[{"data":1,"prerenderedAt":666},["ShallowReactive",2],{"blog-weaviate-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":14,"about":23,"sources":33,"cover":58,"og":59,"expertise":60,"locales":61,"lang":64,"title":65,"description":66,"coverAlt":67,"metaTitle":68,"takeaways":69,"faq":75,"toc":91,"blocks":116,"others":413},"weaviate","2026-06-02",10,"rag",[9,10,11,12,13],"Vector search","Hybrid search","HNSW","Quantization","Multi-tenancy",[15,16,17,18,19,20,21,22],"weaviate vector database","weaviate vs qdrant","weaviate vs pinecone","weaviate vs pgvector","hnsw vs hfresh","weaviate cloud pricing","vector database comparison","weaviate hybrid search",[24,27,30],{"name":25,"url":26},"Weaviate","https:\u002F\u002Fgithub.com\u002Fweaviate\u002Fweaviate",{"name":28,"url":29},"Hierarchical Navigable Small World","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FNearest_neighbor_search",{"name":31,"url":32},"SPFresh","https:\u002F\u002Farxiv.org\u002Fpdf\u002F2410.14452",[34,37,40,43,46,49,52,55],{"title":35,"url":36},"Weaviate documentation: Vector indexing","https:\u002F\u002Fdocs.weaviate.io\u002Fweaviate\u002Fconcepts\u002Fvector-index",{"title":38,"url":39},"Weaviate documentation: ANN benchmark","https:\u002F\u002Fdocs.weaviate.io\u002Fweaviate\u002Fbenchmarks\u002Fann",{"title":41,"url":42},"Weaviate 1.39 release notes","https:\u002F\u002Fweaviate.io\u002Fblog\u002Fweaviate-1-39-release",{"title":44,"url":45},"Weaviate 1.38 release notes","https:\u002F\u002Fweaviate.io\u002Fblog\u002Fweaviate-1-38-release",{"title":47,"url":48},"Weaviate documentation: MCP server","https:\u002F\u002Fdocs.weaviate.io\u002Fweaviate\u002Fconfiguration\u002Fmcp-server",{"title":50,"url":51},"Weaviate Cloud pricing","https:\u002F\u002Fweaviate.io\u002Fpricing",{"title":53,"url":54},"weaviate\u002Fweaviate: LICENSE","https:\u002F\u002Fgithub.com\u002Fweaviate\u002Fweaviate\u002Fblob\u002Fmain\u002FLICENSE",{"title":56,"url":57},"weaviate\u002Fweaviate v1.40.0 release notes","https:\u002F\u002Fgithub.com\u002Fweaviate\u002Fweaviate\u002Freleases\u002Ftag\u002Fv1.40.0","\u002Fimages\u002Fblog\u002Fweaviate\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fweaviate\u002Fog.jpg","ai-engineer",[62,63,64],"en","de","hu","Weaviate: egy vektordatabázis, amelynek a keresésben kell nyernie, nem csak a hasonlóságban","Weaviate teszt: hibrid BM25- és vektorkeresés egy lekérdezésben, HNSW és a lemezen futó HFresh index, kvantálási döntések, beépített MCP-kiszolgáló, és ami ma a licenckulcsok mögé kerül.","Széles tál két beömlővel öt kis négyzetet rendez méret szerint, oldalt zárt doboz.","Weaviate teszt: keresés, nem csak hasonlóság · Balázs Csorba",[70,71,72,73,74],"A Weaviate egyetlen lekérdezésben BM25 kulcsszavas kereséssel, vektorhasonlósággal és strukturált szűrőkkel válaszol, és ez az ok, hogy egy puszta legközelebbi-szomszéd motortól meg kell előzzük.","Az HNSW memóriakötött: a dokumentáció szerint egy csomópont 2 és 12 kB, így egymillió 1536 dimenziós vektor 2 és 12 GB index a RAM-ban, százmillió pedig 200 és 1200 GB.","Az indextípus és a kvantálási szélesség gyakorlatilag létrehozáskori döntés. A rotációs kvantálás bitjei az RQ első bekapcsolásakor rögzülnek, utána nincs migráció.","A gyártói benchmark a DBPedia OpenAI ada002 beágyazásokkal 97,24 százalék Recall@10 értéket, 5639 lekérdezést másodpercenként és 4,43 ms p99-et jelent egyetlen 16 vCPU-s, 128 GB-os gépen, szűrés nélkül.","A repository a wl könyvtáron kívül BSD-3, az 1.40 pedig a Namespaces és a deduplikált mentéseket Weaviate-licenckulcs mögé teszi ugyanabban a binárisban.",[76,79,82,85,88],{"q":77,"a":78},"Ingyenes marad a Weaviate önálló telepítése?","Az adatbázis BSD-3-Clause, és korlátozás nélkül telepíthető saját infrastruktúrára. A repository LICENSE egyértelmű: a wl könyvtárban lévő kód proprietáris, és enterprise licencoldal kapcsolja be, az 1.40 pedig a Namespaces funkciót és a deduplikált mentéseket e kulcs mögé teszi. A cloud csomagok: ingyenes szint, Flex havi 45 dollártól, Premium havi 400 dollártól.",{"q":80,"a":81},"HNSW vagy HFresh nagy kollekcióhoz?","Az HNSW a leggeschwinderebb és az alapértelmezett, de a teljes gráfot a memóriában tartja. A HFresh csak egy tömörített centroid-indexet tart a RAM-ban, a posting listákat lemezről olvassa, és a dokumentáció szerint nem a nyers átviteli sebesség legyőzésére készült. A HFresh akkor jó választás, ha a memória a szűk keresztmetszet, és a kissé magasabb p99 