Weaviate
스키마와 하이브리드 검색을 갖춘 벡터 데이터베이스
지표
GitHub API 에서 직접 읽은 값입니다
GitHub 별16,884
라이선스미확인저장소 공개
주 언어Go2016-03-30 공개
마지막 커밋2026-10-15확인 2026-10-15
별 수 추이는 기록이 쌓인 뒤에 보여 줍니다 — 과거 값은 소급해 만들 수 없습니다.
무엇을 하는 도구인가
Weaviate는 문서나 대화 기록 같은 비정형 데이터를 벡터로 저장하고, 의미 기반 유사도 검색과 키워드 검색을 함께 수행하는 하이브리드 검색을 지원하는 벡터 데이터베이스입니다. 데이터를 넣기 전에 클래스와 속성으로 스키마를 정의해 구조를 갖추고, 이를 바탕으로 필터 조건과 검색을 조합할 수 있습니다. 이 도구가 없으면 임베딩 색인, 유사도 계산, 키워드 검색 결과와의 결합을 애플리케이션 쪽에서 직접 구현해야 하는데, Weaviate는 이 과정을 데이터베이스 수준에서 처리해 준다. 같은 층의 Qdrant나 Chroma도 벡터 검색을 제공하지만 스키마 정의 방식과 하이브리드 검색 지원 여부가 다르고, pgvector는 별도 데이터베이스가 아니라 기존 Postgres에 벡터 기능을 얹는 방식이라는 점에서 접근 자체가 다릅니다. 직접 호스팅과 관리형 서비스 중 운영 방식을 선택할 수 있습니다.
이럴 때 고른다
- 사내 문서나 축적된 대화 기록을 근거로 답하게 하는 RAG 구조에서 벡터 저장소가 필요할 때
- 단순 벡터 유사도 검색만이 아니라 키워드 기반 검색을 함께 쓰는 하이브리드 검색이 필요할 때
- 데이터를 클래스·속성 단위의 스키마로 구조화해서 관리하고 싶을 때
- 직접 호스팅과 관리형 서비스 중 운영 방식을 상황에 맞게 선택하고 싶을 때
어디까지만 하나
- 벡터 데이터베이스 자체일 뿐, 임베딩 모델 선택이나 청크 분할 전략 같은 RAG 파이프라인의 나머지 부분은 별도로 구성해야 한다
- 스키마를 먼저 설계해야 하므로 구조 없이 데이터를 바로 집어넣기는 어렵고, 스키마 변경 시 주의가 필요하다
- 이미 Postgres 등 기존 데이터베이스를 쓰고 있다면 pgvector 같은 확장형과 달리 별도 서비스를 추가로 운영해야 하는 부담이 생긴다
- 대화 사이에 무엇을 기억하고 언제 잊을지 판단하는 로직 자체는 제공하지 않으며, 이는 애플리케이션이나 Letta 같은 상위 도구가 맡아야 한다
검색·메모리 층은 무엇을 푸나
모델이 모르는 자료를 찾아 넣어 주고, 대화 사이의 기억을 보관한다
언제 필요해지나 — 사내 문서나 과거 대화를 근거로 답해야 할 때
같은 층의 다른 도구
층이 같다는 것은 푸는 문제가 같다는 뜻입니다 — 비교가 되는 자리입니다
| 도구 | 하는 일 | 별 | 라이선스 |
|---|---|---|---|
| Weaviate 보는 중 | 스키마와 하이브리드 검색을 갖춘 벡터 데이터베이스 | 16,884 | — |
| RAGFlow | 문서 구조를 이해하는 데 공들인 오픈소스 RAG 엔진 | 92,251 | Apache-2.0 |
| MCP Servers | 모델에 외부 데이터·도구를 붙이는 표준 프로토콜의 공식 서버 모음 | 91,273 | — |
| GraphRAG | 문서에서 지식 그래프를 뽑아 전체 맥락을 묻는 질문에 답하는 방식 | 36,342 | MIT |
| Qdrant | 필터링을 함께 쓰는 데 강한 벡터 데이터베이스 | 35,079 | Apache-2.0 |
| Chroma | 로컬에서 바로 띄워 쓰기 쉬운 임베딩 데이터베이스 | 29,504 | Apache-2.0 |
| Letta | 대화 사이의 기억을 스스로 정리해 들고 가는 에이전트 서버 | 25,146 | Apache-2.0 |
관련 용어
- 임베딩
- 텍스트, 이미지 같은 데이터를 의미적으로 비슷할수록 벡터 공간에서 가까운 위치에 놓이도록 고정된 길이의 숫자 벡터로 변환한 것을 말한다.
지표는 GitHub API 실측값입니다. 설명은 이 사이트가 작성했으며 공식 문서를 대체하지 않습니다 — 도입 전에 원문을 확인하세요.