2026 年 2 月 22 日晚上八点多,一条帖文把 GitHub 上的一个阿里仓库送上了 trending 榜。
帖文只有寥寥几行,开头就憋不住激动:"Holy shit... Alibaba just dropped a vector database that runs inside your app."
翻译过来的意思是:阿里突然扔出来一个能直接跑在你应用进程里的向量数据库。
▲ @heyrimsha 的原帖,688 赞、5.3 万次观看。帖文中列出了 Zvec 的核心卖点:pip install 60 秒上手、稠密+稀疏+混合检索、随处运行、Apache 2.0 完全开源。
发帖的人@heyrimsha 是个海外 AI 产品经理,平时发的东西偏技术产品观察。但这条帖子的措辞明显跟平时不一样——"Holy shit"打头的惊叹,在英文技术圈相当于"卧槽"级别的破防。
下面第一条回复就贴了 GitHub 链接:github.com/alibaba/zvec。
两个月后,这仓库已经涨到了 11K Star。
这个"Zvec"到底是个什么东西?
简单说:它是一个向量数据库。但它不是 Pinecone、Milvus、Qdrant 那种需要你单独部署一个服务的数据库。
Zvec 是一个"进程内"(in-process)数据库。意思是:它不要求独立部署为一个服务——它是一个库,像 SQLite 一样直接编译、链接进你的应用进程。
pip install zvec
装完以后:
import zvec # 创建 schema schema = zvec.Schema( fields=[ zvec.Field("text", zvec.DataType.String), zvec.Field("vector", zvec.DataType.Vector(768)), ] ) # 打开或创建 collection col = zvec.Collection.create_and_open("my_knowledge_base", schema) # 插入向量 col.insert([{"text": "Zvec is a vector database", "vector": embedding}]) # 查询 results = col.query(query_vector, top_k=10)
▲ Zvec GitHub 仓库首页。11K Stars,Apache 2.0 许可。顶部黄色公告框醒目标注了 v0.5.0(2026 年 6 月 12 日发布)的重大更新:原生全文检索(FTS)、混合 MultiQuery、DiskANN 磁盘索引、Go/Rust SDK、Zvec Studio 可视化工具、RISC-V 支持。
不需要 Docker。不需要 Kubernetes。不需要云服务账单。不需要配置什么 gRPC 端口。
你写一个 Python 脚本,它就跟着你的脚本一起启动、一起结束。数据存在本地文件里,跟你的代码做邻居。用 mmap 映射到内存,热数据几乎零拷贝开销。
就像 20 多年前,SQLite 把关系型数据库从"需要装个 MySQL 服务"变成了"链接一个 .c 文件就行"——Zvec 想干的事,就是在向量数据库领域复刻这条路径。
底子是扛过双 11 的 Proxima
一个嵌入式数据库如果引擎不行,那"简单部署"就只是把复杂度从运维转移到了性能不够用上。
Zvec 的底层不是从零写起的。它跑的是阿里巴巴内部用了多年的生产级向量检索引擎——Proxima。
Proxima 这个名字,不搞向量检索的人可能没听过。但它的部署场景说出来你就知道分量了:
- 淘宝搜索和商品推荐
:每天亿万级查询,用户搜什么、推荐什么,背后都有向量相似度计算。 - 支付宝刷脸支付
:人脸特征向量匹配,延迟必须毫秒级,错误率必须极低。 - 优酷视频搜索
:视频内容理解和相似推荐,全量视频库的向量索引。 - 阿里妈妈广告系统
:广告召回和排序,对 QPS 和 recall 的要求比大多数互联网产品都苛刻。
这些系统都有一个共同特点:扛过双 11 的峰值流量。
达摩院团队在研发 Proxima 的过程中,积累了单机超大规模索引、多硬件平台适配(x86/ARM/GPU/NPU)、磁盘友好索引(DiskANN)、激进量化压缩(RaBitQ)等全套技术栈。Proxima 还被集成进了 Hologres、Elasticsearch 服务、MaxCompute 等阿里云大数据产品。
现在,他们把这一整套东西打包进了一个库文件,用 Apache 2.0 协议完全开源了。
▲ Zvec 官网首页。首屏突出"A lightweight, lightning-fast, in-process vector database"和"High-Performance semantic search, made simple",并提供 Get Started、Learn More 入口。
这跟 Faiss 有本质区别。Faiss 是 Meta 开源的向量检索算法库,性能极强,支持 GPU,但它只是一个"引擎"。持久化要自己写,CRUD 要自己写,schema 管理、并发控制、混合检索——统统要自己实现。在大多数实际项目里,用 Faiss 等于"拿了一台 F1 引擎,然后自己造整辆车"。
