[{"data":1,"prerenderedAt":685},["ShallowReactive",2],{"tool-lancedb-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":13,"about":21,"sources":28,"cover":53,"og":54,"expertise":55,"locales":56,"lang":59,"title":60,"description":61,"coverAlt":62,"url":63,"pricing":64,"kind":23,"metaTitle":65,"takeaways":66,"faq":72,"toc":85,"blocks":110,"others":492},"lancedb","2026-09-21",9,"rag",[9,10,11,12],"Vector search","Hybrid search","Embedded database","RAG",[4,14,15,16,17,18,19,20],"lancedb review","lance vector database","embedded vector database","lancedb vs qdrant","hybrid search rrf","lancedb indexing","lance data format",[22,25],{"name":23,"url":24},"Vector database","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVector_database",{"name":26,"url":27},"Apache Arrow","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FApache_Arrow",[29,32,35,38,41,44,47,50],{"title":30,"url":31},"LanceDB quickstart","https:\u002F\u002Fdocs.lancedb.com\u002Fquickstart",{"title":33,"url":34},"LanceDB vector indexes","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Fvector-index",{"title":36,"url":37},"LanceDB indexing guide","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Findex",{"title":39,"url":40},"LanceDB hybrid search","https:\u002F\u002Fdocs.lancedb.com\u002Fsearch\u002Fhybrid-search",{"title":42,"url":43},"LanceDB Enterprise","https:\u002F\u002Fdocs.lancedb.com\u002Fenterprise",{"title":45,"url":46},"LanceDB frequently asked questions","https:\u002F\u002Fdocs.lancedb.com\u002Ffaq\u002Ffaq-oss",{"title":48,"url":49},"LanceDB pricing","https:\u002F\u002Flancedb.com\u002Fpricing",{"title":51,"url":52},"LanceDB on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Flancedb\u002F","\u002Fimages\u002Fblog\u002Flancedb\u002Fcover.webp","\u002Fimages\u002Fblog\u002Flancedb\u002Fog.jpg","ai-engineer",[57,58,59],"en","de","hu","LanceDB: vektoros keresés, amely könyvtárként indul","A LanceDB értékelése: Apache-2.0 beágyazott vektoros könyvtár szerver helyett, az IVF és HNSW indexválasztás, hibrid keresés rangsoregyesítéssel, és mit ad hozzá az Enterprise.","A LanceDB teszt borítóképe: egy Lance-tábla vektorindexet és teljes szöveges indexet táplál egy fúziós rangsorba","https:\u002F\u002Flancedb.com","Apache-2.0 · Cloud paid","LanceDB teszt: beágyazott vektordatbázis · Balázs Csorba",[67,68,69,70,71],"A LanceDB 0.40.0, 2026. október 7-én kiadva, Apache-2.0 licencű Rust-könyvtár az alkalmazás folyamatában, Python, JavaScript és Rust kliensekkel, futtatandó szerver nélkül.","Körülbelül egymillió sor alatt a vektorindex opcionális: a gyártó FAQ-ja 100 000 pár 1000 dimenziós vektort 20 ms alatt mér, és kis tábláknál kihagyni ajánlja az indexet.","Az HNSW itt nem álló szintű index — csak az IVF-partíciókon belül létezik —, és a dokumentáció figyelmeztet, hogy a HNSW-alapú indexek metaadatfilter alatt nagyobb latenciaszórást mutatnak.","A hibrid keresés a legerősebb funkció: BM25 teljes szöveges és vektoros keresés, amelyet reciprocal rank fusion reranker olvaszt össze, alapértelmezett prefilterrel.","A gyártó saját összehasonlítása szerint az open-source kiadás 10-50 lekérdezés másodpercenként és 500-1000 ms objektumtárolóról, szemben az Enterprise legfeljebb 10 000 lekérdezésével és 50-200 ms-ával.",[73,76,79,82],{"q":74,"a":75},"Szükségem van vektorindexre a LanceDB-ben?","Egyelőre nem. Az FAQ szerint a brute-force keresés 20 ms alatt teljesít 100 000 pár 1000 dimenziós vektornál, és azt mondja, hogy vektorindex körülbelül egymillió sor vagy magasabb dimenzió felett éri meg; ez alatt a scan általában elég gyors.",{"q":77,"a":78},"Miért nincs sima HNSW-index?","A LanceDB-ben az HNSW az IVF-partíciókon belüli alépítmény, nem álló szintű index — ez ötvözi az IVF skálázhatóságát és az HNSW recallját. Az elérhető típusok: