[{"data":1,"prerenderedAt":614},["ShallowReactive",2],{"tool-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,"url":68,"pricing":69,"kind":70,"metaTitle":71,"takeaways":72,"faq":78,"toc":94,"blocks":119,"others":420},"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.","Egy Weaviate-lekérdezés egyszerre két indexen halad át: a fordított indexen szűrő és BM25, a vektorindexen távolság, majd fúzió, boosting és újrarangsorolás.","https:\u002F\u002Fweaviate.io","BSD-3 · Cloud from $25 per month","Vector database","Weaviate teszt: keresés, nem csak hasonlóság · Balázs Csorba",[73,74,75,76,77],"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.",[79,82,85,88,91],{"q":80,"a":81},"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":83,"a":84},"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":86,"a":87},"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":89,"a":90},"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":92,"a":93},"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.",[95,98,101,104,107,110,113,116],{"id":96,"title":97},"what-it-is","Mi ez",{"id":99,"title":100},"how-it-works","Hogyan működik",{"id":102,"title":103},"getting-started","Első lépések",{"id":105,"title":106},"index-and-memory","Indexek, memória és a számla",{"id":108,"title":109},"where-it-shingles","Ahol nyiklik",{"id":111,"title":112},"mcp-and-licensing","MCP hozzáférés és a licenchatár",{"id":114,"title":115},"verdict","Ítélet",{"id":117,"title":118},"sources","Források",[120,124,127,130,133,153,154,157,166,171,172,175,178,189,204,214,215,218,256,265,268,271,276,277,280,326,329,330,344,360,363,364,367,380,386,387],{"type":121,"content":122},"paragraph",[123],"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":121,"content":125},[126],"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":128,"level":129,"id":96,"text":97},"heading",2,{"type":121,"content":131},[132],"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":134,"ordered":135,"items":136},"list",false,[137,145,147,149,151],[138,139,144],"A hibrid keresés egy lekérdezésben fuzionálja a BM25 és a vektor eredményeket, az ",{"tag":140,"href":141,"children":142},"a","https:\u002F\u002Fdocs.weaviate.io\u002Fweaviate\u002Fsearch\u002Fhybrid",[143],"alpha"," paraméter súlyozza a két felet.",[146],"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.",[148],"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.",[150],"A beépített MCP-kiszolgáló 1.38 óta általánosan elérhető, és négy eszközt tesz elérhetővé a \u002Fv1\u002Fmcp útvonalon a REST porton.",[152],"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":128,"level":129,"id":99,"text":100},{"type":121,"content":155},[156],"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":158,"attrs":159,"inner":163,"caption":164},"diagram",{"viewBox":160,"role":161,"aria-labelledby":162},"0 0 720 330","img","wv-diagram-t wv-diagram-d","\u003Ctitle id=\"wv-diagram-t\">Egy hibrid Weaviate-lekérdezés\u003C\u002Ftitle>\u003Cdesc id=\"wv-diagram-d\">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.