroke:#ca8a04
    style C2 fill:#fef9c3,stroke:#ca8a04
    style D1 fill:#fce7f3,stroke:#db2777

---

四个阶段详解

阶段一：入门（第 1-2 周）

这个阶段的目标只有一个：建立正确的心智模型。Weaviate 的设计哲学和 Milvus/Qdrant 有根本差异，如果带着"向量数据库通用认知"直接上手，容易在 Modules 配置上踩坑。

阶段目标：能说清楚"Weaviate 的 AI-Native 意味着什么"，理解为什么它的 Schema 长这个样子，知道 Modules 是做什么的。

文档	核心收获	预计时间
01-Weaviate概述与核心定位	理解 AI-Native 设计、Modules 体系、GraphQL 的选择逻辑	60 分钟
02-Weaviate架构深度解析	搞懂 HNSW 存储、分片、向量索引内部机制	90 分钟
03-核心概念详解	掌握 Class/Property/Object/Tenant 这些 Weaviate 专有概念	60 分钟

---

阶段二：进阶（第 2-3 周）

手不动起来，脑子里的概念都是空的。这个阶段从部署开始，一路跑通第一个真实应用，然后深入 Weaviate 最独特的两个模块：Modules 系统和 Schema 设计。

阶段目标：能独立部署 Weaviate（Docker），能写代码完成数据入库和语义搜索，理解各种 Vectorizer 模块的配置和使用。

文档	核心收获	预计时间
04-安装与部署	三种部署方式（WCS/Docker/Kubernetes）实操	90 分钟
05-第一个Weaviate应用	端到端完成：入库 → 语义搜索 → 看结果	120 分钟
06B-Modules系统与本地部署	text2vec-openai/cohere/transformers、multi2vec-clip、generative 模块全解析	120 分钟
07-Schema设计与数据建模	Class 设计原则、cross-references、多租户隔离策略	90 分钟

---

阶段三：生产（第 3-4 周）

从"能跑"到"跑得好"，这一步很多人跳过了，然后在生产环境踩坑。

阶段目标：理解 Weaviate 的查询机制（包括混合搜索），能处理生产中的常见问题（内存压力、慢查询、权限管理）。

文档	核心收获	预计时间
08-查询与搜索详解	nearText/nearVector/BM25/混合搜索/Reranker 全覆盖	120 分钟
09-生产运维与性能调优	RBAC（v1.28+）、监控指标、备份恢复、容量规划	120 分钟

---

阶段四：专家（持续深化）

RAG 是 Weaviate 的杀手锏场景。内置 Generative 模块让你不需要外部 LLM 调用框架就能完成检索增强生成。这一篇把 Weaviate 的所有能力整合到一个完整的 RAG 系统里。

文档	核心收获	预计时间
10-RAG集成实战	内置 Generative 模块 RAG、LangChain/LlamaIndex 集成、生产级 RAG 架构	180 分钟

---

Weaviate 与 Milvus/Qdrant 的概念对照

这是专门为"已经学过其他向量数据库"的人准备的速查表。

通用概念：三者都有，只是叫法不同

概念	Milvus	Qdrant	Weaviate	说明
数据容器	Collection	Collection	Class	存储同类向量对象的容器，类似 SQL 的 Table
单条记录	Entity	Point	Object	一条数据记录
向量字段	Float Vector Field	Vector	Vector Property	存储高维向量的字段
元数据字段	Scalar Field	Payload	Property	非向量的结构化字段
索引算法	HNSW/IVF/DiskANN	HNSW	HNSW	向量近邻搜索算法
ANN 搜索	search()	search_points()	nearVector/nearText	近似最近邻搜索
混合搜索	Hybrid Search	Hybrid Search	Hybrid Search	向量搜索 + 关键词搜索
租户隔离	Partition	Collection 复制	Tenant（多租户）	逻辑/物理隔离方式

Weaviate 独有：这些是 Weaviate 的专有设计

特性	Weaviate 中的实现	Milvus/Qdrant 中的对应
内置向量化	Modules（text2vec-*）	不支持，需外部 Embedding 服务
Schema 类型系统	DataType（text、int、date...）	Milvus 有 Schema，但类型更偏数据库；Qdrant 无固定 Schema
内置 RAG	generative-openai/cohere/ollama	不支持，需接入 LangChain 等
GraphQL API	完整 GraphQL 接口	无，均为 REST + gRPC
Cross-references	Object 间相互引用（类似外键）	无内置支持
多租户原生设计	Class 级 Tenant，完整隔离	Milvus 用 Partition，Qdrant 用独立 Collection

Weaviate 没有但对手有的东西

能力	Milvus	Qdrant	Weaviate
极致写入吞吐	非常强（云原生分离架构）	强	中等
超大规模（百亿向量）	支持	支持	不推荐
量化压缩（PQ/SQ/BQ）	IVF-PQ	三级量化（完整）	部分支持
ACID 事务	部分	部分	部分