IVF_HNSW_FLAT, IVF_HNSW_PQ és IVF_HNSW_SQ az IVF-változatok mellett, kvantizálással és anélkül.",{"q":80,"a":81},"Hogyan marad egészséges az index az open-source kiadásban?","Az indexépítések aszinkron futnak, a hozzáfűzött sorok pedig addig maradnak ki, amíg az optimize() be nem hajtja őket. A create_index azonnal visszatér, a wait_for_index a lefedettség készüléséig vár, a fast_search() pedig kihagyja a lassabb tartalék scan-t a még nem indexelt sorokon.",{"q":83,"a":84},"Mennyibe kerül a LanceDB Enterprise?","Nincs nyilvános árlista: az ároldal kapcsolati űrlap, az Enterprise csomagot pedig managed telepítésként vagy bring-your-own-cloudként árulják SOC 2 Type II és HIPAA lefedettséggel. A gyártó közzétett benchmarkja körülbelül 779 dollár havonta 100 millió vektorra.",[86,89,92,95,98,101,104,107],{"id":87,"title":88},"what-it-is","Mi az a LanceDB",{"id":90,"title":91},"how-it-works","Hogyan fut egy lekérdezés",{"id":93,"title":94},"indexes","Milyen indexet érdemes építeni",{"id":96,"title":97},"getting-started","Első lépések",{"id":99,"title":100},"where-it-shingles","Ahol hibádzik",{"id":102,"title":103},"pricing","Árazás",{"id":105,"title":106},"verdict","Ítélet",{"id":108,"title":109},"sources","Források",[111,115,118,121,140,194,195,202,211,230,233,234,237,281,284,312,313,316,318,332,346,347,350,397,400,414,415,422,430,431,434,447,457,458],{"type":112,"content":113},"paragraph",[114],"A LanceDB egy beágyazott vektordatbázis: egy Rust-könyvtár, amely beágyazódik az alkalmazás folyamatába, és vektorokat, metaadatokat és forrásszöveget tárol a Lance oszlopos formátumban. Nincs telepítendő szerver, nincs méretezendő klaszter és nincs hangolni kellő kapcsolatkészlet — ez a legegyértelműbb érv mellette, és ezért érdemes inkább SQLite-szal, mint Qdranttal összehasonlítani.",{"type":112,"content":116},[117],"A beágyazott megoldásokkal versenyez — SQLite vektoros kiterjesztéssel, Chroma, folyamaton belüli index —, és objektumtárolóra mutatva a hosztolt szolgáltatásokkal. Kiváltja azt a mintát, hogy egy egy gépre férő korpuszhoz külön keresőklasztert üzemessenek.",{"type":119,"level":120,"id":87,"text":88},"heading",2,{"type":112,"content":122},[123,124,128,129,128,132,135,136,139],"A legfrissebb kiadás a 0.40.0, amely 2026. október 7-én jelent meg, és Python 3.10-et vagy újabbat igényel, JavaScriptes és Rustos kliensekkel ugyanazon a Rust magon. Az adatok ott élnek, ahová a csatlakozási URI mutat: helyi könyvtár, ",{"tag":125,"children":126},"code",[127],"s3:\u002F\u002F",", ",{"tag":125,"children":130},[131],"gs:\u002F\u002F",{"tag":125,"children":133},[134],"az:\u002F\u002F"," vagy ",{"tag":125,"children":137},[138],"db:\u002F\u002F"," az Enterprise klaszterhez — és ugyanazokat a Lance-fájlokat mindkét kiadás olvassa.",{"type":141,"ordered":142,"items":143},"list",false,[144,150,155,160,179,184,189],[145,149],{"tag":146,"children":147},"strong",[148],"Licenc:"," Apache-2.0 a könyvtárhoz; az Enterprise kereskedelmi termék, managed vagy bring-your-own-cloud formában.",[151,154],{"tag":146,"children":152},[153],"Forma:"," beágyazva a saját folyamatban — nincs daemon, nincs sharding, nincs külön lekérdezési nyelv.",[156,159],{"tag":146,"children":157},[158],"Tárolás:"," a Lance formátum vektorokat, metaadatokat és nyers adatot tart egyetlen táblában, verziózással és zero-copy olvasással Apache Arrowon át.",[161,164,165,128,168,128,171,174,175,178],{"tag":146,"children":162},[163],"Indexek:"," ",{"tag":125,"children":166},[167],"IVF_RQ",{"tag":125,"children":169},[170],"IVF_PQ",{"tag":125,"children":172},[173],"IVF_HNSW_SQ"," és ",{"tag":125,"children":176},[177],"IVF_HNSW_FLAT"," vektorokhoz, BM25 teljes szöveghez, plusz skalárindexek.",[180,183],{"tag":146,"children":181},[182],"Keresés:"," vektoros, teljes szöveges