Zvec 给的是一辆已经组装好、加了油、可以马上开走的车。
8500 QPS 的官方 benchmark,社区实测又怎么说?
官方公布的性能数字很有冲击力:
在 Cohere 10M(1000 万条 768 维向量)的数据集上跑 VectorDBBench 基准测试,Zvec 达到了8500+ QPS,是之前榜单第一名 Zilliz Cloud 的两倍多。索引构建时间也大幅降低。1M 数据集上表现类似。
官方还公开了复现脚本:需要一台 16 核 64G 内存的 ECS g9i 机器,指定 int8 量化、HNSW 参数 m=50、ef=118,开启 refiner 等。能复现,不算藏着掖着。
但社区没那么容易买账。
HN 上一位叫 arlogilbert 的开发者做了件很实在的事:他拿了 3 个集合(纯文本,每个集合 1 万条数据),分别跑 Zvec、LanceDB 和 Qdrant,每个数据库做约 500 次查询取平均延迟。结果:
"Average latency across ~500 queries per collection per database: Qdrant: 21.1ms, LanceDB: 5.9ms, Zvec: 0.8ms."
「三个数据库的平均查询延迟:Qdrant 21.1 毫秒,LanceDB 5.9 毫秒,Zvec 0.8 毫秒。」
0.8 毫秒。在本地小规模场景下,Zvec 把竞品甩开了一个数量级。
但他紧接着给了一个关键 caveat:
"The gotcha is that the reason zvec is fast is because it is primarily constrained by local disk performance and the data must be local disk... I mounted blobfuse2 object storage to test and zvec numbers went to over 100ms, so disk is almost all that matters."
「问题在于 Zvec 快的原因主要是受本地磁盘性能约束,数据必须在本地磁盘上。我挂载了 blobfuse2 对象存储来测试,Zvec 的延迟直接飙到 100 毫秒以上。所以磁盘几乎决定了一切。」
热数据 0.8ms,冷数据 100ms+,差距超过 100 倍。这个发现直接揭示了 Zvec 的速度秘密:mmap + OS page cache,热数据在内存里飞,冷数据回到磁盘就现原形。
Redis 的作者 antirez 也在同一条 HN 帖子里现身了,从另一个角度印证了这个规律:
"If you use Redis Vector Sets you will easily see 20k - 50k (depending on hardware) queries per second, with tens of millions of entries... Of course all that serving data from memory like Vector Sets do."