rendben van.",{"q":83,"a":84},"A kvantálás csökkenti a Weaviate Cloud számláját?","Nem. A cloud a tárolt vektordimenziók számával számol, plusz tárolás és mentések, a tömörítés pedig nem változtatja meg ezt a számot. Csökkenti a Weaviate memőzigényét és számítását, ami a dimenziónkénti listaárban jelenik meg, nem a számlán csökkenő dimenziókban.",{"q":86,"a":87},"Kérdezhet-e egy ügynök a Weaviate-ot MCP-n át?","Igen, az 1.38 óta a adatbázis saját MCP-kiszolgálót tartalmaz a \u002Fv1\u002Fmcp útvonalon a REST porton, négy eszközzel: weaviate-collections-get-config, weaviate-tenants-list, weaviate-query-hybrid és weaviate-objects-upsert. Saját telepítésen alapból ki van kapcsolva, a Weaviate Cloudban mindig fut, ott az író eszköz is elérhető, kivéve ha a fürt Enable MCP Read-Only kapcsolója be van állítva.",{"q":89,"a":90},"Mekkora lehet egy HNSW-kollekció, mielőtt a memória szűk keresztmetszet?","A dokumentáció az HNSW-csomópontot dimenzionalitástól függően 2 és 12 kB-ra becsüli, vektoronként körülbelül 200 bájt éllással. Ez 2 és 12 GB egymilliónál, 200 és 1200 GB százmilliónál. A két emelő a rotációs kvantálás és a HFresh; a vektortár alapértelmezett felső korlátja kollekciónként 1e12 objektum.",[92,95,98,101,104,107,110,113],{"id":93,"title":94},"what-it-is","Mi ez",{"id":96,"title":97},"how-it-works","Hogyan működik",{"id":99,"title":100},"getting-started","Első lépések",{"id":102,"title":103},"index-and-memory","Indexek, memória és a számla",{"id":105,"title":106},"where-it-shingles","Ahol nyiklik",{"id":108,"title":109},"mcp-and-licensing","MCP hozzáférés és a licenchatár",{"id":111,"title":112},"verdict","Ítélet",{"id":114,"title":115},"sources","Források",[117,121,124,127,130,150,151,154,160,165,166,169,172,183,198,208,209,212,250,259,262,265,270,271,274,320,323,324,338,354,357,358,361,373,379,380],{"type":118,"content":119},"paragraph",[120],"A Weaviate olyan vektordatabázis, amely az objektumokat és az embeddingjeiket egymás mellett tárolja, és egyetlen lekérdezésre egyszerre válaszol BM25 kulcsszavas kereséssel, vektorhasonlósággal és strukturált szűrőkkel. Ez a nyílt forrású kategória legteljesebb keresőmotorja. A kételyem nem a visszakeresési minőségre vonatkozik, hanem a memóriaszámlára és arra, hány index- és kvantálási döntést kell meghozni az első import előtt.",{"type":118,"content":122},[123],"Qdrant-tal a memóratakarékos indexeken, Pinecone-nal a menedzselt üzemeltetésen, pgvectorral azon érvvel verseng, hogy egy csapat, amely már adatbázist futtat, ne építsen másodikat. A Weaviate válasza az, hogy először is egy teljes adatbázis: replikáció, mentések, többértékűség, RBAC és inkrementális séma módosítás, és mellette a legközelebbi szomszéd keresés.",{"type":125,"level":126,"id":93,"text":94},"heading",2,{"type":118,"content":128},[129],"A projekt a holland Weaviate B.V.-től származik, Go nyelven írták, és a jelenlegi kiadás az 1.40.0, megjelölve 2026. október 7-én. Hivatalos kliensek vannak Pythonhoz, JavaScripthoz, Java-hoz, Go-hoz és C#-hez, és beszél REST, gRPC és GraphQL felületen. Az összehasonlítás előtt érdemes tudni alapvető tényeket:",{"type":131,"ordered":132,"items":133},"list",false,[134,142,144,146,148],[135,136,141],"A hibrid keresés egy lekérdezésben fuzionálja a BM25 és a vektor eredményeket, az ",{"tag":137,"href":138,"children":139},"a","https:\u002F\u002Fdocs.weaviate.io\u002Fweaviate\u002Fsearch\u002Fhybrid",[140],"alpha"," paraméter súlyozza a két felet.",[143],"Négy vektorindex: flat, HNSW, dynamic, amely magától áll át HNSW-re, és HFresh, az 1.36-ban bevezetett lemezes index, amely 1.38 óta általánosan elérhető.",[145],"A kvantálás skálár, termék, bináris és rotációs eljárásokat ismer; a 4 bites rotációs kvantálás előnézet, az 1.40 pedig RQ-4 támogatást ad HNSW indexekhez.",[147],"A beépített MCP-kiszolgáló 1.38 óta általánosan elérhető, és négy eszközt tesz elérhetővé a \u002Fv1\u002Fmcp útvonalon a REST porton.",[149],"A többértékűség, a replikáció, a mentések, az inkrementális mentések, az objektum TTL és a collection aliasok mind az open source buildben vannak, nem csak a fizetősben.",{"type":125,"level":126,"id":96,"text":97},{"type":118,"content":152},[153],"Egy lekérdezés két indexcsaláddal találkozik. Az objektumtulajdonságok fordított indexekben élnek, ugyanabban a BM25 gépezetben, amelyet egy fordított indexű keresőmotor is használ, így a szűrő még a drága művelet előtt szűkíti a jelöltek halmazát. A vektorok a