és hibrid lekérdezések rerankinggel, alapértelmezett prefilterrel, távolsági korlátokkal és pontos scannel.",[185,188],{"tag":146,"children":186},[187],"Skálázás:"," kényelmesen egyetlen csomóponton; az FAQ körülbelül 10-50 milliárd sort és 10-30 TB-ot jelöl meg, mielőtt az Enterprise jönne szóba.",[190,193],{"tag":146,"children":191},[192],"Kliensek:"," Python, JavaScript és Rust, pippel, npmmel vagy cargóval telepítve.",{"type":119,"level":120,"id":90,"text":91},{"type":112,"content":196},[197,198,201],"Index nélküli keresés az scan: minden vektor összehasonlításra kerül a lekérdezéssel, és a legközelebbi k tér vissza — pontos, és elég gyors, amíg a kicsi a tábla. Az IVF-index edzési időt fordít a vektorok partíciókba rendezésére, így a lekérdezés előbb néhány centroiddal hasonlít, majd azokban a partíciókban nyers erővel számol; az ",{"tag":125,"children":199},[200],"nprobes",", alapértelmezésben 20, annyi partíciót nyit meg. Az HNSW aztán partíciónként második szintű gráfként ül benne — ezért mondhatja a dokumentáció, hogy az HNSW nem álló szintű index a LanceDB-ben.",{"type":203,"attrs":204,"inner":208,"caption":209},"diagram",{"viewBox":205,"role":206,"aria-labelledby":207},"0 0 720 160","img","lancedb-t lancedb-d","\u003Ctitle id=\"lancedb-t\">Hibrid lekérdezés futása\u003C\u002Ftitle>\u003Cdesc id=\"lancedb-d\">Balról jobbra haladó folyamat: a sorok egy, helyi lemezen vagy objektumtárolón lévő Lance-táblába kerülnek. A tábla párhuzamosan két indexet táplál: egy vektorindexet az embedding oszlop fölött és egy BM25 teljes szöveges indexet a szövegoszlop fölött, a reciprocal rank fusion lépés pedig összefésül mindkét listát egy rangsorolt top-k-ba.\u003C\u002Fdesc>\u003Ctext x=\"8\" y=\"18\" class=\"d-title\">LANCEDB\u003C\u002Ftext>\u003Ctext x=\"712\" y=\"18\" text-anchor=\"end\" class=\"d-label\">két index, egy rangsor\u003C\u002Ftext>\u003Crect x=\"8\" y=\"76\" width=\"120\" height=\"48\" rx=\"10\" class=\"d-box\"\u002F>\u003Ctext x=\"68\" y=\"96\" text-anchor=\"middle\" class=\"d-text\">Betöltés\u003C\u002Ftext>\u003Ctext x=\"68\" y=\"114\" text-anchor=\"middle\" class=\"d-small\">Arrow vagy JSON\u003C\u002Ftext>\u003Cpath d=\"M128 100h28\" class=\"d-line\"\u002F>\u003Crect x=\"156\" y=\"76\" width=\"140\" height=\"48\" rx=\"10\" class=\"d-box\"\u002F>\u003Ctext x=\"226\" y=\"96\" text-anchor=\"middle\" class=\"d-text\">Lance-tábla\u003C\u002Ftext>\u003Ctext x=\"226\" y=\"114\" text-anchor=\"middle\" class=\"d-small\">helyi vagy s3\u003C\u002Ftext>\u003Cpath d=\"M296 100 H316 V56 H336\" class=\"d-line\"\u002F>\u003Cpath d=\"M296 100 H316 V132 H336\" class=\"d-line\"\u002F>\u003Crect x=\"336\" y=\"34\" width=\"150\" height=\"44\" rx=\"10\" class=\"d-sky\"\u002F>\u003Ctext x=\"411\" y=\"50\" text-anchor=\"middle\" class=\"d-text\">Vektorindex\u003C\u002Ftext>\u003Ctext x=\"411\" y=\"68\" text-anchor=\"middle\" class=\"d-small\">HNSW, IVF, PQ\u003C\u002Ftext>\u003Crect x=\"336\" y=\"110\" width=\"150\" height=\"44\" rx=\"10\" class=\"d-gold\"\u002F>\u003Ctext x=\"411\" y=\"126\" text-anchor=\"middle\" class=\"d-text\">BM25-index\u003C\u002Ftext>\u003Ctext x=\"411\" y=\"144\" text-anchor=\"middle\" class=\"d-small\">teljes szöveg\u003C\u002Ftext>\u003Cpath d=\"M486 56 H512 V100 H540\" class=\"d-line\"\u002F>\u003Cpath d=\"M486 132 H512 V100 H540\" class=\"d-line\"\u002F>\u003Crect x=\"540\" y=\"76\" width=\"160\" height=\"48\" rx=\"10\" class=\"d-accent\"\u002F>\u003Ctext x=\"620\" y=\"96\" text-anchor=\"middle\" class=\"d-text\">RRF-egyesítés\u003C\u002Ftext>\u003Ctext x=\"620\" y=\"114\" text-anchor=\"middle\" class=\"d-small\">top-k\u003C\u002Ftext>",[210],"Hibrid keresés: egy Lance-tábla táplálja a vektorindexet és a BM25-indexet, a rangsor-egyesítés pedig egyetlen listává vonja