[{"data":1,"prerenderedAt":113},["ShallowReactive",2],{"seo-verification":3,"marketplace-app-es-weaviate":6},{"google":4,"bing":5},"EycwPY2XMyTkVzas3n1ygeNJFGAH513qrMjfDljzsMQ","",{"key":7,"data":8},"marketplace-app-es-weaviate",{"slug":9,"slugs":10,"categorySlugs":11,"name":16,"description":17,"phase":18,"unavailableReason":19,"docsUrl":20,"logo":21,"github":21,"tagline":22,"longDescription":23,"features":24,"useCases":31,"steps":41,"faq":60,"specs":76,"compatibleOs":84,"relatedApps":85,"relatedPosts":106,"category":110},"weaviate",{"fr":9,"en":9,"ar":9,"es":9},{"fr":12,"en":13,"ar":14,"es":15},"ia","artificial-intelligence","الذكاء-الاصطناعي","inteligencia-artificial","Weaviate","Base de datos vectorial de código abierto para búsqueda semántica y RAG multimodal. Combine texto, imágenes y metadatos con los módulos de vectorización integrados o sus propios embeddings en su VPS.",2,"awaiting_qa","https:\u002F\u002Fservorbit.com\u002Fblog\u002Falojar-weaviate-en-un-vps",null,"Base de datos vectorial multimodal autoalojada — GraphQL, RAG y módulos de vectorización integrados en su VPS.","Weaviate es una base de datos vectorial de código abierto escrita en Go, diseñada para la búsqueda semántica y la generación aumentada de recuperación (RAG) a escala. A diferencia de los almacenes de vectores puros, Weaviate incluye módulos de vectorización integrados — text2vec-openai, text2vec-cohere, img2vec — que convierten sus datos en embeddings durante la ingesta, sin necesidad de preprocesamiento en el cliente. Datos, vectores y metadatos estructurados conviven en el mismo registro, de modo que una única consulta GraphQL o REST devuelve objetos semánticamente relevantes con todas sus propiedades.\n\nDesplegado en un VPS de ServOrbit, Weaviate se convierte en la capa de memoria y recuperación de su pila de IA: ingiera documentos, imágenes o entradas de una base de conocimiento y deje que su LLM — a través de LangChain, LlamaIndex o una llamada directa a la API — recupere el contexto más relevante antes de generar una respuesta. El enlace de bucle local mantiene todos los datos en su máquina: ningún embedding ni contenido privado abandona el servidor.",[25,26,27,28,29,30],"Módulos de vectorización integrados — text2vec-openai, text2vec-cohere, img2vec — que generan embeddings durante la ingesta sin preprocesamiento en el cliente.","APIs GraphQL y REST — consulte por similitud vectorial, filtros escalares o una combinación en una sola petición.","Colecciones multimodales — almacene texto, imágenes y metadatos estructurados juntos en el mismo objeto.","Integraciones nativas con LangChain, LlamaIndex y Haystack — sustitución directa de almacenes vectoriales gestionados.","Licencia BSD-3-Clause — totalmente auditable, sin telemetría, funcionamiento posible en una máquina aislada.","Motor en Go — bajo consumo de memoria, arranque rápido y pausas de GC deterministas bajo carga.",[32,35,38],{"title":33,"body":34},"Memoria de una cadena RAG","Indexe su documentación o base de conocimiento en Weaviate usando el módulo text2vec de su elección. En el momento de la consulta, recupere los k fragmentos más relevantes y páselos como contexto a su LLM. Toda la cadena se ejecuta en su VPS — ningún dato abandona la máquina.",{"title":36,"body":37},"Búsqueda semántica sobre documentos","Sustituya la búsqueda por palabras clave por una recuperación basada en el significado. Una consulta sobre 'resolución de disputas de factura' devuelve resultados sobre 'gestión de conflictos de facturación' aunque esas palabras exactas no aparezcan, porque Weaviate compara intenciones codificadas como vectores.",{"title":39,"body":40},"Recuperación multimodal","Almacene imágenes de productos junto a sus descripciones y metadatos