vektorindexben vannak, ahol az HNSW egy memóriában tartott rétegzett gráfon halad végig. Az eredmény összefúzódik, opcionálisan boostolódik és opcionálisan újrarangsorolódik.",{"type":155,"src":156,"alt":157,"wide":158,"caption":159},"image","\u002Fimages\u002Fblog\u002Fweaviate\u002Fdiagram-7.webp","Egy hibrid Weaviate-lekérdezés Egy lekérdezés két indexre ágazik. A fordított index oldja fel a strukturált szűrőt és futtatja a BM25 kulcsszavas értékelést. A vektorindex távolság szerint adja vissza a legközelebbi szomszédokat. Mindkét jelöltlista összefúzódik, majd boostolás és újrarangsorolás után vágjuk le az oldalt.",true,"A szűrő indexelés, nem utólagos szűrés, tehát szűkíti a vektoros keresést, ahelyett hogy eldobná az eredményét.",{"type":118,"content":161},[162,163,164],"Két következmény adódik. A szűrt keresés olcsó marad, mert a szűrő először fut. Az drága rész mindig a vektorindex, és ott van az üzemeltetési költség. A ","QUERY_HYBRID_MAXIMUM_RESULTS"," alapértéke 200, vagyis a hibrid lekérdezés mindkét fele legalább ennyi jelöltet szed be a fúzió előtt; ez az első gomb, amit meg kell fordítani, ha egy lekérdezés lassabb a benchmarknál.",{"type":125,"level":126,"id":99,"text":100},{"type":118,"content":167},[168],"A Python kliens az, amivel érdemes kezdeni. Egy collection HNSW indexszel, kvantálással, hibrid kereséssel, szűrővel, boosttal és diverzitásválasztással, körülbelül harminc sorban:",{"type":170,"code":171},"code","from datetime import timedelta\n\nimport weaviate\nfrom weaviate.classes.config import Configure, VectorDistances\nfrom weaviate.classes.query import Boost, Diversity, Filter\n\nclient = weaviate.connect_to_local()  # or connect_to_cloud(cluster_url, auth)\n\nclient.collections.create(\n    \"Product\",\n    vector_config=Configure.Vectors.text2vec_openai(\n        source_properties=[\"name\", \"description\"],\n        vector_index_config=Configure.VectorIndex.hnsw(\n            distance_metric=VectorDistances.COSINE,\n            quantizer=Configure.VectorIndex.Quantizer.rq(bits=8),\n        ),\n    ),\n)\n\nproducts = client.collections.get(\"Product\")\nproducts.data.insert_many([\n    {\"name\": \"Kestrel Wireless Headphones\", \"in_stock\": True, \"released\": \"2026-09-20\"},\n    {\"name\": \"Aurora Wireless Headphones\", \"in_stock\": False, \"released\": \"2025-11-02\"},\n    {\"name\": \"Nimbus Wireless Headphones\", \"in_stock\": True, \"released\": \"2026-10-05\"},\n])\n\nboost = Boost.blend(\n    [\n        Boost.filter(Filter.by_property(\"in_stock\").equal(True), weight=2.0),\n        Boost.time_decay(\"released\", scale=timedelta(days=30)),\n    ],\n    weight=0.3,   # 30 percent boost, 70 percent original relevance\n    depth=200,    # re-score the top 200 candidates\n)\n\nhits = products.query.hybrid(\n    query=\"wireless headphones\",\n    limit=4,\n    filters=Filter.by_property(\"released\").greater_than(\"2025-01-01\"),\n    boost=boost,\n    diversity_selection=Diversity.mmr(limit=4, balance=0.3),\n)\nfor hit in hits.objects:\n    print(hit.properties[\"name\"])\n",{"type":118,"content":173},[174,175,176,177,178,179,180,181,182],"Négy részlet ebben a snippetben dönti el, milyen lesz az oldal. A ","Boost.blend"," soha nem töröl eredményt, csak újrarangsorol, tehát a feltétel negatív súlya süllyeszt és nem szűr. A ","depth"," megadja, hány jelöltet értékelünk újra, a külső ","weight"," pedig azt, hogy a boost hányadrészt birtokolja a végső pontszámból. Az MMR kliens 4.23.0 vagy újabb verziót igényel, és a ","balance"," alapértéke 0.0, ami tiszta diverzitást jelent, nem semleges középet. Ha a boostot és a reranket együtt használod, a reranker fut utolsóként, és az mondja ki a végső szót.",{"type":184,"variant":185,"title":186,"body":187},"callout","warn","Az indexet az első import előtt döntsd el",[188],[189,190,193,194,197],"Az indextípus, az HNSW build paraméterei és a rotációs kvantálás szélessége gyakorlatban létrehozáskori döntés. A ",{"tag":170,"children":191},[192],"bits"," értéke akkor rögzül, amikor az RQ először aktív lesz egy vektoron, nincs migráció a 8 bites kódokról a 4 bitesre, az ",{"tag":170,"children":195},[196],"ef"," pedig csak akkor ér valamit, ha build közben tudatosan állították. Egy collection újraépítése egyetlen paraméter miatt az adatbázis üzemeltetésének drága része.",{"type":184,"variant":199,"title":200,"body":201},"tip","Az importok memóriát igényelnek, nem csak lemezt",[202],[203,204,207],"Minden