őket.",{"type":112,"content":212},[213,214,217,218,221,222,225,226,229],"A teljes szöveges keresés külön BM25-index, amelyet a ",{"tag":125,"children":215},[216],"create_fts_index"," épít, a hibrid keresés pedig mindkét ágat futtatja és összefésüli őket: alapértelmezésben RRF-rerankerral, amely listánként rangokká alakít és összead, így az a találat nyer, amelyik ágban jól rangsorol, anélkül hogy bármelyik pontszám-skálya dominálna. A ",{"tag":125,"children":219},[220],"where"," filterek alapértelmezésben prefilterek, a pontozás előtt alkalmazva; a ",{"tag":125,"children":223},[224],"prefilter=False"," a filtert a részlekérdezések mögé teszi, amelyek így kevesebb mint ",{"tag":125,"children":227},[228],"limit"," sort adhatnak vissza.",{"type":112,"content":231},[232],"A tárolási réteg dönt a latenciaprofilról. Helyi lemezen az olvasás memóriatérképezett és gyors; S3-ra, GCS-re vagy Azure Blobra minden hideg olvasás hálózati roundtrip, és a gyártó saját összehasonlítása szerint ez az open-source kiadásnál 500-1000 ms, az Enterprise-nál 50-200 ms, ahol egy NVMe-gyorsítótár szívja fel az ismétlődő olvasásokat.",{"type":119,"level":120,"id":93,"text":94},{"type":112,"content":235},[236],"Az indexválasztás először tömörítési döntés, és a dokumentáció ehhez egyenes:",{"type":238,"head":239,"rows":248},"table",[240,242,244,246],[241],"Elsődleges",[243],"Index",[245],"Tömörítés",[247],"Megjegyzés",[249,257,265,273],[250,252,253,255],[251],"Maximális tömörítés",[167],[254],"A nyers méret kb. 1\u002F32-e",[256],"RaBitQ kvantizálás IVF fölött",[258,260,261,263],[259],"Pontosság 256 dimenzióig",[170],[262],"A nyers méret 1\u002F64-e és 1\u002F16-e között",[264],"Termékkvantizálás, a recall a refine_factorral hangolva",[266,268,269,271],[267],"Legjobb recall-latencia arány",[173],[270],"Valamivel több mint a nyers méret 1\u002F4-e",[272],"IVF-partíciók benne HNSW-vel, skalárkvantizálás",[274,276,277,279],[275],"Legnagyobb recall, kvantizálás nélkül",[177],[278],"Nyers méret plusz gráf-overhead",[280],"A drága, hűséges opció",{"type":112,"content":282},[283],"Két szabály a dokumentációból fontosabb a táblánál. Az HNSW sosem áll egyedül: mindig csak az IVF-partíciókon belüli alépítmény, tehát nincs sima HNSW-index, amit létre lehetne hozni. És ha a terhelés metaadatfiltert hordoz, a dokumentáció az IVF_RQ-t vagy IVF_PQ-t ajánlja, mert a HNSW-változatok szűrt keresésnél nagyobb latencia-szórást mutatnak.",{"type":285,"variant":286,"body":287,"title":311},"callout","warn",[288],[289,290,292,293,295,296,299,300,303,304,307,308,310],"IVF_RQ és IVF_PQ esetén az irányelv: hagyja az ",{"tag":125,"children":291},[200],"-t alapértelmezésben, és csak akkor emelje, ha a recall kevés; az IVF_HNSW-változatoknál hagyja az ",{"tag":125,"children":294},[200],"-t, és előbb az ",{"tag":125,"children":297},[298],"ef","-et hangolja, kb. 1,5-szörös k-től akár 10-szeres k-ig. A ",{"tag":125,"children":301},[302],"refine_factor"," 5 és 50 között legyen, és a kevés sort találó filterhez lehet, hogy feljebb kell vinni a ",{"tag":125,"children":305},[306],"maximum_nprobes","-t, hogy egyáltalán ",{"tag":125,"children":309},[228]," eredmény szülessen.","Előbb nprobes, aztán ef",{"type":119,"level":120,"id":96,"text":97},{"type":112,"content":314},[315],"Telepítse a csomagot, mutasson egy könyvtárra, és a tábla a lemezen van. Az alábbi kódrészlet mindkét indexet felépíti és lefuttatja a hibrid keresést, ahogy a dokumentáció ajánlja, a metaadatfilterrel a pontozás előtt.",{"type":125,"code":317},"import lancedb\nfrom lancedb.rerankers import RRFReranker\n\ndb = lancedb.connect(\".