en la misma colección de Weaviate. Busque por similitud de imagen, descripción textual o una combinación de ambas — útil para catálogos de comercio electrónico, bibliotecas de activos de diseño o archivos que mezclan texto y visuales.",[42,45,48,51,54,57],{"title":43,"body":44},"Solicite un VPS de ServOrbit","Prevea al menos 2 GB de RAM: Weaviate en sí consume unos 400–600 MB en reposo, más memoria adicional para su índice y cualquier módulo de vectorización que habilite. Un VPS de 4 GB es un punto de partida cómodo. La máquina se entrega con Ubuntu 24.04 y Docker preinstalado.",{"title":46,"body":47},"Despliegue desde el Marketplace","En su área de cliente de ServOrbit: Marketplace → Inteligencia Artificial → Weaviate → Desplegar. La imagen `semitechnologies\u002Fweaviate:1.27.2` arranca en segundos. Las APIs REST y GraphQL responden en el puerto 8080; la API gRPC escucha en el puerto 50051 — ambos restringidos a `127.0.0.1`. El volumen `weaviate_data` conserva su esquema y objetos entre reinicios del contenedor.",{"title":49,"body":50},"Conéctese por primera vez","Esta instancia de Weaviate funciona con acceso anónimo habilitado — no se necesita ninguna clave de API para conectarse. Los puertos están enlazados solo a `127.0.0.1`, por lo que la base de datos no es accesible desde internet. Para llamar a la API REST o GraphQL desde su equipo, abra un túnel SSH: `ssh -L 8080:127.0.0.1:\u003Cpuerto> root@\u003Cip-vps>` (sustituya `\u003Cpuerto>` por el que aparece en su área de cliente) y consulte `http:\u002F\u002Flocalhost:8080\u002Fv1\u002Fschema`.",{"title":52,"body":53},"Cree una clase e ingeste sus datos","Defina su esquema con una sola llamada REST: `curl -X POST http:\u002F\u002Flocalhost:8080\u002Fv1\u002Fschema -H 'Content-Type: application\u002Fjson' -d '{\"class\":\"Document\",\"vectorizer\":\"none\",\"properties\":[{\"name\":\"content\",\"dataType\":[\"text\"]}]}'`. Con `vectorizer: none` usted suministra sus propios vectores en cada importación. Cambie a `text2vec-openai` (y añada `OPENAI_APIKEY` a las variables de entorno del contenedor) para que Weaviate llame al modelo de embedding automáticamente durante la ingesta.",{"title":55,"body":56},"Consulte con GraphQL o REST","Ejecute una búsqueda de vecino más cercano en GraphQL: `curl http:\u002F\u002Flocalhost:8080\u002Fv1\u002Fgraphql -d '{\"query\":\"{Get{Document(nearVector:{vector:[0.1,0.2,...]},limit:5){content _additional{certainty}}}}\"}' -H 'Content-Type: application\u002Fjson'`. Para el acceso estructurado, los endpoints REST `\u002Fv1\u002Fobjects` y `\u002Fv1\u002Fbatch` están disponibles a través de los clientes oficiales para Python, Go, TypeScript y Java.",{"title":58,"body":59},"Proteja la instancia","Habilite la autenticación por clave de API añadiendo `AUTHENTICATION_APIKEY_ENABLED=true` y `AUTHENTICATION_APIKEY_ALLOWED_KEYS=\u003Csu-clave>` a las variables de entorno del contenedor y reiniciándolo. Una vez establecida una clave, cada petición debe incluir la cabecera `Authorization: Bearer \u003Cclave>`. La instancia puede entonces publicarse detrás de un dominio, con el vhost de nginx y el certificado TLS que gestiona ServOrbit.",[61,64,67,70,73],{"q":62,"a":63},"¿Cuál es la diferencia entre Weaviate y Qdrant?","Ambas son bases de datos vectoriales de código abierto, pero sus filosofías de diseño difieren. Qdrant (Rust) se centra en la búsqueda pura por similitud vectorial con filtros de carga útil — sin esquema y sin vectorización. Weaviate (Go) añade una capa de esquema y módulos de vectorización integrados que llaman a modelos de embedding durante la ingesta, además de una API GraphQL y soporte multimodal nativo. Elija Qdrant para máximo rendimiento sobre vectores pre-generados; elija Weaviate