import ismételt kereséseket futtat a már importált vektorokon, ezért a dokumentáció azt javasolja, hogy ",{"tag":170,"children":205},[206],"vectorCacheMaxObjects"," értéke legyen elég nagy a teljes korpusz befektetéséhez. Az import átvitele összeomlik, ha a cache nem tudja tartani a vektorokat. Az aszinkron indexelés tartós lemezes sorba teszi a gráfmódosításokat, ami segít, de rövid késedelmet okoz az objektum megírása és az indexen keresztüli megtalálása között.",{"type":125,"level":126,"id":102,"text":103},{"type":118,"content":210},[211],"Az HNSW a csomópontokat és az éleket a memóriában tartja, és a dokumentáció szokatlanul nyílt a költséggel: egy csomópont dimenzionalitástól függően 2 és 12 kB, tehát egymillió vektor 2 és 12 GB, százmillió vektor 200 és 1200 GB, vektoronként körülbelül 200 bájttal élve. Ez a szám a kapacitástervezésbe megy, nem az átviteli célok közé.",{"type":213,"head":214,"rows":223},"table",[215,217,219,221],[216],"Index",[218],"Memória",[220],"Keresési viselkedés",[222],"Mire való",[224,233,241],[225,227,229,231],[226],"Flat",[228],"Nagyon alacsony",[230],"Pontos, lineáris átnézés",[232],"Kis collectionök és a bérlőnkénti adatok többértékűségnél",[234,235,237,239],[11],[236],"Magas, minden a memóriában",[238],"Leggyorsabb; logaritmikus a gráfban",[240],"Nagy collectionök nagy lekérdezési átvitellel",[242,244,246,248],[243],"HFresh",[245],"Alacsony, a postingok a lemezen",[247],"Néhány posting listát olvas, majd újraértékel",[249],"A memória a szűk keresztmetszet; a kissé magasabb p99 rendben van",{"type":118,"content":251},[252,253,254,255,256,257,258],"Nagy korpuszoknál az HFresh az érdekes. Csoportosítja a vektorokat lemezes postingokba, a memóriában pedig csak a centroidokon futó, 8 bites kvantálású HNSW indexet tartja, a postingokat magukat 1 bittel. A keresés csak a centroidindex által kiválasztott postingokat olvassa, majd a jelölteket tömörítetlen vektorokon értékeli újra. A dokumentáció pontos: csak koszinusz és l2-squared távolság támogatott, a skalárszorzat nem, és nyers átvitelben nem az HNSW legyőzésére készült. A recall paramétereket latenciaállítóként érdemes olvasni: a ","searchProbe"," az, hogy egy lekérdezés hány posting listát jár be, a ","replicas"," az, hogy egy vektor hány listába kerül, a ","maxPostingSizeKB"," pedig a fürtméret.",{"type":118,"content":260},[261],"A kvantálás a másik emelő. A rotációs kvantálás úgy forgatja el a vektort, hogy az értékei egyenletesen oszoljanak a dimenziókra, majd minden dimenziót kis egész kódként tárol. 4 bitnél és 1536 dimenziónál egy vektor 784 bájt, szemben a nyers float32 6144 bájtjával, ami 7,84, nem kerek 8, mert a 16 bájtos rotációs fejléc megmarad. A tömörítés csökkenti a memóriát és a számítást, de nem a cloud által számlázott dimenziók számát: a Weaviate Cloud Flex csomagban havonta egymillió vektordimenzióonként 0,00465 dollártól számol, a tárolás GiB-nként 0,12 dollártól, havi 45 dolláros minimummal, és az erősebb tömörítés alacsonyabb dimenzióonkénti árban jelenik meg, nem kisebb számlában.",{"type":118,"content":263},[264],"A gyártói benchmarkot csak a módszertannal együtt érdemes olvasni. A DBPedia OpenAI ada002 beágyazásokkal, egymillió objektum 1536 dimenzióval és koszinusz távolsággal az ajánlott efConstruction 256, maxConnections 16 és ef 96 konfiguráció 97,24 százalék Recall@10 értéket ad 5639 lekérdezés másodpercenként, 2,80 ms átlagos és 4,43 ms p99 latenciával. Ez 10 000 szűretlen keresés egyetlen GCP n4-highmem-16 példányon, 16 vCPU-val és 128 GB memóriával, a Go klienssel ugyanabban a VPC-ben, és minden találat objektuma visszaolvasásra kerül a lemezről. A scriptek open source-ok, és ez a legfontosabb részük.",{"type":184,"variant":185,"title":266,"body":267},"Ezeket a számokat ne vidd tovább a felépítés nélkül",[268],[269],"A benchmark szűretlen, egygépes, ugyanabban a VPC-ben fut, és a végponttól végpontig mér, az objektumok visszaolvasását is beleértve, ami szebbnek mutatja, mint egy szűrt termelési lekérdezés egy valódi hálózaton. Ráadásul a gyártó saját hardvere. Ugyanez a dokumentáció figyelmeztet, hogy az HNSW véletlen vektorokon sokkal rosszabbul teljesít, mint valódi adaton, így a saját korpuszod szintetikus benchmarkja az egyetlen szám, amellyel szabad hinni.",{"type":125,"level":126,"id":105,"text":106},{"type":118,"content":272},[273],"Először a gyengeségek, mert ezek döntik el, hogy ez-e a megfelelő adatbázis. Az HNSW-en a növekedés