Weaviate

Weaviate est une base de données vectorielle open source développée par Weaviate B.V., une entreprise basée à Amsterdam et fondée par son PDG Bob van Luijt. Elle a été conçue dès le départ pour traiter les embeddings vectoriels comme des éléments de base de données de premier ordre, au même titre que les propriétés d'objets typés, ce qui la distingue des bibliothèques vectorielles autonomes comme FAISS de Facebook. Là où FAISS est une bibliothèque de recherche que l'on greffe sur une base de données, Weaviate est la base de données : elle gère nativement la persistance, la réplication, l'architecture multi-tenant, la gestion des schémas et le filtrage. Le projet est sous licence BSD-3-Clause et disponible sur github.com/weaviate/weaviate, avec plus de 12 000 étoiles GitHub en date d'avril 2026.

Ses fonctionnalités principales incluent la recherche hybride (combinant la similarité vectorielle avec la recherche par mots-clés BM25 en une seule passe de requête), des modules de vectorisation intégrés pour OpenAI, Cohere et Hugging Face (vous permettant d'ingérer du texte brut et de laisser Weaviate appeler l'API d'embedding), une interface gRPC pour les requêtes à haut débit, et une architecture multi-tenant avec gestion des index par locataire. En mars 2025, Weaviate a lancé trois agents de base de données : le Query Agent (requêtes en langage naturel sur vos données), le Transformation Agent (enrichissement et nettoyage de données par lots) et le Personalization Agent (reclassement des recommandations basé sur les LLM). Les options de déploiement incluent Docker, Kubernetes via Helm, et Weaviate Cloud Services sur AWS, GCP et Azure.

Ce que fait réellement Weaviate en avril 2026

Weaviate 1.32, sortie en mars 2026, est la version de production stable. Chaque collection Weaviate contient des propriétés typées (chaînes de caractères, nombres, dates, références à d'autres objets) ainsi qu'une ou plusieurs représentations vectorielles. Cette double structure signifie qu'une seule requête Weaviate peut récupérer des objets correspondant à la fois à une intention sémantique (via la recherche des plus proches voisins approximatifs HNSW) et à des critères structurés exacts (via des filtres de métadonnées intégrés) sans nécessiter une deuxième passe dans la base de données.

La recherche hybride est la fonctionnalité phare de Weaviate. Le système exécute en parallèle une recherche vectorielle dense et une recherche par mots-clés BM25 clairsemée, puis fusionne les deux listes de résultats à l'aide de la Reciprocal Rank Fusion (RRF) ou de la Relative Score Fusion. Un paramètre alpha allant de 0 (mot-clé pur) à 1 (vecteur pur) permet aux développeurs d'ajuster l'équilibre. En octobre 2025, Weaviate a publié Hybrid Search 2.0 avec la version 1.25 : une réécriture complète qui a unifié les index HNSW et BM25, auparavant séparés, en une seule structure. Les benchmarks sur le jeu de données BEIR ont montré que la latence des requêtes p50 est passée de 85ms à 34ms (une amélioration de 60%), la latence p95 de 240ms à 78ms, le débit a augmenté de 1 200 à 3 500 requêtes par seconde, et le NDCG sur MS MARCO est passé de 41.3 à 45.7. L'index unifié utilise 15% de RAM en plus, mais élimine la surcharge liée à la fusion et réduit l'utilisation du disque.

Les modules de vectorisation de Weaviate sont d'une grande praticité. Le module text2vec-openai, par exemple, intercepte les opérations d'insertion, appelle l'API OpenAI Embeddings, stocke le vecteur renvoyé et l'indexe automatiquement. Les équipes qui souhaitent précalculer les embeddings peuvent ignorer complètement les modules et pousser des vecteurs bruts. Le mode Weaviate intégré permet d'exécuter une instance complète de Weaviate en cours de processus pendant le développement, sans configuration Docker.

"C'est génial pour le RAG, les LLM, etc., et cela possède des fonctionnalités intégrées pour ce domaine, telles que la recherche hybride et l'architecture multi-tenant." - évaluateur anonyme, Gartner Peer Insights, septembre 2025

Où se situe Weaviate par rapport à Pinecone et Qdrant

Ces trois services sont les options les plus couramment comparées pour la recherche vectorielle en production, et ils diffèrent mécaniquement sur des aspects cruciaux pour les décisions de déploiement réelles.