\u003C\u002Fdesc>\u003Cdefs>\u003Cmarker id=\"ah-wv\" viewBox=\"0 0 10 10\" refX=\"9\" refY=\"5\" markerWidth=\"7\" markerHeight=\"7\" orient=\"auto-start-reverse\">\u003Cpath d=\"M0 0L10 5L0 10z\" class=\"d-head\" \u002F>\u003C\u002Fmarker>\u003C\u002Fdefs>\u003Ctext x=\"16\" y=\"30\" class=\"d-title\">egy lekérdezés, két index\u003C\u002Ftext>\u003Crect x=\"16\" y=\"137\" width=\"140\" height=\"56\" rx=\"10\" class=\"d-accent\" \u002F>\u003Ctext x=\"86\" y=\"160\" text-anchor=\"middle\" class=\"d-text\">lekérdezés\u003C\u002Ftext>\u003Ctext x=\"86\" y=\"180\" text-anchor=\"middle\" class=\"d-small\">szöveg vagy vektor\u003C\u002Ftext>\u003Crect x=\"196\" y=\"77\" width=\"230\" height=\"56\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"311\" y=\"100\" text-anchor=\"middle\" class=\"d-text\">fordított index\u003C\u002Ftext>\u003Ctext x=\"311\" y=\"120\" text-anchor=\"middle\" class=\"d-small\">szűrő és BM25\u003C\u002Ftext>\u003Crect x=\"196\" y=\"197\" width=\"230\" height=\"56\" rx=\"10\" class=\"d-mint\" \u002F>\u003Ctext x=\"311\" y=\"220\" text-anchor=\"middle\" class=\"d-text\">vektorindex\u003C\u002Ftext>\u003Ctext x=\"311\" y=\"240\" text-anchor=\"middle\" class=\"d-small\">HNSW vagy HFresh\u003C\u002Ftext>\u003Crect x=\"466\" y=\"137\" width=\"238\" height=\"56\" rx=\"10\" class=\"d-gold\" \u002F>\u003Ctext x=\"585\" y=\"160\" text-anchor=\"middle\" class=\"d-text\">fúzió\u003C\u002Ftext>\u003Ctext x=\"585\" y=\"180\" text-anchor=\"middle\" class=\"d-small\">alpha, limit, depth\u003C\u002Ftext>\u003Crect x=\"466\" y=\"247\" width=\"238\" height=\"56\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"585\" y=\"270\" text-anchor=\"middle\" class=\"d-text\">boost és rerank\u003C\u002Ftext>\u003Ctext x=\"585\" y=\"290\" text-anchor=\"middle\" class=\"d-small\">majd lapvágás\u003C\u002Ftext>\u003Cpath d=\"M156 165L192 105\" class=\"d-line\" marker-end=\"url(#ah-wv)\" \u002F>\u003Cpath d=\"M156 165L192 225\" class=\"d-line\" marker-end=\"url(#ah-wv)\" \u002F>\u003Cpath d=\"M426 105L462 150\" class=\"d-line\" marker-end=\"url(#ah-wv)\" \u002F>\u003Cpath d=\"M426 225L462 175\" class=\"d-line\" marker-end=\"url(#ah-wv)\" \u002F>\u003Cpath d=\"M585 193L585 243\" class=\"d-line-accent\" marker-end=\"url(#ah-wv)\" \u002F>",[165],"A szűrő indexelés, nem utólagos szűrés, tehát szűkíti a vektoros keresést, ahelyett hogy eldobná az eredményét.",{"type":121,"content":167},[168,169,170],"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":128,"level":129,"id":102,"text":103},{"type":121,"content":173},[174],"A Python kliens az, amivel érdemes kezdeni. Egy collection HNSW indexszel, kvantálással, hibrid kereséssel, szűrővel, boosttal és diverzitásválasztással, körülbelül harminc sorban:",{"type":176,"code":177},"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":121,"content":179},[180,181,182,183,184,185,186,187,188],"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":190,"variant":191,"title":192,"body":193},"callout","warn","Az indexet az első import előtt döntsd el",[194],[195,196,199,200,203],"Az indextípus, az HNSW build paraméterei és a rotációs kvantálás szélessége gyakorlatban létrehozáskori döntés. A ",{"tag":176,"children":197},[198],"bits"," értéke akkor rögzül, amikor az RQ először aktív lesz egy vektoron, nincs migráció a 8 bites kódokról a 4 bitesre, az ",{"tag":176,"children":201},[202],"ef"," pedig csak akkor ér valamit, ha build közben tudatosan állították. Egy collection újraépítése egyetlen paraméter miatt az adatbázis üzemeltetésének drága része.",{"type":190,"variant":205,"title":206,"body":207},"tip","Az importok memóriát igényelnek, nem csak lemezt",[208],[209,210,213],"Minden import ismételt kereséseket futtat a már importált vektorokon, ezért a dokumentáció azt javasolja, hogy ",{"tag":176,"children":211},[212],"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":128,"level":129,"id":105,"text":106},{"type":121,"content":216},[217],"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":219,"head":220,"rows":229},"table",[221,223,225,227],[222],"Index",[224],"Memória",[226],"Keresési