memóriagörbe, nem vízszintes görbe: százmillió 1536 dimenziós vektor több száz gigabájtos tervezési feladat, és további csomópontok nem zsugorítják egy shard indexét. A törlés aszinkron, így a törlés utáni keresés még visszaadhatja az objektumot. Az API felület elég széles ahhoz, hogy a GraphQL, a gRPC, a gRPC-Web és egy negyedik, kísérleti REST keresési API egymás mellett létezzen, az 1.39 release note pedig kimondja, hogy az új REST API referenciaválasztása lecserélésre kerül, tehát az arra írt kód még változni fog.",{"type":213,"head":275,"rows":284},[276,278,280,282],[277],"Adatbázis",[279],"Indexmodell",[281],"Önálló telepítés",[283],"Ahol fáj",[285,293,302,311],[286,287,289,291],[25],[288],"HNSW, flat, dynamic, HFresh",[290],"Egy adatbázis: replikáció, mentések, RBAC, többértékűség",[292],"Memóriakötött növekedés; több sémafelület, amit tanulni kell",[294,296,298,300],[295],"Qdrant",[297],"HNSW lemezes és skalár kvantálással",[299],"Fókuszált vektormotor szűréssel",[301],"A Weaviate által szállított adatbázisfunkciók egy része hiányzik",[303,305,307,309],[304],"pgvector",[306],"Postgres indexek: HNSW, IVFFlat",[308],"Nincs: egy már futó adatbázis kiterjesztése",[310],"A recall és a hangolás mostantól Postgres hangolás",[312,314,316,318],[313],"Pinecone",[315],"Csak menedzselt",[317],"Nincs mit futtatni",[319],"Nincs önálló telepítés, és a számla az olvasási egységekkel skálázódik",{"type":118,"content":321},[322],"Két üzemeltetési megjegyzés zárja a képet. Az aszinkron replikációt az 1.38-ban klaszterszinten egyetlen ütemezőre építették át, és mostantól minden replikált collectionben alapértelmezetten fut, ami megbízhatósági nyereség és egyben háttérterhelés. Az 1.40-ban pedig az új Namespaces funkció, amely control plane és adatizolációt ad a közös klasztert használó felhasználók között, Weaviate licenckulcs mögé került.",{"type":125,"level":126,"id":108,"text":109},{"type":118,"content":325},[326,327,328,329,330,331,332,333,335,336,337],"Az MCP-kiszolgáló az, amivel a legtöbb csapat először találkozik. Streamable HTTP kiszolgáló a \u002Fv1\u002Fmcp útvonalon a REST porton, saját telepítésen alapból kikapcsolva, a Weaviate Cloudban mindig bekapcsolva, hitelesítve API kulcs bearer tokenként. Négy eszközt tesz elérhetővé: ","weaviate-collections-get-config"," a sémákhoz, ","weaviate-tenants-list",", ","weaviate-query-hybrid"," hibrid kereséshez, alapértelmezett 0,75 ",{"tag":170,"children":334},[140]," értékkel, és ","weaviate-objects-upsert"," az íráshoz. A jogosultságok a szokásos RBAC szerepek, és eszközhíváskor ellenőrzöttek.",{"type":184,"variant":185,"title":339,"body":340},"Három alapértelmezés, amit ellenőrizni kell, mielőtt egy ügynök a klaszterhez nyúl",[341],[342,343,346,347,350,351,353],"A ",{"tag":170,"children":344},[345],"tools\u002Flist"," minden eszközt visszaad minden hitelesített kulcsnak, tehát egy csak olvasó hitelesítvény is megtudja, hogy létezik az író eszköz; a megtagolt hívás HTTP 200 formájú ",{"tag":170,"children":348},[349],"isError"," eredménnyel érkezik, nem 403-ként. A ",{"tag":170,"children":352},[336]," felülírja a tárolt objektumot, nem merge-el, tehát egy részleges payload elveszíti a kihagyott tulajdonságokat, és bekapcsolt automatikus sémánál egy elgépelt collection név collectiont hoz létre ahelyett, hogy hibát adna. A Weaviate Cloud a fürt Enable MCP Read-Only kapcsolójáig szállítja az író eszközt, és ez alapból ki van kapcsolva.",{"type":118,"content":355},[356],"A licencelésben a repository LICENSE egyértelmű: a wl könyvtáron kívüli kód BSD-3-Clause, a benne lévő kód Weaviate B.V. szerzői jogú, és csak külön enterprise licenc alatt érhető el, licenckulccsal feloldva, a BSD licenc pedig nem ad jogot ezeknek a funkcióknak a használatához vagy a kulcs megkerüléséhez. Az 1.40 a Namespaces és a deduplikált mentések funkciókat teszi e vonal másik oldalára. Az adatbázis maga BSD-3 marad és használati korlát nélkül telepíthető, így az egyetlen valódi kérdés az, hogy a roadmap mennyi része kerül a kulcs mögé.",{"type":125,"level":126,"id":111,"text":112},{"type":118,"content":359},[360],"A Weaviate akkor a választott vektordatabázis, ha a visszakeresési minőség és az üzemeltetési teljesség fontosabb a legkisebb memóriaköltségnél, és ha a csapat az indextípust, a kvantálási szélességet és az ef értéket valódi paraméternek tudja kezelni, nem alapértelmezésnek. Rossz válasz azoknak a csapatoknak, amelyek már futtatnak Postgrest, és