Pinecone est entièrement géré et à code source fermé. Il n'y a pas d'option d'auto-hébergement, quel que soit le niveau de prix ; vos données résident dans l'infrastructure de Pinecone ou pas du tout. Pinecone utilise une architecture propriétaire basée sur des pods (s1, p1, p2) et un modèle d'index serverless plus récent. Il n'expose pas les paramètres HNSW, les paramètres de quantification ou les rouages internes de l'index. Pinecone a ajouté la prise en charge hybride clairsemée-dense en 2023, mais l'implémentation utilise des index clairsemés et denses séparés avec une fusion pondérée, et non l'index unifié que Weaviate a introduit dans la version 1.25. Pour les équipes qui ne veulent aucune surcharge opérationnelle et qui acceptent une dépendance totale vis-à-vis du fournisseur, Pinecone est la voie la plus simple. Pour les équipes qui ont besoin de souveraineté des données, de contrôle des coûts à grande échelle ou de la capacité d'ajuster les paramètres d'index, ce n'est pas une option viable. Les forfaits payants de Pinecone commencent autour de $70/mois pour des charges de travail minimales.

Qdrant est open source et écrit en Rust. L'implémentation en Rust est la différence architecturale critique : Qdrant atteint systématiquement un débit de requêtes 2 à 5 fois supérieur à celui de Weaviate sur un matériel équivalent dans les benchmarks publiés (2025 : Qdrant 12 000 QPS contre Weaviate 4 000 QPS ; latence p99 de Qdrant 2ms contre Weaviate 10ms). Qdrant prend également en charge l'indexation HNSW sur disque, permettant aux jeux de données qui dépassent la capacité de la RAM de rester interrogeables, ce que l'implémentation HNSW de Weaviate ne fait pas nativement. Là où Qdrant est en retrait par rapport à Weaviate : pas de modules de vectorisation intégrés (vous devez précalculer et pousser tous les embeddings vous-même), pas de schéma de propriétés d'objets avec des références croisées, et un écosystème plus restreint d'intégrations et d'agents. L'API Universal Query de Qdrant utilise une architecture de prélecture et de reclassement (prefetch-and-rerank) pour la récupération en plusieurs étapes, ce qui diffère du modèle de fusion parallèle pondéré par alpha de Weaviate. Les forfaits cloud commencent autour de $25/mois.

La distinction pratique : Weaviate est le meilleur choix lorsque votre application nécessite une modélisation d'objets (références croisées entre les enregistrements), des appels d'API d'embedding intégrés, ou la commodité de filtres structurés étroitement couplés à la recherche vectorielle. Qdrant l'emporte sur le débit brut et l'efficacité de la mémoire pour les charges de travail ANN pures avec des embeddings précalculés.

"Cela simplifie également la création de pipelines RAG puisque le stockage vectoriel et la logique de filtrage existent déjà, il me suffit donc d'y connecter mon LLM. En gros, cela réduit les difficultés de configuration et me permet de me concentrer sur l'application elle-même au lieu des maux de tête liés à l'infrastructure." - évaluateur anonyme, G2, 2024

À quoi ressemble la réalité quotidienne du développement et du déploiement

Démarrer avec Weaviate est simple via Docker Compose : un seul fichier docker-compose.yml récupère l'image Weaviate, expose le port 8080 et inclut de manière optionnelle un conteneur de module de vectorisation (par exemple, text2vec-transformers pour le calcul local des embeddings). Les SDK Python et TypeScript (v4 depuis 2024) sont les interfaces principales ; GraphQL et gRPC sont également disponibles.

En production, la situation diverge en fonction de l'échelle. Pour les applications SaaS multi-tenant, l'architecture multi-tenant native de Weaviate est véritablement utile : les données de chaque locataire résident dans un shard isolé, le Dynamic Index démarre tous les locataires sur un index plat économe en mémoire et les promeut automatiquement vers HNSW une fois que les données d'un locataire dépassent un certain seuil. Cela rend l'utilisation des ressources proportionnelle à l'utilisation réelle plutôt qu'au pire des scénarios.

