Как запустить векторный поиск без боли и лишних серверов с помощью Zvec

Представьте ситуацию: вы разрабатываете небольшое приложение с ИИ-функциями, например, умный поиск по документам или систему рекомендаций. Вам нужно где-то хранить векторные эмбеддинги и быстро искать по ним. И тут начинается «веселье»: нужно либо поднимать тяжеловесный векторный кластер, либо платить за облачные решения, либо пытаться прикрутить что-то самописное на коленке. Знакомая история?

Многие разработчики привыкли, что векторная база данных — это обязательно отдельный сервис, который нужно администрировать. Но что, если я скажу, что мощный движок поиска может жить прямо внутри вашего процесса, как SQLite, но только для векторов?

Сегодня разберем Zvec — опенсорсный проект от Alibaba, который меняет правила игры в локальном векторном поиске.

Что такое Zvec и почему это удобно

Zvec — это легковесная встраиваемая (in-process) векторная база данных. Она построена на базе Proxima — проверенного временем поискового движка Alibaba, который годами обкатывался в высоконагруженных продакшн-системах.

Главная фишка здесь в слове «встраиваемая». Вам не нужно настраивать Docker-контейнеры, прописывать конфиги сети или следить за тем, не упал ли сервер базы данных. Zvec работает там же, где и ваш код: в Python-скрипте, Node.js приложении или даже в CLI-утилите. Это делает его идеальным выбором для RAG-систем (Retrieval-Augmented Generation), Edge-вычислений и прототипирования.

Чем Zvec выделяется на фоне конкурентов

Рынок векторных баз сейчас перенасыщен, но Zvec находит свою нишу благодаря нескольким ключевым особенностям:

Скорость без компромиссов. Несмотря на свою «легкость», движок способен обрабатывать миллиарды векторов. Поиск занимает миллисекунды, что подтверждается внутренними бенчмарками.
Гибридный поиск. Часто нам нужно найти не просто «похожие картинки», а «похожие картинки, загруженные в прошлом месяце и имеющие тег #nature». Zvec позволяет комбинировать семантическую схожесть со структурированными фильтрами.
Плотные и разреженные векторы. В отличие от многих библиотек, которые умеют работать только с классическими эмбеддингами (dense), Zvec нативно поддерживает и sparse-векторы. Это критично для задач, где нужно сочетать классический текстовый поиск (типа BM25) с нейросетевым.
Мульти-векторные запросы. Вы можете выполнять поиск по нескольким векторным полям за один вызов. Это полезно, если у одного объекта есть, например, и текстовое описание, и визуальный эмбеддинг.

Быстрый старт: от установки до первого поиска

Разработчики из Alibaba явно старались сделать порог входа максимально низким. Если у вас установлен Python (3.10–3.12), запуск займет буквально минуту.

Установка

pip install zvec

(Для любителей JavaScript также доступен пакет в npm: npm install @zvec/zvec)

Пример кода

Давайте посмотрим, как выглядит типичный рабочий процесс. Сначала мы описываем схему коллекции, затем добавляем данные и выполняем поиск.

import zvec

# 1. Описываем структуру: имя коллекции и параметры вектора
schema = zvec.CollectionSchema(
    name="my_ai_app",
    vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4),
)

# 2. Создаем и открываем базу (данные сохранятся в указанную папку)
collection = zvec.create_and_open(path="./zvec_storage", schema=schema)

# 3. 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]}),
])

# 4. Ищем топ-10 похожих результатов
results = collection.query(
    zvec.VectorQuery("embedding", vector=[0.4, 0.3, 0.3, 0.1]),
    topk=10
)

print(results)

Согласитесь, выглядит гораздо проще, чем настройка полноценного кластера Milvus или Qdrant.

Техническая «начинка» и производительность

В основе Zvec лежит C++, что и обеспечивает такую производительность. Библиотека эффективно использует ресурсы процессора и оптимизирована под современные архитектуры (x86_64 и ARM64).

Интересно взглянуть на графики производительности. На больших объемах данных (до 10 миллионов векторов) Zvec показывает впечатляющий QPS (количество запросов в секунду), сохраняя при этом низкую задержку.

В моей практике часто случается, что при масштабировании встраиваемые решения начинают «тормозить». Однако Zvec, судя по тестам, держится бодро даже когда коллекция разрастается. Это заслуга движка Proxima, который изначально проектировался для нужд гиганта электронной коммерции.

Где это пригодится на практике?

Кому стоит присмотреться к Zvec уже сегодня?

Разработчикам RAG-приложений: Если вы строите локального чат-бота, который должен отвечать по вашей базе знаний, Zvec — идеальное хранилище. Он не ест лишнюю память и легко упаковывается вместе с приложением.
Создателям десктопного ПО: Если вы делаете фоторедактор с поиском по смыслу или музыкальный плеер с рекомендациями, Zvec позволит реализовать это без облачного бэкенда.
Data Scientist-ам для экспериментов: Когда нужно быстро проверить гипотезу на ноутбуке в Jupyter, не хочется тратить время на инфраструктуру. pip install — и погнали.
Edge-устройствам: Благодаря поддержке ARM64 и низким системным требованиям, базу можно запустить даже на Raspberry Pi или других встраиваемых системах.

Итоги: стоит ли пробовать?

Zvec — это отличный пример того, как сложные технологии становятся доступными и простыми в использовании. Проект объединяет в себе мощь промышленного движка и удобство библиотеки «в один клик».

Конечно, если вам нужна распределенная база данных на сотни терабайт с шардированием и сложным управлением правами доступа, вы, скорее всего, выберете полноценный сервер. Но для 90% задач, с которыми сталкивается обычный разработчик при создании ИИ-сервисов, Zvec будет более чем достаточно.

Проект активно развивается, у него живое комьюнити в Discord и X (Twitter), а за спиной стоит экспертиза инженеров Alibaba. Если вы искали способ сделать ваш поиск умнее, не усложняя при этом архитектуру — обязательно загляните в репозиторий.

Полезные ссылки:

А как вы сейчас решаете задачу хранения векторов в своих проектах? Делитесь опытом в комментариях!