\u002Fdata\")            # a local directory, no server\ntable = db.open_table(\"documents\")\ntable.create_fts_index(\"text\")            # BM25, built in the background\n\nresults = (\n    table.search(query_type=\"hybrid\")\n    .vector(embed(query))                 # your embedding model\n    .text(\"refunds within 14 days\")\n    .where(\"lang = 'en'\", prefilter=True)  # default: filter before scoring\n    .rerank(RRFReranker())                # the default hybrid reranker\n    .limit(5)\n    .to_list()\n)\nfor row in results:\n    print(round(row[\"_relevance_score\"], 3), row[\"text\"][:80])\n",{"type":112,"content":319},[320,321,323,324,327,328,331],"Ebben a kódrészletben nem kell szerver, konténer és API-kulcs sem, és ugyanez a kód ",{"tag":125,"children":322},[127]," ellen is fut, ha a csatlakozási URI megváltozik. A teljes szöveges és vektoros indexépítések azonnal visszatérnek, és a háttérben fejeződnek be; a ",{"tag":125,"children":325},[326],"wait_for_index"," és az ",{"tag":125,"children":329},[330],"index_stats"," együtt az, amivel egy feladat ellenőrzi, hogy nem maradt indexelatlan sor.",{"type":285,"variant":333,"body":334,"title":345},"note",[335],[336,337,340,341,344],"Az új sorok addig maradnak ki a meglévő indexből, amíg a ",{"tag":125,"children":338},[339],"optimize()"," be nem hajtja őket, és addig a normál keresés lassabb tartalékscan-t fizet, miközben a ",{"tag":125,"children":342},[343],"fast_search()"," kihagyja. Az open-source kiadásban ez a beosztás az Öné: a kompaktálást és az újraindexelést valakinek ütemeznie kell.","Az építés után érkező sorok",{"type":119,"level":120,"id":99,"text":100},{"type":112,"content":348},[349],"A gyengeségek az architektúrából következnek. Egy folyamat egyetlen gépet jelent: a gyártó saját összehasonlítása az open-source kiadást 10-50 lekérdezésre korlátozza másodpercenként, gyorsítótár nélkül, és minden karbantartási feladat — kompaktálás, újraindexelés, törlés utáni indexfragmentáció — olyan munka, amit valakinek ütemeznie kell. A párhuzamos írásokat a commit újrapróbálásainak száma korlátozza, a Pythonos felhasználókat pedig arra figyelmeztetik, hogy ne forkoljanak.",{"type":238,"head":351,"rows":360},[352,354,356,358],[353],"Motor",[355],"Licenc",[357],"Indexelési opciók",[359],"Üzemeltetési forma",[361,370,379,388],[362,364,366,368],[363],"LanceDB",[365],"Apache-2.0, beágyazott",[367],"IVF és IVF-HNSW, BM25, skalár",[369],"Könyvtár a saját folyamatban",[371,373,375,377],[372],"Qdrant",[374],"Apache-2.0, szerver",[376],"Szűrhető HNSW, skalár- és termékkvantizálás",[378],"Konténer vagy menedzselt felhő",[380,382,384,386],[381],"pgvector",[383],"PostgreSQL-licenc",[385],"HNSW és IVFFlat Postgresben",[387],"Kiterjesztés egy amúgy is futó adatbázisban",[389,391,393,395],[390],"Weaviate",[392],"BSD-3-Clause",[394],"HNSW, flat és dynamic",[396],"Egyetlen bináris, opcionális klaszter",{"type":112,"content":398},[399],"Az őszinte összefoglaló: a LanceDB a legolcsóbb üzemeltetni és a legtöbb karbantartást igényli. A gyártó táblája egyetlen folyamatra 10-50 lekérdezést ad másodpercenként és 500-1000 ms-t objektumtárolóról, miközben a terjesztett keresés és a platformkezelt kompaktálás az Enterprise oldalon még mindig következőként van jelölve — érdemes tudni, mielőtt egy vásárlási döntés az útitervre támaszkodna.",{"type":112,"content":401},[402,403,406,407,174,410,413],"A másik buktató az API aszimmetriája: egy Enterprise ",{"tag":125,"children":404},[405],"RemoteTable","-n a táblaszintű ",{"tag":125,"children":408},[409],"to_arrow",{"tag":125,"children":411},[412],"to_pandas"," hívásokat elutasítja, így az anyagosításnak a query builderen kell átmennie, és egy művelet szolgálati szabályon bukhat meg, nem az adatokon. Az OSS-ről Enterprise-ra vivő kód közel ugyanaz, de nem ugyanaz.",{"type":119,"level":120,"id":102,"text":103},{"type":112,"content":416},[417,418,421],"A könyvtár Apache-2.0, és minden értelemben ingyenes: ",{"tag":125,"children":419},[420],"pip