「如果你用 Redis Vector Sets,在数千万条目下轻松做到每秒 2-5 万查询,当然这一切都建立在数据完全内存驻留的基础上。」
速度来自内存,Zvec 只不过用 mmap 把这件事做得特别优雅。
▲ Hacker News 上 Zvec 讨论帖,226 分、45 条评论。社区里出现了 antirez(Redis 作者)、ashvardanian(USearch 作者)、simonw 等知名开发者的深入技术辩论。Zvec 作者 luoxiaojian 也多次亲自下场回复。
v0.5.0 这一版,才是真正的"完全体"
如果只有向量检索,Zvec 跟 sqlite-vec、LanceDB 的区别还拉不开。真正让它站住的,是 2026 年 6 月 12 日发布的 v0.5.0 版本。
这个版本加了四个关键能力,每一项都打在 RAG 开发者的痛点上:
第一,原生全文检索(FTS)。以前做 RAG,想要"关键词 + 语义"混合搜,得在外面再挂一个 Elasticsearch 或者用 BM25 库。v0.5.0 直接在字符串字段上建 FTS 索引,一个查询同时跑向量相似度和关键词匹配,内部融合排序。不需要额外搜索引擎。
第二,真正混合的 MultiQuery。一次 API 调用可以同时塞向量查询、文本查询、标量过滤,Zvec 内部用加权融合或 RRF(Reciprocal Rank Fusion)重排后返回统一结果。这对代码搜索、产品搜索、知识库问答这些真实场景至关重要——用户问"支付回调在哪里",你想同时匹配"payment callback"的语义和"支付回调"这个精确关键词。
第三,DiskANN 磁盘索引。大规模场景下内存吃紧是绕不开的。DiskANN 让主体索引可以放在 SSD 上,只在查询时按需加载相关部分到内存。几亿条向量不再需要几 TB 的内存才能跑。
第四,生态大补全。Go SDK(cgo 绑定)、Rust SDK(安全 RAII 封装)、Zvec Studio 可视化调试工具、RISC-V 架构支持。Python 最成熟,Node.js、Dart/Flutter 都有官方包。Flutter 的绑定尤其值得关注——这意味着移动端 App 可以直接在设备上跑向量检索,离线可用,零网络依赖。
还有一个隐形杀招:RaBitQ 量化。通过随机旋转 + 聚类 + 二进制量化,一条 1536 维的 float 向量(约 6KB)可以被压缩到约 192 字节,压缩比接近 30 倍,而召回率下降极小。这在边缘设备和内存受限场景是决定性的。
跟 SQLite 的类比,到底有多贴切?
官方自己一直在强调"the SQLite of Vector Databases"这个定位。我们来看看这个类比在哪些层面成立,在哪些层面是营销话术。
成立的层面:
-
都是"嵌入应用"。不需要独立进程,编译或链接进你的代码就行。 -
都是文件/目录级持久化。一个 collection 就是一个目录,拷贝这个目录就等于备份了整个向量库。 -
都是单写多读的并发模型。写入操作单进程独占(避免了复杂的分布式并发控制),读取可以多进程共享。 -
都是极简 API,零运维。没有配置文件、没有端口号、没有集群拓扑。 -
Apache 2.0 完全开源。
不太成立的层面:
-
SQLite 是关系型数据库,有完整的 SQL 支持、ACID 事务、触发器、视图。Zvec 专注向量 ANN + 混合检索,不是一个 SQL 引擎。 -
SQLite 的单文件数据库可以轻松做到 TB 级。Zvec 的向量索引受内存预算约束更紧(DiskANN 在缓解但还没到 SQLite 那种"硬盘随便塞"的程度)。 -
SQLite 经过了 20 多年的生产检验,几乎跑在每一台智能手机上。Zvec 才刚起步,API 稳定性、边界 case、极端规模表现都还需要时间证明。
作者 luoxiaojian 在 HN 上的回复很坦诚:承认 self-reported benchmark 的局限,承诺会补充更多对比(pgvector 等),解释 mmap 冷数据的短板并在开发 buffer pool + io_uring 方案。
▲ Tongyi Lab 官方账号最早的官宣帖。强调"Zvec is here. The SQLite of Vector Databases",突出 8000+ QPS、2 倍领先于此前榜首的性能、RAG 就绪、零依赖等卖点。
谁该用 Zvec?谁不该?
