你有沒有試過，只想幫自己一個小專案加個「語意搜尋」，結果查教學查到一半，發現第一步竟然是叫你先用 Docker 起一台 Qdrant，或者跑一隻 Chroma server。功能還沒寫，先要養一隻背景程式。
阿里巴巴這次悄悄丟上 GitHub 的 zvec，就是來把這一步拆掉的。它不是又一個要你架伺服器的向量資料庫，而是一個「塞進你 app 裡面就能跑」的東西。上架半年多，星數已經破萬、往 1.3 萬衝，還在漲。
一句話結論：zvec 是阿里開源的「行程內（in-process）」向量資料庫，pip install 就能直接嵌進你的 app，不用開伺服器、不用設定連線，本地就能做 RAG 和語意搜尋，10 億筆向量也是毫秒級。
zvec 到底是什麼？
zvec 是一個「跑在你程式裡面」的向量資料庫，不是一台要另外開的伺服器。你 import 它、開一個 collection（其實就是硬碟上一個資料夾）、把向量塞進去、然後查詢。沒有 daemon 要顧、沒有 port 要設、沒有連線池要管。
如果你熟資料庫，最貼切的類比是：zvec 之於向量資料庫，就像 SQLite 之於一般關聯式資料庫。SQLite 當年讓開發者可以把一個正經的資料庫直接嵌進任何 app，不用另外裝一台 MySQL；zvec 想做的是同一件事，只是換成專門存「向量」這種 AI 時代的資料。連官方自己都用「向量資料庫界的 SQLite」來定位。
它不是週末玩具。阿里說 zvec 在集團內部多條產線已經跑了一段時間，才拿出來開源，底層包的是 Proxima——阿里自研、在生產環境跑了好幾年的向量搜尋引擎。換句話說，你接手的不是一個沒被驗證過的實驗，而是一套已經被大流量捶打過的東西。授權是 Apache 2.0，原始碼在 github.com/alibaba/zvec，核心 8 成是 C++，外面再包 Python、Node.js、Go、Rust、Flutter 的 SDK。
為什麼「行程內」這件事值得你停下來看？
差別在摩擦力。市面上多數紅的向量資料庫，像 Qdrant、Weaviate、Milvus、server 模式的 Chroma，都要你先跑一隻獨立程式。有專職維運的團隊無所謂，但對這幾種情況就很煩：
- 本地開發：還沒寫第一行檢索的 code，就要先開 Docker 或起一隻 daemon。
- 邊緣裝置和手機：要把一台 server 塞進 Android 或 iOS，基本上不切實際。
- CLI 工具、Jupyter notebook：為了跑一個小 script 去架一整套基礎設施，太過頭。
- Serverless 函式：環境用完即丟，每次去連外部服務又貴又慢。
zvec 把這些摩擦全部省掉。它就是一個函式庫，你的程式一啟動它就在，程式結束它就乾淨收工。這點對散戶級的開發者特別友善：你不用先變成半個維運工程師，才寫得出一個能用的 AI 檢索功能。
一分鐘上手長怎樣？
講那麼多，看 code 最快。以 Python 為例，先 pip install zvec（需要 Python 3.10 到 3.14），然後：
import zvec
# 定義 collection 的 schema（這裡放一個 4 維向量欄位）
schema = zvec.CollectionSchema(
name="example",
vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4),
)
# 開一個 collection（不存在就自動建，路徑就是硬碟上一個資料夾）
collection = zvec.create_and_open(path="./zvec_example", schema=schema)
# 塞資料
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]}),
])
# 用向量相似度查詢
results = collection.query(
zvec.VectorQuery("embedding", vector=[0.4, 0.3, 0.3, 0.1]),
topk=10,
)
print(results) # 依相關度排好的清單大概就這樣：定義 schema、開一個 collection、塞資料、查詢。整段沒有一行在連伺服器，因為根本沒有伺服器。Node.js 那邊 npm install @zvec/zvec，API 幾乎一樣；懶得寫 code 想先看資料，官方還有一個叫 Zvec Studio 的視覺化工具可以逛。
zvec 跟 FAISS、Chroma、Qdrant 差在哪？
差在它想同時要「快」又「像一個真的資料庫」。很多人本地做向量搜尋會用 FAISS，它夠快，但它純粹是記憶體裡的索引：程式一關、沒另外存檔就沒了，也不做混合搜尋、不吃稀疏向量。zvec 想補的就是這一塊。直接看表：
| zvec | FAISS | Chroma | Qdrant | |
|---|---|---|---|---|
| 行程內（嵌進 app） | 是 | 是 | 可選 | 否 |
| WAL 持久化 | 是 | 否 | 是 | 是 |
| 混合搜尋 | 是 | 否 | 有限 | 是 |
| 稀疏向量 | 是 | 否 | 否 | 是 |
| 手機支援 | 是（Flutter） | 否 | 否 | 否 |