install",", nincs fiók, nincs mérés. Az ároldal nem közöl árlistát — kapcsolati űrlap —, az Enterprise csomagot pedig managed vagy bring-your-own-cloud formában árulják SOC 2 Type II, HIPAA-lefedettség és OpenTelemetry metrikák és nyomkövetések mellett. Az egyetlen konkrét szám, amit a gyártó közzétesz, egy benchmark: körülbelül 779 dollár havonta 100 millió vektorra.",{"type":141,"ordered":142,"items":423},[424,426,428],[425],"Open source: a könyvtár, az indexek, a hibrid keresés és a CLI-karbantartási hívások Apache-2.0 alatt, közösségi támogatással.",[427],"Enterprise: managed vagy BYOC, terjesztett lekérdezési csomópontok, NVMe-gyorsítótár, platformon futó indexelés és kompaktálás, valamint SOC 2 Type II és HIPAA megfelelőség.",[429],"Következőként, a gyártó saját táblájában: terjesztett keresés, terjesztett indexelés és kompaktálás.",{"type":119,"level":120,"id":105,"text":106},{"type":112,"content":432},[433],"A LanceDB a jó válasz, ha a korpusz és a forgalom egyetlen gépre fér, és rossz válasz, ha nem — ezt a gyártó saját összehasonlító táblája mondja. Az ereje abban van, hogy a lekérdezés könyvtárhívássá válik, nem infrastrukturális projektté; az ára pedig abban, hogy az adatbázis minden üzemeltetési kötelessége az alkalmazáscsapatra száll. A markáns olvasat: egymillió chunk alatti RAG-pipeline-nál külön vektordatbázist üzemeltetni felesleges szolgáltatás, és a LanceDB az, amit ehhez először érdemes megcélozni.",{"type":141,"ordered":435,"items":436},true,[437,439,441,443,445],[438],"Prototípushoz, egyetlen csomópontú RAG-pipeline-hoz vagy edge-telepítéshez használja, ahol az adatbáziszerver lenne a stack legnehezebb komponense.",[440],"Használja, ha az adat már objektumtárolón van, és a Lance formátum verziózása és zero-copy olvasása megspórolja a korpusz második példányát.",[442],"Gondolja meg kétszer, ha a lekérdezéseknek S3-ról 100 ms alatt kell maradniuk valódi párhuzamosság mellett — a gyártó saját száma OSS-re 500-1000 ms és 10-50 lekérdezés másodpercenként.",[444],"Tervezzen karbantartást: az optimize, a kompaktálás és az újraindexelés az open-source kiadásban nem ütemezett munka, és az indexfragmentáció minden törléssel nő.",[446],"Az Enterprise csomagot csak a terjesztett részekért válassza; az API-különbségek, a RemoteTable anyagosítási korlátaitól a klaszteroldali guardrail-ekig, ez a valódi kötés.",{"type":285,"variant":448,"body":449,"title":456},"tip",[450],[451,452,455],"Építse fel az indexet valódi adaton, és mérje a recallt a ",{"tag":125,"children":453},[454],"bypass_vector_index()"," ellen, amely pontos scant futtat, és megadja az igazságot. A két válasz közti rés az approximáció tényleges ára — és ez az a szám, amiből a latenciaköltségvetést írni kell.","Egy mérés a kötés előtt",{"type":119,"level":120,"id":108,"text":109},{"type":141,"ordered":435,"items":459},[460,465,469,473,477,480,484,488],[461],{"tag":462,"href":31,"children":463},"a",[464],"LanceDB-gyorsindítás",[466],{"tag":462,"href":34,"children":467},[468],"A LanceDB vektorindexei",[470],{"tag":462,"href":37,"children":471},[472],"A LanceDB indexelési útmutatója",[474],{"tag":462,"href":40,"children":475},[476],"A LanceDB hibrid keresése",[478],{"tag":462,"href":43,"children":479},[42],[481],{"tag":462,"href":46,"children":482},[483],"A LanceDB gyakori kérdései",[485],{"tag":462,"href":49,"children":486},[487],"A LanceDB árai",[489],{"tag":462,"href":52,"children":490},[491],"LanceDB a PyPI-n",[493,542,584,634],{"slug":494,"published":495,"minutes":496,"category":7,"tags":497,"keywords":502,"about":511,"sources":515,"cover":534,"og":535,"expertise":55,"locales":536,"lang":59,"title":537,"description":538,"coverAlt":539,"url":540,"pricing":541,"kind":498},"zep","2026-10-06",11,[498,499,500,501,12],"Agent memory","Knowledge