Vespa

开源的大数据与 AI 检索及推荐引擎

向量数据库 RAG 系统 AI 开发免费开源

访问官网 GitHub 文档

核心功能

Vespa 是开源的搜索与推荐引擎，将向量存为 tensor 字段并配合 HNSW 索引，用 YQL 的 nearestNeighbor 做近邻检索，可在同一条查询里融合向量与结构化条件，适合大规模语义搜索与推荐。

功能亮点

张量化

向量以 tensor 字段建模，可与业务特征同场打分

近邻算子

YQL nearestNeighbor 指定目标向量与候选数

精确回退

查询加 approximate:false 即退回精确近邻检索

混合排序

向量相似度可与业务布尔条件写进同一条 YQL 做混合排序

适用场景

• 大规模语义搜索，向量与文本、过滤条件同场排序。
• 推荐系统用向量近邻做相似物品召回。
• 多模态检索，将图像或文本嵌入统一为 tensor 检索。

安装配置

bash

安装 CLI 并启动本地实例（建议 4GB 内存）：
brew install vespa-cli
vespa config set target local
docker run --detach --name vespa --hostname vespa-container --publish 8080:8080 --publish 19071:19071 vespaengine/vespa

克隆示例并部署：
vespa clone album-recommendation myapp
cd myapp
vespa deploy --wait 300 ./app

使用方法

bash

schema 字段定义（HNSW + 余弦）：
field text_embedding type tensor<float>(x[384]) {
    indexing: summary | attribute
    attribute {
        distance-metric: prenormalized-angular
    }
    index {
        hnsw {
            max-links-per-node: 24
            neighbors-to-explore-at-insert: 200
        }
    }
}

查询（YQL nearestNeighbor）：
vespa query 'select * from docs where {targetHits:3}nearestNeighbor(d_vector,q_vector)' ranking=rank_docs 'input.query(q_vector)'='[1,2,3]'

精确检索（关闭近似）：
vespa query 'select * from docs where {targetHits:3}nearestNeighbor(d_vector,q_vector)' ranking=rank_docs 'input.query(q_vector)'='[1,2,3]' 'approximate:false'

关键指标

尚未核验对标产品，此处只列本工具自身指标，不做对比结论。

指标Vespa

价格免费

开源是

上手难度专家

优点

向量与结构化数据在同一引擎统一检索与排序。
HNSW 近邻可与布尔条件、业务打分融合。
开源（Apache 2.0），可自托管大规模集群。
支持近似与精确（approximate:false）两种检索。

缺点

tensor 常驻内存，向量规模受节点内存上限约束。
HNSW 的 max-links-per-node 调大后查询吞吐会下降。
带过滤的近邻未必满足子线性，需评估召回与性能。
本地容器部署建议 4GB 内存，资源门槛较高。