viselkedés",[228],"Mire való",[230,239,247],[231,233,235,237],[232],"Flat",[234],"Nagyon alacsony",[236],"Pontos, lineáris átnézés",[238],"Kis collectionök és a bérlőnkénti adatok többértékűségnél",[240,241,243,245],[11],[242],"Magas, minden a memóriában",[244],"Leggyorsabb; logaritmikus a gráfban",[246],"Nagy collectionök nagy lekérdezési átvitellel",[248,250,252,254],[249],"HFresh",[251],"Alacsony, a postingok a lemezen",[253],"Néhány posting listát olvas, majd újraértékel",[255],"A memória a szűk keresztmetszet; a kissé magasabb p99 rendben van",{"type":121,"content":257},[258,259,260,261,262,263,264],"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":121,"content":266},[267],"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":121,"content":269},[270],"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":190,"variant":191,"title":272,"body":273},"Ezeket a számokat ne vidd tovább a felépítés nélkül",[274],[275],"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":128,"level":129,"id":108,"text":109},{"type":121,"content":278},[279],"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":219,"head":281,"rows":290},[282,284,286,288],[283],"Adatbázis",[285],"Indexmodell",[287],"Önálló telepítés",[289],"Ahol fáj",[291,299,308,317],[292,293,295,297],[25],[294],"HNSW, flat, dynamic, HFresh",[296],"Egy adatbázis: replikáció, mentések, RBAC, többértékűség",[298],"Memóriakötött növekedés; több sémafelület, amit tanulni kell",[300,302,304,306],[301],"Qdrant",[303],"HNSW lemezes és skalár kvantálással",[305],"Fókuszált vektormotor szűréssel",[307],"A Weaviate által szállított adatbázisfunkciók egy része hiányzik",[309,311,313,315],[310],"pgvector",[312],"Postgres indexek: HNSW, IVFFlat",[314],"Nincs: egy már futó adatbázis kiterjesztése",[316],"A recall és a hangolás mostantól Postgres hangolás",[318,320,322,324],[319],"Pinecone",[321],"Csak menedzselt",[323],"Nincs mit futtatni",[325],"Nincs önálló telepítés, és a számla az olvasási egységekkel skálázódik",{"type":121,"content":327},[328],"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":128,"level":129,"id":111,"text":112},{"type":121,"content":331},[332,333,334,335,336,337,338,339,341,342,343],"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":176,"children":340},[143]," értékkel, és ","weaviate-objects-upsert"," az íráshoz. A jogosultságok a szokásos RBAC szerepek, és eszközhíváskor ellenőrzöttek.",{"type":190,"variant":191,"title":345,"body":346},"Három alapértelmezés, amit ellenőrizni kell, mielőtt egy ügynök a klaszterhez nyúl",[347],[348,349,352,353,356,357,359],"A ",{"tag":176,"children":350},[351],"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":176,"children":354},[355],"isError"," eredménnyel érkezik, nem 403-ként. A ",{"tag":176,"children":358},[342]," 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":121,"content":361},[362],"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":128,"level":129,"id":114,"text":115},{"type":121,"content":365},[366],"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":134,"ordered":368,"items":369},true,[370,372,374,376,378],[371],"Válaszd, ha a lekérdezéseknek a vektorok mellett szűrő és kulcsszó is kell, és ezt egy menetben akarod megkapni három helyett.",[373],"Válaszd, ha többértékűség, replikáció, mentések és RBAC kell anélkül, hogy négy szolgáltatást tennél egy meztelen vektorindexre.",[375],"Válaszd, ha BSD-3 adatbázist tudsz magad üzemeltetni, és ugyanazt az API-t akarod menedzselt opcióként