graph","Temporal graph","Context engineering",[503,504,505,506,507,508,509,510],"zep ai","zep agent memory","graphiti knowledge graph","zep pricing","zep vs mem0","long-term memory for agents","temporal knowledge graph","zep cloud",[512],{"name":513,"url":514},"Zep","https:\u002F\u002Fwww.getzep.com\u002F",[516,519,522,525,528,531],{"title":517,"url":518},"Zep pricing: plans, credits and limits","https:\u002F\u002Fwww.getzep.com\u002Fpricing",{"title":520,"url":521},"Zep documentation","https:\u002F\u002Fhelp.getzep.com\u002F",{"title":523,"url":524},"Graphiti on GitHub","https:\u002F\u002Fgithub.com\u002Fgetzep\u002Fgraphiti",{"title":526,"url":527},"Graphiti product page","https:\u002F\u002Fwww.getzep.com\u002Fplatform\u002Fgraphiti\u002F",{"title":529,"url":530},"Announcing a new direction for Zep's open-source strategy","https:\u002F\u002Fwww.getzep.com\u002Fblog\u002Fannouncing-a-new-direction-for-zeps-open-source-strategy\u002F",{"title":532,"url":533},"Graphiti: temporal knowledge graphs for AI agents (arXiv)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.13956","\u002Fimages\u002Fblog\u002Fzep\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fzep\u002Fog.jpg",[57,58,59],"Zep ismertető: ügynök-memory temporális gráfon","A Zep hostolt ügynök-memory API temporális tudásgráfon: kreditek íráskor, lekérdezés ingyen, Flex 125 dollártól havonta, a Graphiti az a rész, amit magunk üzemeltethetünk.","A Zep diagramja arról, hogyan jut el egy tény a promptig: az üzeneteket és tényeket felhasználónkénti entitás- és kapcsolatgráffá bontják, a lekérdezés pedig bejárja a gráfot, és kontextusblokkot ad vissza a támasztó tényekkel.","https:\u002F\u002Fwww.getzep.com","Apache-2.0 core · Cloud from $50 per month",{"slug":381,"published":5,"minutes":543,"category":7,"tags":544,"keywords":548,"about":555,"sources":561,"cover":576,"og":577,"expertise":55,"locales":578,"lang":59,"title":579,"description":580,"coverAlt":581,"url":557,"pricing":582,"kind":583},10,[9,545,546,12,547],"Postgres","HNSW","Quantisation",[381,549,550,551,552,553,554],"pgvector vs qdrant","postgres vector search","hnsw index postgres","iterative index scans","binary quantization postgres","vector database postgres",[556,558],{"name":381,"url":557},"https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"name":559,"url":560},"PostgreSQL","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPostgreSQL",[562,564,567,570,573],{"title":563,"url":557},"pgvector README",{"title":565,"url":566},"pgvector changelog","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FCHANGELOG.md",{"title":568,"url":569},"PostgreSQL news: pgvector 0.8.2 released","https:\u002F\u002Fwww.postgresql.org\u002Fabout\u002Fnews\u002Fpgvector-082-released-3245\u002F",{"title":571,"url":572},"AWS: Scale pgvector with binary quantization","https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fdatabase\u002Fscale-pgvector-with-binary-quantization-on-amazon-aurora-postgresql\u002F",{"title":574,"url":575},"pgvector licence","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FLICENSE","\u002Fimages\u002Fblog\u002Fpgvector\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fpgvector\u002Fog.jpg",[57,58,59],"pgvector, értékelés: az a vektordatázis, amelyet nem kell üzemeltetned","Értékelés a pgvector 0.8.7-ről: iteratív indexszkennelés szűrt kereséshez, HNSW és IVFFlat, bináris kvantizálás 100 millió vektornál, és a CVE, amely az indexépítést javítási tétellé tette.","A lekérdezés felül három útra bontakozik: pontos szekvenciális szkennelés, HNSW gráfjárás és IVFFlat vizsgálat; alul egy iteratív szkennelés folytatódik, amíg a limit kitelik.","PostgreSQL licence","Vector database