Интеграция Weaviate для векторного хранилища AI в мобильном приложении
Мы постоянно сталкиваемся с ситуацией: данные пользователей — приватные документы, сообщения, медиа — нужно искать не по ключевым словам, а по смыслу. Векторные базы данных решают эту задачу, но выбор конкретного решения влияет на архитектуру, стоимость и масштабируемость. Weaviate — open-source векторная БД с GraphQL и REST API, встроенными модулями для автоматического создания эмбеддингов и семантического поиска. От Pinecone отличается возможностью self-hosting, более богатой схемой объектов и встроенным hybrid search из коробки.
Что делает Weaviate удобным для мобильных AI-приложений
Мобильные приложения работают с разными типами контента: текст, изображения, аудио. Weaviate хранит объекты с гибкой схемой — вы определяете поля, их типы и связи. Это ближе к документной БД, чем к чистому векторному хранилищу. Каждый объект имеет идентификатор, свойства и вектор.
# Создание класса в Weaviate client.schema.create_class({ "class": "Document", "vectorizer": "text2vec-openai", # автоэмбеддинги при записи "moduleConfig": { "text2vec-openai": { "model": "text-embedding-3-small", "dimensions": 1536 } }, "properties": [ {"name": "content", "dataType": ["text"]}, {"name": "source", "dataType": ["text"]}, {"name": "userId", "dataType": ["text"]}, {"name": "language", "dataType": ["text"]} ] }) Модуль text2vec-openai — Weaviate сам создаёт эмбеддинг при добавлении объекта. Не нужно отдельно вызывать Embeddings API перед upsert. Удобно, но нужно передавать ключ OpenAI в конфиг Weaviate. Если данные нельзя отправлять во внешние API — используйте text2vec-transformers с локальной моделью или генерируйте эмбеддинги на своей стороне.
Hybrid Search: BM25 + векторный поиск в одном запросе
Главное преимущество Weaviate — hybrid search нативно. Объединяет keyword-поиск (BM25) и семантический поиск через параметр alpha:
{ Get { Document( hybrid: { query: "сброс пароля", alpha: 0.75 # 0 = только BM25, 1 = только векторный } where: { path: ["userId"] operator: Equal valueText: "user_42" } limit: 5 ) { content source _additional { score explainScore } } } } alpha: 0.75 — 75% веса у векторного поиска, 25% у BM25. Оптимальное значение подбирается под конкретный корпус, но 0.7–0.8 работает хорошо для большинства случаев. Это то, что в pgvector приходится реализовывать самому через объединение двух запросов. В Weaviate — один вызов.
Self-hosted Weaviate для приватных данных
Если данные нельзя отправлять в облако — Weaviate разворачивается в Docker с self-hosted:
# docker-compose.yml services: weaviate: image: semitechnologies/weaviate:1.24.0 ports: - "8080:8080" environment: QUERY_DEFAULTS_LIMIT: 25 AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED: 'true' PERSISTENCE_DATA_PATH: '/var/lib/weaviate' DEFAULT_VECTORIZER_MODULE: 'none' # эмбеддинги создаём сами CLUSTER_HOSTNAME: 'node1' volumes: - weaviate_data:/var/lib/weaviate При self-hosting эмбеддинги генерируем на нашем бэкенде (локальная модель или API) и передаём вектор явно при добавлении объекта.
Мобильный клиент и мультитенантность
Weaviate 1.20+ поддерживает нативную мультитенантность через tenants. Это производительнее, чем фильтрация по userId:
# Создаём тенанта (один раз при регистрации пользователя) client.schema.add_class_tenants("Document", [{"name": f"user_{user_id}"}]) # Добавляем объект в тенант пользователя client.data_object.create( data_object={"content": chunk, "source": filename}, class_name="Document", tenant=f"user_{user_id}", vector=embedding # если vectorizer = none ) # Поиск в тенанте пользователя result = client.query.get("Document", ["content", "source"]) \ .with_hybrid(query=user_query, alpha=0.75) \ .with_tenant(f"user_{user_id}") \ .with_limit(5) \ .do() При включённой мультитенантности каждый тенант хранится в отдельном шарде — поиск не замедляется при росте числа пользователей.
Почему стоит выбрать Weaviate вместо Pinecone?
Мы сравнили оба решения на реальных проектах. Weaviate даёт полный контроль над данными (open-source, можно хостить где угодно) и не ограничивает в размере схемы объектов. Pinecone быстрее в старте — не нужно управлять инфраструктурой, но он дороже при масштабировании (плата за пропускную способность и объём). В таблице — краткое сравнение:
| Критерий | Weaviate | Pinecone |
|---|---|---|
| Лицензия | Open-source (BSD-3) | Проприетарная |
| Self-hosting | Да | Нет |
| Схема объектов | Гибкая, с типами полей | Плоская (только id, вектор, метаданные) |
| Hybrid search | Встроенный (BM25 + вектор) | Только векторный |
| Мультитенантность | Нативная (шарды) | Через фильтрацию |
| Стоимость для 1M векторов | Бесплатно (self-hosted) | Плата за объём |
Для мобильного AI-приложения с высокими требованиями к приватности Weaviate — оптимальный выбор. Закажите оценку вашего проекта — мы поможем подобрать архитектуру.
Типичные ошибки при интеграции Weaviate
| Ошибка | Решение |
|---|---|
| Игнорирование индексов на свойствах | Добавлять индексы на частофильтруемые поля (userId, source) |
| Неверный подбор alpha | Начинать с 0.75 и тестировать на вашем корпусе; если запросы короткие — увеличивать BM25 (alpha < 0.5) |
| Отсутствие кэширования эмбеддингов | Кэшировать векторы на бэкенде, чтобы не вызывать модель повторно для одинаковых текстов |
Как интегрировать Weaviate в мобильное приложение?
Этапы работы:
- Анализ требований — определяем типы данных, объём, частоту запросов, требования к приватности.
- Проектирование схемы — классы, свойства, индексы, настройка модулей векторизации.
- Развёртывание — выбор облачной инфраструктуры (AWS, GCP, Azure) или self-hosted на вашем сервере.
- Ingestion pipeline — загружаем существующие документы, генерируем эмбеддинги, настраиваем batch import для скорости.
- Бэкенд API — GraphQL-эндпоинты для мобильного клиента с авторизацией и мультитенантностью.
- Мобильный UI — интерфейс поиска с превью результатов, фильтрацией и сортировкой.
- Нагрузочное тестирование — проверка производительности при 1000+ запросов в секунду.
- Мониторинг и поддержка — логирование, метрики, SLA.
Что входит в работу?
- Проектирование схемы классов Weaviate под ваш датасет.
- Деплой Weaviate (cloud или self-hosted) с конфигурацией безопасности.
- Настройка модулей векторизации (text2vec, transformers, custom).
- Реализация hybrid search с подбором alpha.
- Внедрение мультитенантности для многопользовательских приложений.
- Бэкенд API (Node.js/Python) с авторизацией и кэшированием.
- Интеграция с мобильным приложением (iOS/Android/Flutter).
- Документация по развёртыванию и эксплуатации.
Ориентировочные сроки и стоимость
Интеграция на существующий бэкенд занимает от 2 до 3 недель. Проект с нуля (self-hosted, мобильное приложение, UI) — от 4 до 6 недель. Стоимость рассчитывается индивидуально после аудита вашего проекта. Мы выполнили более 30 проектов с векторными БД, гарантируем стабильную работу и полную документацию.
Официальная документация Weaviate: Weaviate vector database
Получите консультацию — наши инженеры свяжутся с вами в течение дня и предложат оптимальное решение.