cuando quiera que la base de datos gestione la vectorización y necesite la sintaxis de consulta GraphQL o colecciones multimodales.",{"q":65,"a":66},"¿Cuánta RAM necesita Weaviate?","Weaviate consume 400–600 MB en reposo. La memoria total escala con su índice: los parámetros HNSW, el número de objetos y la dimensión de sus vectores son los factores principales. Un VPS de 4 GB maneja cómodamente colecciones de cientos de miles de objetos con vectores de 1536 dimensiones. Habilite la cuantificación binaria para despliegues a gran escala y reduzca la memoria hasta 32×.",{"q":68,"a":69},"¿Necesito una clave de OpenAI para usar Weaviate?","No. Establecer `DEFAULT_VECTORIZER_MODULE=none` (el valor por defecto en este despliegue) significa que Weaviate nunca llama a una API de embedding externa. Usted suministra sus propios vectores en cada importación. Los módulos text2vec-openai, text2vec-cohere y otros módulos en la nube son opcionales — actívelos solo si quiere que Weaviate llame al servicio de embedding automáticamente.",{"q":71,"a":72},"¿Puedo usar Weaviate junto con Qdrant en el mismo VPS?","Sí. Weaviate escucha en los puertos 8080 (REST\u002FGraphQL) y 50051 (gRPC); Qdrant en el 6333 (REST) y 6334 (gRPC) — sin conflicto de puertos. Ambos se despliegan en un único contenedor. En un VPS de 4 GB, ejecutar ambos simultáneamente es posible pero ajustado; un VPS de 8 GB ofrece margen cómodo para las dos bases de datos más una herramienta de inferencia como Ollama.",{"q":74,"a":75},"¿Qué frameworks se integran de forma nativa con Weaviate?","LangChain, LlamaIndex, Haystack y DSPy incluyen todos un conector de almacén vectorial para Weaviate. Las bibliotecas de cliente oficiales cubren Python, Go, TypeScript y Java. Cualquier herramienta capaz de HTTP también puede utilizar directamente la API REST o GraphQL.",{"ram":77,"cpu":78,"stack":79,"port":82,"disk":83},"2 GB","1 vCPU",[80,81],"Docker","Go","8080","20 GB",[],[86,94,100],{"name":87,"slug":88,"categorySlug":15,"categoryName":89,"categoryColor":90,"logo":91,"tagline":92,"description":93},"Qdrant","qdrant","Inteligencia Artificial","text-purple-400 bg-purple-500\u002F10","https:\u002F\u002Fcdn.jsdelivr.net\u002Fgh\u002Fselfhst\u002Ficons\u002Fsvg\u002Fqdrant.svg","Base de datos vectorial autoalojada para la búsqueda semántica y el RAG: indexe y consulte sus embeddings en unos milisegundos, en su VPS.","Base de datos vectorial autoalojada para la búsqueda semántica y el RAG. Almacene, indexe y consulte embeddings de alta dimensión con indexación HNSW: la capa de infraestructura que le falta a su pila de LLM.",{"name":95,"slug":96,"categorySlug":15,"categoryName":89,"categoryColor":90,"logo":97,"tagline":98,"description":99},"Ollama","ollama","https:\u002F\u002Fcdn.simpleicons.org\u002Follama","Sirva LLM de código abierto desde su VPS — API compatible con OpenAI, sin coste por token.","Sirva LLM de código abierto desde su propio servidor. Descargue Llama 3, Mistral, Qwen o DeepSeek con un solo comando, detrás de una API compatible con OpenAI y sin coste por token.",{"name":101,"slug":102,"categorySlug":15,"categoryName":89,"categoryColor":90,"logo":103,"tagline":104,"description":105},"Open WebUI","open-webui","https:\u002F\u002Fcdn.jsdelivr.net\u002Fgh\u002Fselfhst\u002Ficons\u002Fsvg\u002Fopen-webui.svg","Interfaz web para sus LLM — Ollama, OpenAI, Mistral — alojada en su propio servidor.","Interfaz web para interactuar con sus LLM locales o remotos. Sus datos permanecen en su infraestructura — ningún tercero implicado.",[107,108,109],"heberger-weaviate-vps","heberger-qdrant-vps","heberger-ollama-vps",{"key":12,"slug":15,"name":89,"objective":111,"icon":112,"color":90},"Crear, alojar y operar soluciones de IA.","ai",1790092273934]