什么是 Weaviate？

研究发现，RAG系统中检索质量差是导致高流畅性幻觉（更自信但更错误）的主因，模型升级无法弥补检索缺陷。

Weaviate AI 数据库以简洁的方式解释了 AI 代理的词汇，涵盖了 MCP、单 vs. 多代理架构、技能、代理 RAG 和记忆。他们开发了 Engram，一个为代理提供记忆和上下文管理的解决方案。

大多数公司谈论向量搜索，但很少分享如何在生产环境中扩展到 100M+ 嵌入。

Weaviate v1.37.1 introduces an MCP server integrated into the database, enabling efficient codebase ingestion and hybrid search for coding assistants like Claude Code, Cursor, or VS Code. This feature addresses context window limitations and improves code query handling.

Weaviate v1.37 引入了多项改进，解决搜索中因拼写差异和语言停用词导致的匹配失败问题。

Weaviate提出了一种新的内存管理方案HFresh，通过将向量存储在磁盘上并仅保留紧凑的中心索引来降低内存使用。

文章探讨了生产环境中RAG系统的混合搜索和重排序技术，解决了密集向量检索在特定技术查询中的不足。

多代理RAG系统可能因检索到低相关性或过时文档而产生错误，但输出看起来仍然自信且正确。

Weaviate AI数据库展示如何使用Query Agent和多向量嵌入构建生产级的代理AI系统，特别适用于法律研究。

视频搜索不再依赖转录文本或元数据，可直接通过多模态模型嵌入视频片段进行检索。

Weaviate 推出 Query Agent 的 Suggest Queries Mode，通过数据自动建议用户提问内容，提升交互体验。

探讨AI在演示与生产环境中的差异，强调生产系统需具备容错性，介绍四种关键的生产级智能工作流程模式：自适应反馈循环、纠正性行动、人工介入审批、紧急停止机制。

Weaviate推出Engram，作为补充于内置MEMORY.md的长期记忆工具，旨在结构化存储AI决策过程中的推理链、被拒方案等，以语义主题组织，通过策略性触发在会话中自动加载，提升AI助手的工作流效率与上下文理解。

Weaviate 团队在柏林骇客马拉松中仅用 36 小时构建了一个结合趋势检测和基于个性的人工智能内容生成系统，并成功赢得了 10k 奖金。

向量搜索仅关注相关性可能导致结果重复且无用，如搜索'Italian food'却返回五个完全相同的玛格丽特披萨。

DigitalOcean Deploy '29活动将于次日在旧金山举行，Weaviate AI数据库将参与讨论如何解决AI应用在实际运行中的主要挑战，包括延迟与吞吐量优化、大规模系统可靠性及经济效益等。

Weaviate在X平台发布两个远程岗位招聘，聚焦AI社区建设与开发者倡导，内容为典型招聘帖，缺乏技术深度与创新实践。