| 多程序同時讀 | 是 | 否 | 否 | 不適用 |
| DiskANN 硬碟索引 | 是 | 否 | 否 | 否 |
| 要不要架 server | 不用 | 不用 | 可選 | 要 |
我覺得真正拉開差距的是這幾點：
- WAL 持久化：每一筆寫入在回傳前就已經落地，當機、跳電都不會掉資料。這是它跟 FAISS 這種純記憶體庫最大的分界線。
- 混合搜尋：一次查詢裡把向量相似度、關鍵字全文搜尋（FTS）、加上欄位過濾（例如「分類等於科技」）全部揉在一起。真實世界的檢索多數都是這種「又要語意相近、又要符合某個條件」的需求。
- DiskANN：把大部分索引放硬碟，讓你用一台記憶體不多的普通機器，也搜得動十億級的資料。這本來是 Milvus 那種重型系統才有的能力，zvec 直接內建。
- 多程序讀：好幾個程序可以同時開同一個 collection 來讀，只有寫入要獨佔。多 worker 的服務場景用得上。
這對只想搞點副業的普通人有什麼用？
你可能會想：向量資料庫聽起來很工程，關我什麼事？其實這正是把「AI 工具」變成一門小生意的底層零件。幾個接得上的方向：
- 幫小店或個人做一個「文件問答機器人」：把商品說明、FAQ、合約條款餵進 zvec，再接一個 LLM，就是一個會回答自家資料的客服。以前這種東西要嘛用雲端向量服務按月付費，要嘛自己架 server；現在一個 pip install 就能先做出能 demo 的版本。
- 做「個人第二大腦」：把自己這幾年的筆記、剪報、PDF 全部向量化塞進去，用一句話就搜得到「我兩年前存過那篇講穩定幣的東西」。因為是本地、離線，資料不用上傳到別人伺服器，隱私這關天然過了。
- 上架到手機 app：zvec 有 Flutter SDK，能在 Android、iOS 本機做語意搜尋。想做離線筆記或閱讀 app 的人，這是省成本的關鍵，不用替每個用戶養一台後端。
重點是門檻。以前這些點子卡在「我要先會架基礎設施」，現在那道牆矮了一大截。能不能做成生意還是看你的內容和執行，但至少技術這關，不再是藉口。
誰適合用 zvec？誰不適合？
適合的情況：想在本地做向量搜尋、又不想背一整套基礎設施的 Python 或 Node.js 專案；跑在 notebook、script、serverless 裡的 RAG 流程；要在手機上做離線語意搜尋的 app；想要 DiskANN 那種硬碟級十億搜尋、又不想去扛 Milvus 維運複雜度的團隊。
不太適合的情況：要給很多獨立租戶共用同一套向量基礎設施的多租戶 SaaS；需要跨很多台機器做水平寫入擴展的場景；已經深度綁在某個雲端託管向量服務、吃它一堆雲原生功能的團隊。一句話：zvec 是「嵌進去」的思路，不是「連過去」的思路。你的需求偏哪邊，答案就很清楚。
不想用 zvec，有什麼替代方案？
沒有哪個工具是唯一解。如果 zvec 不合你口味：只要最純粹的本地向量索引、不在乎持久化，FAISS 還是老牌可靠；想要一個對新手友善、Python 生態很熟的，選 Chroma；要正經的伺服器級、雲原生功能齊全的，看 Qdrant、Milvus、Weaviate；如果你其實想要的是「SQLite 但加上向量搜尋」，可以看看用 Rust 重寫 SQLite 的 Turso，它也把向量搜尋塞進去了。
新手想試，第一步該做什麼？
不用一開始就想著做產品。給你一條低風險的路：
- 開一個乾淨的 Python 環境，
pip install zvec。 - 照官方那段一分鐘範例，先塞三五筆假資料、查一次，確認整條路跑得通。
- 找一份你自己的真實資料（例如一個資料夾的筆記或 PDF），用任何一個 embedding 模型轉成向量，塞進 zvec。
- 接一個 LLM，讓它先從 zvec 撈相關片段再回答。這就是一個最小的 RAG。
- 跑順了，再想「這個能不能變成給別人用的東西」。
先把 demo 做出來，再談商業化。順序反過來，多數會卡死。
延伸閱讀：另一個最近爆紅的開源專案，用家裡的 WiFi 訊號就「看穿」整間屋——開源 RuView 實測，不用鏡頭也量得到呼吸心跳、GitHub 熱門開源 AI 專案精選。
關於 zvec 的常見問題
zvec 是免費的嗎？
是，Apache 2.0 開源授權，商用也可以，去 GitHub 就抓得到原始碼。
zvec 和 FAISS 該選哪個？
只要記憶體內快速索引、資料掉了無所謂，FAISS 就夠。要持久化、混合搜尋、稀疏向量、手機支援，選 zvec。
用 zvec 一定要會 C++ 嗎？
不用。核心是 C++ 寫的，但你用 Python（pip install zvec）、Node.js、Go、Rust 或 Flutter 的 SDK 就好，寫的是你熟的語言。
zvec 能跑多大的資料？
官方說搭 HNSW 索引可以在十億級向量做毫秒搜尋，搭 DiskANN 還能用有限記憶體撐更大規模。完整基準測試放在 zvec 官方文件。
zvec 適合放進手機 app 嗎？
適合。它有 Dart/Flutter SDK，支援 Android 和 iOS，能在裝置本機做離線語意搜尋，不用替每個用戶連一台後端。
本文為工具介紹與個人使用心得，非投資建議。AI 開源專案更新極快，功能、版本與星數截至 2026 年 7 月，實際請以 zvec 官方 GitHub 與文件為準。
發表迴響