is.",[377],"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.",[379],"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":190,"variant":381,"title":382,"body":383},"note","A rövid változat",[384],[385],"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":128,"level":129,"id":117,"text":118},{"type":134,"ordered":368,"items":388},[389,393,397,401,405,409,413,416],[390],{"tag":140,"href":36,"children":391},[392],"Weaviate dokumentáció: Vector indexing",[394],{"tag":140,"href":39,"children":395},[396],"Weaviate dokumentáció: ANN benchmark",[398],{"tag":140,"href":42,"children":399},[400],"Weaviate 1.39 kiadási jegyzék",[402],{"tag":140,"href":45,"children":403},[404],"Weaviate 1.38 kiadási jegyzék",[406],{"tag":140,"href":48,"children":407},[408],"Weaviate dokumentáció: MCP-kiszolgáló",[410],{"tag":140,"href":51,"children":411},[412],"Weaviate Cloud árazás",[414],{"tag":140,"href":54,"children":415},[53],[417],{"tag":140,"href":57,"children":418},[419],"weaviate\u002Fweaviate v1.40.0 kiadási jegyzék",[421,471,524,564],{"slug":422,"published":423,"minutes":424,"category":7,"tags":425,"keywords":431,"about":440,"sources":444,"cover":463,"og":464,"expertise":60,"locales":465,"lang":64,"title":466,"description":467,"coverAlt":468,"url":469,"pricing":470,"kind":426},"zep","2026-10-06",11,[426,427,428,429,430],"Agent memory","Knowledge graph","Temporal graph","Context engineering","RAG",[432,433,434,435,436,437,438,439],"zep ai","zep agent memory","graphiti knowledge graph","zep pricing","zep vs mem0","long-term memory for agents","temporal knowledge graph","zep cloud",[441],{"name":442,"url":443},"Zep","https:\u002F\u002Fwww.getzep.com\u002F",[445,448,451,454,457,460],{"title":446,"url":447},"Zep pricing: plans, credits and limits","https:\u002F\u002Fwww.getzep.com\u002Fpricing",{"title":449,"url":450},"Zep documentation","https:\u002F\u002Fhelp.getzep.com\u002F",{"title":452,"url":453},"Graphiti on GitHub","https:\u002F\u002Fgithub.com\u002Fgetzep\u002Fgraphiti",{"title":455,"url":456},"Graphiti product page","https:\u002F\u002Fwww.getzep.com\u002Fplatform\u002Fgraphiti\u002F",{"title":458,"url":459},"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":461,"url":462},"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",[62,63,64],"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":472,"published":473,"minutes":474,"category":7,"tags":475,"keywords":477,"about":485,"sources":491,"cover":516,"og":517,"expertise":60,"locales":518,"lang":64,"title":519,"description":520,"coverAlt":521,"url":522,"pricing":523,"kind":70},"lancedb","2026-09-21",9,[9,10,476,430],"Embedded database",[472,478,479,480,481,482,483,484],"lancedb review","lance vector database","embedded vector database","lancedb vs qdrant","hybrid search rrf","lancedb indexing","lance data format",[486,488],{"name":70,"url":487},"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVector_database",{"name":489,"url":490},"Apache Arrow","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FApache_Arrow",[492,495,498,501,504,507,510,513],{"title":493,"url":494},"LanceDB quickstart","https:\u002F\u002Fdocs.lancedb.com\u002Fquickstart",{"title":496,"url":497},"LanceDB vector indexes","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Fvector-index",{"title":499,"url":500},"LanceDB indexing guide","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Findex",{"title":502,"url":503},"LanceDB hybrid search","https:\u002F\u002Fdocs.lancedb.com\u002Fsearch\u002Fhybrid-search",{"title":505,"url":506},"LanceDB Enterprise","https:\u002F\u002Fdocs.lancedb.com\u002Fenterprise",{"title":508,"url":509},"LanceDB