az embeddingeket a sorok mellé akarják tenni, és azoknak is, akik százmilliós vektorkorpuszt néznek szigorú memória keret mellett.",{"type":131,"ordered":158,"items":362},[363,365,367,369,371],[364],"Válaszd, ha a lekérdezéseknek a vektorok mellett szűrő és kulcsszó is kell, és ezt egy menetben akarod megkapni három helyett.",[366],"Válaszd, ha többértékűség, replikáció, mentések és RBAC kell anélkül, hogy négy szolgáltatást tennél egy meztelen vektorindexre.",[368],"Válaszd, ha BSD-3 adatbázist tudsz magad üzemeltetni, és ugyanazt az API-t akarod menedzselt opcióként is.",[370],"Kerüld, ha a korpusz akkora, hogy a HNSW memóriája uralja a számlát, és a kissé magasabb p99 elfogadható; ez az HFresh feladata, vagy egy célra épített motoré.",[372],"Kerüld, ha azt várod, hogy a teljes roadmap a BSD licenc alatt marad. Nézd meg, mely funkciókat zárja licenckulcs mögé az adott verzió, mielőtt erre tervezel.",{"type":184,"variant":374,"title":375,"body":376},"note","A rövid változat",[377],[378],"Egy jól megépített adatbázis a kategóriája legjobb hibrid keresésével, olyan licenceléssel és árképzéssel, hogy a roadmap érdekes része egyre inkább kulcs mögé kerül. Olvasd el a verziófüggő korlátozásokat a döntés előtt, és a memóriát a séma előtt tervezd meg.",{"type":125,"level":126,"id":114,"text":115},{"type":131,"ordered":158,"items":381},[382,386,390,394,398,402,406,409],[383],{"tag":137,"href":36,"children":384},[385],"Weaviate dokumentáció: Vector indexing",[387],{"tag":137,"href":39,"children":388},[389],"Weaviate dokumentáció: ANN benchmark",[391],{"tag":137,"href":42,"children":392},[393],"Weaviate 1.39 kiadási jegyzék",[395],{"tag":137,"href":45,"children":396},[397],"Weaviate 1.38 kiadási jegyzék",[399],{"tag":137,"href":48,"children":400},[401],"Weaviate dokumentáció: MCP-kiszolgáló",[403],{"tag":137,"href":51,"children":404},[405],"Weaviate Cloud árazás",[407],{"tag":137,"href":54,"children":408},[53],[410],{"tag":137,"href":57,"children":411},[412],"weaviate\u002Fweaviate v1.40.0 kiadási jegyzék",[414,489,548,605],{"slug":415,"published":416,"minutes":417,"category":7,"tags":418,"keywords":423,"about":436,"sources":446,"cover":483,"og":484,"expertise":60,"locales":485,"lang":64,"title":486,"description":487,"coverAlt":488},"embedding-model-selection-2026","2026-10-17",9,[419,420,421,9,422],"Embeddings","RAG","MTEB","Model selection",[424,425,426,427,428,429,430,431,432,433,434,435],"best embedding model 2026","how to choose an embedding model","embedding model comparison","MTEB leaderboard explained","RTEB benchmark","open source embedding model","multilingual embedding model","voyage-4 vs openai embeddings","Qwen3-Embedding","EmbeddingGemma","embedding model for RAG","switching embedding models re-embed",[437,440,443],{"name":438,"url":439},"Word embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWord_embedding",{"name":441,"url":442},"Information retrieval","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FInformation_retrieval",{"name":444,"url":445},"Discounted cumulative gain","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDiscounted_cumulative_gain",[447,450,453,456,459,462,465,468,471,474,477,480],{"title":448,"url":449},"Enevoldsen et al.: MMTEB, Massive Multilingual Text Embedding Benchmark (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.13595",{"title":451,"url":452},"Hugging Face: Introducing RTEB, a new standard for retrieval evaluation (Oct 2025)","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Frteb",{"title":454,"url":455},"OpenAI: Vector embeddings guide","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fembeddings",{"title":457,"url":458},"OpenAI: API pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing",{"title":460,"url":461},"Voyage AI: The Voyage 4 model family, shared embedding space with MoE architecture (Jan 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F01\u002F15\u002Fvoyage-4\u002F",{"title":463,"url":464},"Voyage AI: Text embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fembeddings",{"title":466,"url":467},"Voyage AI: Pricing","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fpricing",{"title":469,"url":470},"Google: Gemini API embeddings documentation","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fembeddings",{"title":472,"url":473},"Google: Gemini API pricing","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fpricing",{"title":475,"url":476},"Cohere: Embed models