根据社区讨论和实测数据,可以画出比较清晰的使用边界:
该用的场景:
- 个人知识库 / 本地 RAG。
把笔记、PDF、代码库向量化存本地 Zvec,配合本地 LLM 跑 RAG。不需要任何云服务,隐私 100% 在自己手里。v0.5 的 FTS 让"关键词 + 语义"混合找资料更准。 - 原型验证。
创业团队想快速验证一个 RAG 产品的核心体验。pip install 两分钟搭好,不用申请云资源、不用配 Docker。 - 边缘设备 / 移动端。
Flutter 绑定让手机 App 可以直接在设备上做语义搜索。DiskANN 让几万到几十万条向量在手机上也能跑。离线可用,没网也能搜。 - 企业内部知识管理。
代码搜索、文档检索、客服知识库。敏感数据不出企业网络,部署成本几乎为零。
不该用的场景:
- 每秒上万写入 + 多租户高并发。
单进程写入模型决定了写入吞吐有天花板。这种场景考虑传统服务化方案(Milvus 集群版、Qdrant 分布式等)。 - PB 级冷数据 + 频繁随机查询。
DiskANN 能帮忙,但如果查询模式无法利用 page cache(每次查的数据都不在内存里),延迟会很难看。 - 需要强 SQL 分析能力。
Zvec 不是关系型数据库。如果要在向量检索结果上做复杂 JOIN、聚合、子查询,应该在外部做,或者评估 sqlite-vec + SQLite 的组合方案。
适用边界其实很容易判断:数据量能塞进一台机器的内存或本地 SSD,你不想养数据库服务——那就直接上 Zvec。
向量数据库的"SQLite 时刻"
回到更大的图景。Zvec 的出现,不只是多了一个开源向量数据库选项。
它代表了一个基础设施范式的迁移:从"必须养服务"到"库即服务"。
20 多年前,SQLite 做了一件在当时看起来"反潮流"的事。在那个 MySQL、PostgreSQL、Oracle 统治的时代,大家都在追求更大更强的数据库服务器。SQLite 走了完全相反的路——把数据库缩成一个文件、一个库、零配置、零运维。
结果呢?SQLite 成了人类历史上部署最广泛的数据库。每一台 iPhone、每一台 Android 手机、每一个 Chrome 浏览器、每一个 Python 安装包里,都跑着一个 SQLite。它是真正意义上的"基础设施下沉"——技术能力不再被运维门槛锁在服务器机房里,而是成了每个开发者随手可用的工具。
Zvec 想在向量数据库领域复制这条路。用阿里巴巴内部 Proxima 引擎的生产级能力做底子,用"进程内+零运维+多语言"的组合拳打市场,用 Apache 2.0 开源和社区参与建立信任。
当然,这条路不会比 SQLite 当年更轻松。
托管向量数据库厂商(Pinecone、Zilliz Cloud、Qdrant Cloud 等)在中低规模场景下面临压力,但大企业客户、合规需求、全托管体验、SLA 保障仍然是他们的护城河。就像今天仍然有大量企业用 RDS 存核心业务数据、不会选择 SQLite 一样——场景不同,选择不同。
Zvec 项目作者在 HN 评论区引用过一段话:"SQLite didn't kill PostgreSQL. It just made databases accessible everywhere." 翻译过来是,"SQLite 没有杀死 PostgreSQL,它只是让数据库变得随处可及。"
向量数据库的"SQLite 时刻",或许刚开了个头。
Zvec 在 GitHub 上开源的地址是github.com/alibaba/zvec。11K Star 的增速还在继续。而 v0.5.0 补齐的全文检索和混合查询,已经让它不再只是一个"轻量备选方案",而是一个让很多人认真考虑"我为什么还需要单独部署一个向量数据库服务"的存在。
下一个版本会带来什么?buffer pool、io_uring、更多索引类型、浏览器 WASM 绑定?团队在 HN 上说过"春节后会发布详细优化博客",现在看时间线应该很快了。
不管怎样,把扛过双 11 的生产引擎装进 pip 包里这件事,阿里已经做了。接下来看社区怎么用。