extension",{"slug":585,"published":586,"minutes":543,"category":7,"tags":587,"keywords":589,"about":595,"sources":599,"cover":627,"og":628,"expertise":55,"locales":629,"lang":59,"title":630,"description":631,"coverAlt":632,"url":598,"pricing":633,"kind":498},"mem0","2026-09-17",[498,588,12,9],"Long-term memory",[585,590,591,592,593,508,594],"mem0 review","agent memory layer","mem0 self-hosted","mem0 pricing","mem0 alternatives",[596],{"name":597,"url":598},"Mem0","https:\u002F\u002Fmem0.ai",[600,603,606,609,612,615,618,621,624],{"title":601,"url":602},"Mem0 documentation","https:\u002F\u002Fdocs.mem0.ai\u002Fintroduction",{"title":604,"url":605},"Mem0 quickstart","https:\u002F\u002Fdocs.mem0.ai\u002Fquickstart",{"title":607,"url":608},"How Mem0 works","https:\u002F\u002Fdocs.mem0.ai\u002Fcore-concepts\u002Fhow-it-works",{"title":610,"url":611},"Mem0 pricing","https:\u002F\u002Fmem0.ai\u002Fpricing",{"title":613,"url":614},"Mem0 on GitHub","https:\u002F\u002Fgithub.com\u002Fmem0ai\u002Fmem0",{"title":616,"url":617},"mem0ai on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Fmem0ai\u002F",{"title":619,"url":620},"Mem0 research and benchmarks","https:\u002F\u002Fmem0.ai\u002Fresearch",{"title":622,"url":623},"Mem0 MCP server","https:\u002F\u002Fdocs.mem0.ai\u002Fplatform\u002Fmem0-mcp",{"title":625,"url":626},"Mem0 paper on arXiv","https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.19413","\u002Fimages\u002Fblog\u002Fmem0\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmem0\u002Fog.jpg",[57,58,59],"Mem0: mennyibe kerül egy ügynökmemória körönként","A Mem0 elemzése: körönként kinyert tények, az április 2026-i benchmark tábla platformra vonatkozó fenntartása, négy felhő-csomag és ami kimarad az önálló üzemeltetésből.","Hurok, amely a beszélgetésből tárolt tényeket készít, majd visszaolvasja őket a promptba","Free tier · from $19 per month",{"slug":635,"published":636,"minutes":543,"category":7,"tags":637,"keywords":640,"about":649,"sources":659,"cover":678,"og":679,"expertise":55,"locales":680,"lang":59,"title":681,"description":682,"coverAlt":683,"url":652,"pricing":684,"kind":23},"milvus-zilliz","2026-09-08",[9,10,638,639,12],"BM25 full text","Distributed",[641,642,643,644,645,646,647,648],"milvus","milvus vs qdrant","zilliz cloud pricing","vector database comparison","milvus hybrid search","apache milvus self-hosting","milvus 3.0","rag vector store",[650,653,656],{"name":651,"url":652},"Milvus","https:\u002F\u002Fmilvus.io",{"name":654,"url":655},"Zilliz Cloud","https:\u002F\u002Fzilliz.com",{"name":657,"url":658},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",[660,663,666,669,672,675],{"title":661,"url":662},"Milvus architecture overview","https:\u002F\u002Fmilvus.io\u002Fdocs\u002Farchitecture_overview.md",{"title":664,"url":665},"Milvus release notes","https:\u002F\u002Fmilvus.io\u002Fdocs\u002Frelease_notes.md",{"title":667,"url":668},"Milvus releases on GitHub","https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fmilvus\u002Freleases",{"title":670,"url":671},"Milvus README: features and licence","https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fmilvus",{"title":673,"url":674},"Zilliz Cloud pricing","https:\u002F\u002Fzilliz.com\u002Fpricing",{"title":676,"url":677},"Zilliz Cloud list price","https:\u002F\u002Fzilliz.com\u002Fpricing\u002Fpricing-guide","\u002Fimages\u002Fblog\u002Fmilvus-zilliz\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmilvus-zilliz\u002Fog.jpg",[57,58,59],"Milvus elemzés: a legteljesebb vektordatbázis üzemeltetve","A Milvus 3.0.2 a legteljesebb nyílt forráskódú vektordatbázis, és a legnehezebben üzemeltethető. Elemzés az architektúráról, a hibrid keresésről, a költségekről és a korlátokról.","A Milvus-ajánló címképe: folyamat az ingesttől az indexen, a keresésen és a rerankingen át","Apache-2.0 · Zilliz Cloud free tier",1791383550041]