documentation","https:\u002F\u002Fdocs.cohere.com\u002Fdocs\u002Fcohere-embed",{"title":478,"url":479},"Qwen: Qwen3-Embedding-8B model card","https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen3-Embedding-8B",{"title":481,"url":482},"Google Developers Blog: Introducing EmbeddingGemma (Sep 2025)","https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fintroducing-embeddinggemma\u002F","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fog.jpg",[62,63,64],"Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon","Hogyan válassz embedding-modellt RAG-hoz 2026-ban: mit mond az MTEB és az RTEB, API vagy nyílt súlyok, árak, dimenziók és egy egyhetes összehasonlító teszt.","Három oszlop egymásra rakott kockákból, középen a legmagasabb, mindegyik rövid sávval mérve.",{"slug":490,"published":416,"minutes":6,"category":7,"tags":491,"keywords":495,"about":507,"sources":517,"cover":542,"og":543,"expertise":60,"locales":544,"lang":64,"title":545,"description":546,"coverAlt":547},"contextual-retrieval-late-chunking",[420,492,419,493,494],"Chunking","Contextual retrieval","Late chunking",[496,497,498,499,500,501,502,503,504,505,506],"contextual retrieval","anthropic contextual retrieval","late chunking","contextual chunk embeddings","contextual embeddings rag","contextual bm25","chunk context rag","voyage-context-3","voyage-context-4","late chunking vs contextual retrieval","rag chunking context loss",[508,511,514],{"name":509,"url":510},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",{"name":512,"url":513},"Okapi BM25","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOkapi_BM25",{"name":515,"url":516},"Sentence embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSentence_embedding",[518,521,524,527,530,533,536,539],{"title":519,"url":520},"Anthropic: Introducing Contextual Retrieval (Sep 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fcontextual-retrieval",{"title":522,"url":523},"Günther et al.: Late Chunking, Contextual Chunk Embeddings Using Long-Context Embedding Models (2024, rev. 2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.04701",{"title":525,"url":526},"Jina AI: Late Chunking in Long-Context Embedding Models (Aug 2024)","https:\u002F\u002Fjina.ai\u002Fnews\u002Flate-chunking-in-long-context-embedding-models\u002F",{"title":528,"url":529},"Voyage AI: Introducing voyage-context-3 (Jul 2025)","https:\u002F\u002Fblog.voyageai.com\u002F2025\u002F07\u002F23\u002Fvoyage-context-3\u002F",{"title":531,"url":532},"Voyage AI: voyage-context-4 (Jun 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F06\u002F29\u002Fvoyage-context-4\u002F",{"title":534,"url":535},"Voyage AI: Contextualized chunk embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fcontextualized-chunk-embeddings",{"title":537,"url":538},"Anthropic: Claude API pricing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fabout-claude\u002Fpricing",{"title":540,"url":541},"Qu, Tu and Bao: Is Semantic Chunking Worth the Computational Cost? (2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.13070","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fog.jpg",[62,63,64],"Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat","A chunkok elveszítik a dokumentumukat. Hogyan javít ezen a contextual retrieval, a late chunking és a kontextusos embedding, mennyibe kerül, és mikor hagyd ki.","Négy szabad négyzet, alul széles kapocs fogja össze, mindegyik felfelé egy nagy laphoz kapcsolódik.",{"slug":549,"published":416,"minutes":417,"category":7,"tags":550,"keywords":553,"about":566,"sources":574,"cover":599,"og":600,"expertise":60,"locales":601,"lang":64,"title":602,"description":603,"coverAlt":604},"rag-access-control-permissions",[420,551,552,13,9],"Access control","Security",[554,555,556,557,558,559,560,561,562,563,564,565],"rag access control","permission aware rag","document level security rag","rag multi tenancy","vector database access control","pgvector row level security","security trimming azure ai search","openfga rag authorization","qdrant multitenancy","pinecone namespaces multitenancy","owasp llm08 vector and embedding weaknesses","rag data leakage",[567,570,573],{"name":568,"url":569},"Access-control list","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAccess-control_list",{"name":571,"url":572},"Multitenancy","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultitenancy",{"name":509,"url":510},[575,578,581,584,587,590,593,596],{"title":576,"url":577},"OWASP