---

三条不同背景的学习路线

根据你的出发点，学习 Weaviate 的侧重点不同：

路线 A：AI 应用工程师（最常见）

你的目标是用 Weaviate 快速构建 RAG 应用或语义搜索服务，不需要深入运维。

01 → 05（直接跑第一个应用）→ 06（Modules 重点看）→ 10（RAG 实战）

跳过：02（架构细节）、09（生产调优）——等真的遇到问题再回来看。

---

路线 B：后端/数据工程师（生产导向）

你需要在生产环境部署和维护 Weaviate，关注稳定性、性能和成本。

01 → 02（架构要懂）→ 03 → 04（部署实操）→ 07（Schema 设计）→ 09（运维调优）

重点关注：第 9 篇的内存管理和 RBAC（v1.28 新增）。

---

路线 C：技术选型决策者（对比导向）

你需要在 Weaviate/Milvus/Qdrant 中做选型，快速建立判断。

01（先懂 AI-Native 是什么）→ 选型指南横向对比表 → 05（跑一遍感受）

重点关注：01 中的对比表、Modules 系统的使用成本分析。

---

Weaviate 的知识图谱

以下是 Weaviate 各概念之间的关系图，帮助你在学习过程中定位自己在哪里：

%%{init: {"theme":"base","themeVariables":{"fontFamily":"PingFang SC, -apple-system, Source Han Serif SC, serif","fontSize":"16px","background":"#FDFBF5","primaryColor":"#FDFBF5","primaryTextColor":"#2D2A26","primaryBorderColor":"#6E6A60","secondaryColor":"#E8EFE8","secondaryBorderColor":"#8FA890","secondaryTextColor":"#2D2A26","tertiaryColor":"#FDFBF5","tertiaryBorderColor":"#9A9488","tertiaryTextColor":"#6E6A60","lineColor":"#6E6A60","textColor":"#2D2A26","mainBkg":"#FDFBF5","nodeBorder":"#2D5A3D","clusterBkg":"#F3EEDF","clusterBorder":"#9A9488","edgeLabelBackground":"#FDFBF5"},"flowchart":{"htmlLabels":true,"curve":"basis","padding":20,"nodeSpacing":60,"rankSpacing":70,"useMaxWidth":false},"themeCSS":".node rect, .node polygon, .node circle { stroke-width: 1.5px; } .edgePath .path { stroke-width: 1.5px; } .cluster-label .nodeLabel, .cluster-label foreignObject { color: #2D2A26 !important; } .edgeLabel, .edgeLabel foreignObject { color: #2D2A26 !important; background-color: #FDFBF5; } .edgeLabel rect { fill: #FDFBF5; }"}}%%
mindmap
  root((Weaviate))
    AI-Native核心
      Modules系统
        text2vec模块
          text2vec-openai
          text2vec-cohere
          text2vec-huggingface
          text2vec-transformers
          text2vec-ollama
        multi2vec模块
          multi2vec-clip
          multi2vec-google
        generative模块
          generative-openai
          generative-cohere
          generative-ollama
        rerank模块
          rerank-cohere
          rerank-transformers
      GraphQL API
      REST API
      gRPC API
    数据模型
      Class
      Property
      Object
      Cross-reference
      Tenant
    存储与索引
      HNSW
      BM25
      混合搜索
      ACORN过滤
    部署模式
      WCS云服务
      Docker单机
      Kubernetes集群
    生产能力
      多租户
      RBAC权限
      备份恢复
      监控指标

---

学习中的常见误区

在正式开始之前，先了解这几个常见的认知误区，可以帮你少走弯路：

误区一：以为 Weaviate 必须依赖外部 OpenAI API 才能用

Weaviate 的 text2vec 模块支持本地 Hugging Face 模型（text2vec-transformers）和 Ollama 本地模型，完全可以离线使用。OpenAI/Cohere 集成是方便选项，不是唯一选项。

误区二：以为 GraphQL 很难用

Weaviate 的 GraphQL 查询语法相对直观。作为向量数据库的查询接口，它比通用 GraphQL 简单很多，而且 Python/JS 客户端封装了大量常用操作，你不需要手写 GraphQL 查询字符串。

误区三：以为 Weaviate 只适合文本搜索

multi2vec-clip 模块支持图文混合搜索（一个向量空间里存图片和文本），multi2vec-google 支持图文视频多模态。本路线将 Weaviate 的这些多模态模块作为学习对象；是否适合具体场景，需要结合模型支持、部署条件和检索效果判断，这里不作主流产品完整度排名。

误区四：以为内置 RAG 就是全部

内置 Generative 模块（generate.singleResult / generate.groupedResult）确实方便，但 Weaviate 也有完整的 LangChain、LlamaIndex 集成。两种方式不互斥，根据场景选择。

---

快速定向：你现在在哪里

用这个问题定位你当前的状态：

"我现在对 Weaviate 了解多少？"

• "完全不知道 Weaviate 是什么" → 从 01-Weaviate概述与核心定位 开始，这是你唯一的起点
• "知道它是向量数据库，但不知道 AI-Native 是什么意思" → 依然从 01 开始，那篇文档专门解释这个
• "用过 Milvus，想快速上手 Weaviate" → 看前面的"通用概念对照表"，然后从 06B-Modules系统与本地部署 开始
• "Weaviate 装好了，但不知道该怎么用" → 直接跳到 05-第一个Weaviate应用，动手比看概念更有效
• "在生产环境遇到性能问题" → 去 09-生产运维与性能调优，那里有专门的排查指南

---

相关资源与延伸阅读

知识库内相关文档

• 向量数据库选型指南 — 选型决策框架
• Milvus 学习路线图 — 对比参照
• Qdrant 学习路线图 — 对比参照
• 向量数据库通用知识 — ANN 算法、HNSW 原理等基础内容

官方资源

• Weaviate 官方文档：docs.weaviate.io
• Weaviate Blog（版本更新通知）：weaviate.io/blog
• Weaviate GitHub：github.com/weaviate/weaviate
• Weaviate Forum（社区问答）：forum.weaviate.io

---