De combien de RAM Weaviate a-t-il besoin ?

Weaviate lui-même consomme 400–600 Mo au repos. La mémoire totale dépend de votre index : paramètres HNSW, nombre d'objets et dimension des vecteurs. Un VPS 4 Go gère confortablement des collections de quelques centaines de milliers d'objets en 1536 dimensions.

Quels frameworks s'intègrent nativement avec Weaviate ?

LangChain, LlamaIndex, Haystack et DSPy disposent tous d'un connecteur de vector store Weaviate. Les clients officiels couvrent Python, Go, TypeScript et Java.

Puis-je utiliser Weaviate et Qdrant sur le même VPS ?

Oui — Weaviate sur 8080/50051, Qdrant sur 6333/6334, aucun conflit de ports. Sur un VPS 4 Go c'est possible mais serré ; 8 Go est plus confortable pour les deux bases de données plus Ollama.

Créer, héberger et exploiter des solutions IA.

Weaviate

Base de données vectorielle multimodale auto-hébergée — GraphQL, RAG et vectorizers intégrés sur votre VPS.

2 Go RAM 1 vCPU Port 8080 En validation

En validation

L'installation automatique de cette solution est prête et passe actuellement nos tests sur serveur réel. La commande ouvrira dès que la validation sera terminée.

Stack technique

DockerGo

RAM minimum2 Go

CPU minimum1 vCPU

Port par défaut8080

OS compatiblesDistributions Linux au choix

Weaviate est une base de données vectorielle open source qui combine recherche sémantique, GraphQL et vectorizers intégrés pour vos pipelines RAG et de recherche multimodale, sur votre VPS.

Fonctionnalités clés

Vectorizers intégrés — text2vec-openai, text2vec-cohere, img2vec : Weaviate vectorise à l'ingestion

API GraphQL et REST — requêtes par similarité, filtres scalaires ou combinaison dans la même requête

Collections multimodales — texte, images et métadonnées dans le même objet Weaviate

Intégrations natives LangChain, LlamaIndex et Haystack

Licence BSD-3-Clause — auditable, sans télémétrie, air-gap possible

Runtime Go — faible empreinte mémoire, démarrage rapide

Quand utiliser cette solution ?

1

Mémoire de pipeline RAG

Indexez documentation, base de connaissance ou catalogue produit dans Weaviate. À chaque requête utilisateur, récupérez les k passages les plus pertinents et fournissez-les en contexte au LLM.

2

Recherche sémantique sur documents

Remplacez la recherche par mots-clés par une récupération basée sur le sens. Une requête « résolution litige facture » remonte les résultats sur « traitement de conflit de facturation » même si ces mots n'apparaissent pas.

3

Récupération multimodale

Stockez images produit et descriptions dans la même collection Weaviate, et cherchez par similarité d'image, de texte ou les deux combinés.

Déployer Weaviate sur votre VPS

Guide optimisé pour les VPS Cloud ServOrbit.

01

Commander le VPS

2 Go de RAM minimum (4 Go recommandés). Ubuntu 24.04 + Docker pré-installés par la recette.

02

Déployer depuis le Marketplace

Marketplace → Intelligence Artificielle → Weaviate → Déployer. L'image semitechnologies/weaviate:1.27.2 démarre en quelques secondes. Les API REST et GraphQL répondent sur le port 8080 lié à 127.0.0.1 ; gRPC sur 50051, même contrainte.

03

Se connecter pour la première fois

Aucune clé API n'est requise — accès anonyme activé par défaut. Ouvrez un tunnel SSH : ssh -L 8080:127.0.0.1:<port> root@<ip-vps> puis interrogez http://localhost:8080/v1/schema.

04

Créer un schéma et ingérer

Définissez une classe via REST, choisissez vectorizer: none pour fournir vos propres embeddings, ou text2vec-openai pour laisser Weaviate vectoriser automatiquement à l'ingestion.

05

Interroger en GraphQL ou REST

Requête nearVector en GraphQL ou endpoint /v1/objects en REST. Clients officiels disponibles pour Python, Go, TypeScript et Java.

06

Sécuriser l'instance

Ajoutez AUTHENTICATION_APIKEY_ENABLED=true et AUTHENTICATION_APIKEY_ALLOWED_KEYS=<votre-clé> aux variables d'environnement et redémarrez. Le port peut ensuite être publié derrière un nom de domaine.

Questions fréquentes

Qdrant (Rust) se concentre sur la recherche par similarité vectorielle pure avec des filtres de payload — sans schéma ni vectorisation. Weaviate (Go) ajoute une couche de schéma, des vectorizers intégrés qui appellent des modèles d'embedding à l'ingestion, une API GraphQL et un support multimodal natif. Choisissez Qdrant pour les performances brutes sur des vecteurs pré-calculés ; choisissez Weaviate quand vous voulez que la base gère la vectorisation et que vous avez besoin de la syntaxe GraphQL ou de collections multimodales.

Non. Le paramètre DEFAULT_VECTORIZER_MODULE=none (défaut de ce déploiement) indique à Weaviate de ne jamais appeler d'API d'embedding externe. Vous fournissez vos propres vecteurs à chaque import. Les modules text2vec-openai, text2vec-cohere… sont optionnels.

Solutions complémentaires

Intelligence Artificielle

Weaviate n'est pas encore commandable.