GenAI Security Project: LLM08:2025 Vector and Embedding Weaknesses","https:\u002F\u002Fgenai.owasp.org\u002Fllmrisk\u002Fllm082025-vector-and-embedding-weaknesses\u002F",{"title":579,"url":580},"PostgreSQL documentation: Row Security Policies","https:\u002F\u002Fwww.postgresql.org\u002Fdocs\u002Fcurrent\u002Fddl-rowsecurity.html",{"title":582,"url":583},"pgvector README: filtering and iterative index scans","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"title":585,"url":586},"Qdrant: Multitenancy and partitions guide","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fguides\u002Fmultiple-partitions\u002F",{"title":588,"url":589},"Pinecone: Implement multitenancy using namespaces","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fimplement-multitenancy",{"title":591,"url":592},"Microsoft Learn: Document-level access control in Azure AI Search","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsearch-document-level-access-overview",{"title":594,"url":595},"OpenFGA: RAG authorization use case","https:\u002F\u002Fopenfga.dev\u002Fdocs\u002Fuse-cases\u002Frag-authorization",{"title":597,"url":598},"Morris et al.: Text Embeddings Reveal (Almost) As Much As Text (EMNLP 2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06816","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fog.jpg",[62,63,64],"Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül","Hogyan szivárogtatnak dokumentumot a RAG-asszisztensek, és hogyan állítsd meg: ACL minden chunkon, előszűrés, sorszintű biztonság pgvectorban, jogszinkron.","Hét kártya sorban, haton lakat jelvény, a csupasz kártya nyilat küld kifelé.",{"slug":606,"published":416,"minutes":6,"category":7,"tags":607,"keywords":612,"about":624,"sources":632,"cover":659,"og":660,"expertise":661,"locales":662,"lang":64,"title":663,"description":664,"coverAlt":665},"rag-product-catalog-pim-data",[420,608,609,610,611],"PIM","Product data","B2B e-commerce","Metadata filtering",[613,614,615,616,617,618,619,620,621,622,623],"rag product catalog","rag pim data","llm product data","product catalog chatbot","akeneo rag","pimcore ai search","rag structured data","metadata filtering rag","product attributes embeddings","b2b product assistant","etim classification ai",[625,628,629],{"name":626,"url":627},"Product information management","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProduct_information_management",{"name":509,"url":510},{"name":630,"url":631},"ETIM (standard)","https:\u002F\u002Fwww.etim-international.com\u002Fclassification\u002F",[633,636,639,642,644,647,650,653,656],{"title":634,"url":635},"Akeneo API: Products, product values, metric values and product models","https:\u002F\u002Fapi.akeneo.com\u002Fconcepts\u002Fproducts.html",{"title":637,"url":638},"Akeneo Help Center: What about products with variants?","https:\u002F\u002Fhelp.akeneo.com\u002Fserenity-take-the-power-over-your-products\u002Fserenity-what-about-products-with-variants",{"title":640,"url":641},"Pimcore documentation: Classification Store","https:\u002F\u002Fdocs.pimcore.com\u002Fplatform\u002FPimcore\u002FObjects\u002FObject_Classes\u002FData_Types\u002FClassification_Store\u002F",{"title":643,"url":631},"ETIM International: Classification",{"title":645,"url":646},"ETIM International: ETIM releases and the IXF format","https:\u002F\u002Fetim-international.com\u002F?p=754",{"title":648,"url":649},"Reddy et al.: Shopping Queries Dataset, a large-scale ESCI benchmark for improving product search (2022)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06588",{"title":651,"url":652},"Amazon Science: esci-data repository","https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fesci-data",{"title":654,"url":655},"Qdrant documentation: Filtering","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fconcepts\u002Ffiltering\u002F",{"title":657,"url":658},"Sui et al.: Table Meets LLM, can large language models understand structured table data? (WSDM 2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.13062","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fog.jpg","b2b-ecommerce-developer",[62,63,64],"RAG termékkatalógusra: PIM-adatokból megbízható válaszok","A termékadat strukturált, ezért a PDF-szerű chunkolás itt elbukik. Hogyan sorosítsd a PIM-attribútumokat, és hogyan küldd a specifikációs kérdéseket szűrőkhöz.","Kilenc négyzetből álló keret apró jelekkel, alatta tölcsér egyetlen kártyához.",1792261159866]