# zvec **Repository Path**: alibaba/zvec ## Basic Information - **Project Name**: zvec - **Description**: A lightweight, lightning-fast, in-process vector database - **Primary Language**: Unknown - **License**: Apache-2.0 - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 2 - **Forks**: 0 - **Created**: 2026-01-05 - **Last Updated**: 2026-05-11 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README

English | 中文

zvec logo

代码覆盖率 Main 许可证 PyPI 版本 Python 版本 npm 版本

alibaba%2Fzvec | Trendshift

🚀 快速开始 | 🏠 主页 | 📚 文档 | 📊 性能报告 | 🔎 DeepWiki | 🎮 Discord | 🐦 X (Twitter)

**Zvec** 是一款开源的嵌入式(进程内)向量数据库 — 轻量、极速,可直接嵌入应用程序。以极简的配置提供生产级、低延迟、可扩展的向量检索能力。 > [!IMPORTANT] > 🚀 **v0.4.0(2026 年 5 月 9 日)** > > - **Dart/Flutter SDK**:发布官方 [zvec](https://github.com/zvec-ai/zvec-dart) Flutter 包,提供 Dart/Flutter FFI 绑定,支持 Android(arm64-v8a)和 iOS(arm64),无需手动编译原生库。 > - **iOS 构建支持**:新增 iOS 平台构建支持,进一步扩展跨平台覆盖范围。 > - **扩大 topK 上限**:放宽 topK 结果数量上限,支持更大规模的召回场景。 > - **修复**:SQ8 量化器召回率下降问题;Windows 路径处理修复;稀疏向量索引顺序修复。 > > 👉 [查看更新日志](https://github.com/alibaba/zvec/releases/tag/v0.4.0) | [查看路线图 📍](https://github.com/alibaba/zvec/issues/309) ## 💫 核心特性 - **极致性能**:毫秒级响应,轻松检索数十亿级向量。 - **开箱即用**:[安装](#-安装)后即刻开始搜索,纯本地运行,无需服务器、无需配置、零门槛。 - **稠密 + 稀疏向量**:支持稠密向量和稀疏向量,提供多向量联合查询的原生支持。 - **混合检索**:向量语义搜索 + 标量条件过滤,获得精确结果。 - **持久化存储**:WAL 预写日志保障数据持久性 — 即使进程崩溃或意外断电,数据也不会丢失。 - **并发访问**:支持多进程同时读取同一个 Collection;写入为单进程独占模式。 - **进程内运行**:无需单独部署服务,纯进程内运行。Notebook、高性能服务器、CLI 工具、边缘设备 — 随处可用。 ## 📦 安装 ### [Python](https://pypi.org/project/zvec/) **环境要求**:Python 3.10 - 3.14 ```bash pip install zvec ``` ### [Node.js](https://www.npmjs.com/package/@zvec/zvec) ```bash npm install @zvec/zvec ``` ### ✅ 支持的平台 - Linux (x86_64, ARM64) - macOS (ARM64) - Windows (x86_64) ### 🛠️ 源码构建 如需从源码构建 Zvec,请参考[源码构建指南](https://zvec.org/zh/docs/db/build/)。 ## ⚡ 一分钟上手 ```python import zvec # 定义 collection schema schema = zvec.CollectionSchema( name="example", vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4), ) # 创建 collection collection = zvec.create_and_open(path="./zvec_example", schema=schema) # 插入 documents collection.insert([ zvec.Doc(id="doc_1", vectors={"embedding": [0.1, 0.2, 0.3, 0.4]}), zvec.Doc(id="doc_2", vectors={"embedding": [0.2, 0.3, 0.4, 0.1]}), ]) # 向量相似度检索 results = collection.query( zvec.VectorQuery("embedding", vector=[0.4, 0.3, 0.3, 0.1]), topk=10 ) # 查询结果:按相关性排序的 {'id': str, 'score': float, ...} 列表 print(results) ``` ## 📈 极致性能 Zvec 提供极致的速度和效率,能够轻松应对高要求的生产环境负载。 Zvec 性能基准测试 有关具体的测试方法、配置及完整结果,请参阅[性能报告](https://zvec.org/zh/docs/db/benchmarks/)。 ## 🤝 加入社区
| 💬 钉钉群 | 📱 微信群 | 🎮 Discord | X (Twitter) | | :---: | :---: | :---: | :---: | | 钉钉二维码 | 微信二维码 | [![Discord](https://img.shields.io/badge/Discord-Join%20Server-5865F2?style=for-the-badge&logo=discord&logoColor=white)](https://discord.gg/rKddFBBu9z) | [![X (formerly Twitter) Follow](https://img.shields.io/twitter/follow/ZvecAI)]() | | 扫码加入 | 扫码加入 | 点击加入 | 点击关注 |
## ❤️ 参与贡献 非常欢迎来自社区的每一份贡献!无论是修复 Bug、新增功能,还是完善文档,都将让 Zvec 变得更好。 请查阅我们的[贡献指南](./CONTRIBUTING.md)开始参与!