frequently asked questions","https:\u002F\u002Fdocs.lancedb.com\u002Ffaq\u002Ffaq-oss",{"title":511,"url":512},"LanceDB pricing","https:\u002F\u002Flancedb.com\u002Fpricing",{"title":514,"url":515},"LanceDB on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Flancedb\u002F","\u002Fimages\u002Fblog\u002Flancedb\u002Fcover.webp","\u002Fimages\u002Fblog\u002Flancedb\u002Fog.jpg",[62,63,64],"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",{"slug":310,"published":473,"minutes":6,"category":7,"tags":525,"keywords":528,"about":535,"sources":541,"cover":556,"og":557,"expertise":60,"locales":558,"lang":64,"title":559,"description":560,"coverAlt":561,"url":537,"pricing":562,"kind":563},[9,526,11,430,527],"Postgres","Quantisation",[310,529,530,531,532,533,534],"pgvector vs qdrant","postgres vector search","hnsw index postgres","iterative index scans","binary quantization postgres","vector database postgres",[536,538],{"name":310,"url":537},"https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"name":539,"url":540},"PostgreSQL","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPostgreSQL",[542,544,547,550,553],{"title":543,"url":537},"pgvector README",{"title":545,"url":546},"pgvector changelog","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FCHANGELOG.md",{"title":548,"url":549},"PostgreSQL news: pgvector 0.8.2 released","https:\u002F\u002Fwww.postgresql.org\u002Fabout\u002Fnews\u002Fpgvector-082-released-3245\u002F",{"title":551,"url":552},"AWS: Scale pgvector with binary quantization","https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fdatabase\u002Fscale-pgvector-with-binary-quantization-on-amazon-aurora-postgresql\u002F",{"title":554,"url":555},"pgvector licence","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FLICENSE","\u002Fimages\u002Fblog\u002Fpgvector\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fpgvector\u002Fog.jpg",[62,63,64],"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":565,"published":566,"minutes":6,"category":7,"tags":567,"keywords":569,"about":575,"sources":579,"cover":607,"og":608,"expertise":60,"locales":609,"lang":64,"title":610,"description":611,"coverAlt":612,"url":578,"pricing":613,"kind":426},"mem0","2026-09-17",[426,568,430,9],"Long-term memory",[565,570,571,572,573,437,574],"mem0 review","agent memory layer","mem0 self-hosted","mem0 pricing","mem0 alternatives",[576],{"name":577,"url":578},"Mem0","https:\u002F\u002Fmem0.ai",[580,583,586,589,592,595,598,601,604],{"title":581,"url":582},"Mem0 documentation","https:\u002F\u002Fdocs.mem0.ai\u002Fintroduction",{"title":584,"url":585},"Mem0 quickstart","https:\u002F\u002Fdocs.mem0.ai\u002Fquickstart",{"title":587,"url":588},"How Mem0 works","https:\u002F\u002Fdocs.mem0.ai\u002Fcore-concepts\u002Fhow-it-works",{"title":590,"url":591},"Mem0 pricing","https:\u002F\u002Fmem0.ai\u002Fpricing",{"title":593,"url":594},"Mem0 on GitHub","https:\u002F\u002Fgithub.com\u002Fmem0ai\u002Fmem0",{"title":596,"url":597},"mem0ai on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Fmem0ai\u002F",{"title":599,"url":600},"Mem0 research and benchmarks","https:\u002F\u002Fmem0.ai\u002Fresearch",{"title":602,"url":603},"Mem0 MCP server","https:\u002F\u002Fdocs.mem0.ai\u002Fplatform\u002Fmem0-mcp",{"title":605,"url":606},"Mem0 paper on arXiv","https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.19413","\u002Fimages\u002Fblog\u002Fmem0\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmem0\u002Fog.jpg",[62,63,64],"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",1791383550338]