Les mises à niveau qui modifient l'architecture de l'index nécessitent des temps d'arrêt pour la reconstruction des index. La migration vers Hybrid Search 2.0 dans la version 1.25 en a été un exemple notable : les utilisateurs auto-hébergés ont dû reconstruire tous les index concernés, tandis que les utilisateurs de Weaviate Cloud ont reçu la mise à niveau automatiquement. Il s'agit d'une véritable considération opérationnelle pour les équipes exécutant Weaviate en auto-hébergement dans des environnements sensibles à la latence.

Les trois agents lancés en mars 2025 ajoutent une interface de plus haut niveau. Le Query Agent accepte des instructions en langage naturel, formule les requêtes Weaviate sous-jacentes en interne, enchaîne les ensembles de résultats et renvoie une sortie structurée, réduisant ainsi le besoin d'écrire du code GraphQL ou SDK explicite pour les tâches de récupération exploratoire. Le Transformation Agent gère les tâches d'enrichissement de données en masse (génération de métadonnées, traduction, catégorisation) via des instructions en langage naturel sur les données déjà présentes dans Weaviate.

Pour qui Weaviate est conçu

Weaviate est un excellent choix pour les équipes qui créent des applications où la qualité de la récupération importe plus que la maximisation du débit brut. L'utilisateur typique est un développeur Python ou TypeScript qui construit un système RAG, une fonctionnalité de recherche sémantique ou un workflow d'agent IA, et qui souhaite que le stockage vectoriel, les filtres structurés et la recherche hybride (mots-clés et sémantique) soient gérés par un seul service plutôt que trois.

Les équipes SaaS multi-tenant bénéficient du modèle d'isolation par locataire de Weaviate, qui correspond naturellement à l'architecture d'un locataire par shard sans logique de sharding personnalisée. Les équipes d'entreprise ayant des exigences de souveraineté des données bénéficient du déploiement auto-hébergé sous licence BSD-3, qui n'impose aucune restriction sur l'utilisation commerciale. Les équipes disposant d'une infrastructure d'embedding existante (précalcul des vecteurs hors ligne) peuvent pousser des vecteurs bruts ; celles qui n'en ont pas peuvent utiliser les modules de vectorisation intégrés pour déléguer les appels d'API d'embedding à Weaviate.

La levée de fonds de série B d'avril 2023 ($50 millions, menée par Index Ventures avec Battery Ventures, NEA, Cortical Ventures, Zetta Venture Partners et ING Ventures) a coïncidé avec le dépassement par Weaviate des 2 millions de téléchargements open source et le lancement de la prise en charge de la recherche générative, signalant à la fois une validation du marché et une marge de manœuvre pour un développement soutenu.

Ce que Weaviate n'est pas

Weaviate n'est pas le bon outil lorsque le débit brut des requêtes à très grande échelle est la contrainte principale. À plus de 10 millions de vecteurs avec une charge simultanée, l'implémentation en Rust de Qdrant atteint un QPS 2 à 5 fois supérieur sur un matériel équivalent. Si vous avez besoin de plus de 50 millions de vecteurs et d'une latence p99 inférieure à la milliseconde sur des milliers de requêtes simultanées, Milvus ou Qdrant sont des choix d'infrastructure plus justifiables.

Weaviate n'est pas non plus un service géré sans configuration. Les déploiements auto-hébergés nécessitent une expérience opérationnelle de Docker ou Kubernetes. Les index HNSW chargent la structure complète du graphe dans la RAM, et les utilisateurs disposant de grandes collections (plus de 18 millions d'objets) ont signalé des pics de latence inattendus, en particulier sous une charge simultanée d'écriture et de lecture. Un fil de discussion sur le forum de la communauté a documenté des erreurs de pression de la mémoire dans des déploiements à instance unique sous des cycles continus d'écriture/suppression, les utilisateurs rencontrant des erreurs "cannot load shard" après l'épuisement de la RAM.

Ce n'est pas une base de données opérationnelle à usage général. Vous ne devriez pas utiliser Weaviate en remplacement de PostgreSQL ou MongoDB pour des charges de travail transactionnelles. Il ne prend pas en charge les transactions, possède des capacités d'agrégation limitées par rapport à SQL, et nécessite l'opérationnalisation d'un magasin de données supplémentaire si votre application a également des besoins en données relationnelles structurées. Le modèle de tarification cloud, avec un bond de $45/mois (Flex) à $400/mois (Premium), crée un niveau intermédiaire délicat pour les équipes dont les charges de travail sont trop importantes pour Flex mais ne justifient pas encore l'engagement Premium.