Vector Databases: Pinecone, Weaviate & pgvector · Lekcja

Korzystanie z modułów Weaviate

Pozna Pan/Pani rozbudowany ekosystem modułów Weaviate i zintegruje go z aplikacją, korzystając z funkcji takich jak pytania i odpowiedzi, podsumowywanie oraz innych.

Korzystanie z modułów Weaviate to bezpłatna lekcja Vector Databases: Pinecone, Weaviate & pgvector na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Vector Databases: Pinecone, Weaviate & pgvector, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Vector Databases: Pinecone, Weaviate & pgvector zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

Weaviate Modules Introduction

Weaviate's power comes from its flexible architecture, which can be extended using modules. These modules add specialized functionalities directly to your Weaviate instance.

Think of them as plugins that enhance Weaviate's core capabilities. They can handle tasks like generating embeddings, performing Q&A, or even processing images.

Why Use Weaviate Modules?

Modules streamline your data pipeline by integrating advanced AI functionalities directly into your vector database. This means:

Automatic Vectorization: Weaviate can create embeddings for you.
Enhanced Search: Add capabilities like Q&A or summarization to queries.
Simplified Development: Less external code needed for common AI tasks.
Multi-modal Support: Handle various data types like text and images.

Types of Modules

Weaviate offers a rich ecosystem of modules, typically categorized by their function:

Text2Vec: Generate vector embeddings from text (e.g., text2vec-openai, text2vec-huggingface).
Generative: Add Large Language Model (LLM) capabilities for Q&A, summarization (e.g., generative-openai, generative-cohere).
Multi-modal: Process different data types like images (e.g., img2vec-clip).
Rerank: Improve search relevance by reordering results.

Enabling Modules for Use

Before you can use a module, it must be enabled in your Weaviate instance. This is typically done during setup (e.g., via Docker Compose) or when using Weaviate Cloud.

When you initialize your client, you often specify the modules you intend to use. For example, to use text2vec-openai and generative-openai, you'd configure your client accordingly.

Text2Vec: Auto-Vectorization

The text2vec modules are fundamental for automatically creating vector embeddings. When you define a class schema, you specify which vectorizer to use.

Weaviate then takes care of calling the embedding model for you whenever new data is imported, turning your text into searchable vectors.

Code: Schema with Text2Vec Module

Here's how to define a schema that uses the text2vec-openai module to automatically vectorize the description property of a 'Article' class:

import weaviate
import os

# NOTE: Replace with your Weaviate URL and API key
# and OpenAI API key if using text2vec-openai
# client = weaviate.Client(
#   url="YOUR_WEAVIATE_URL",
#   auth_client_secret=weaviate.AuthApiKey(api_key="YOUR_WEAVIATE_API_KEY"),
#   headers={
#     "X-OpenAI-Api-Key": os.environ.get("OPENAI_API_KEY") # Or your key
#   }
# )

# For demonstration, we'll just show the schema
# and assume client is configured.

class_obj = {
    "class": "Article",
    "vectorizer": "text2vec-openai", # Enable vectorization
    "moduleConfig": {
        "text2vec-openai": {
            "model": "ada",
            "modelVersion": "002",
            "type": "text"
        }
    },
    "properties": [
        {
            "name": "title",
            "dataType": ["text"]
        },
        {
            "name": "description",
            "dataType": ["text"]
        }
    ]
}

# client.schema.create_class(class_obj)
print("Schema definition for Article class:")
print(class_obj)

# This code isn't runnable as is without a Weaviate instance and API keys
# but demonstrates the schema structure.

Generative Modules for LLMs

Generative modules (like generative-openai) allow you to integrate Large Language Models (LLMs) directly into your Weaviate queries. This enables powerful features such as:

Q&A: Ask questions about your retrieved data.
Summarization: Get summaries of search results.
Extraction: Pull specific information from context.

You use these modules via the _additional { generate { ... } } GraphQL syntax in your queries.

Code: Query with Generative Module

Here's a conceptual example of how to use a generative module to get an answer to a question based on retrieved data. Assume a 'Question' class exists with relevant data.

import weaviate
import os

# NOTE: Replace with your Weaviate URL and API key
# client = weaviate.Client(
#   url="YOUR_WEAVIATE_URL",
#   auth_client_secret=weaviate.AuthApiKey(api_key="YOUR_WEAVIATE_API_KEY"),
#   headers={
#     "X-OpenAI-Api-Key": os.environ.get("OPENAI_API_KEY") # Or your key
#   }
# )

# For demonstration, we'll just show the query structure.

# query_result = client.query
#     .get("Question", ["question", "answer"])
#     .with_generate(single_prompt="What is the main topic of these questions?")
#     .with_limit(2)
#     .do()

print("Conceptual query using generative module:")
print("client.query.get(\"Question\", [\"question\"]).with_generate(...)")
print("This would ask an LLM to summarize or answer based on results.")

# This code is illustrative and not runnable without a Weaviate instance,
# data, and API keys.

Multi-modal & Advanced Modules

Beyond text, Weaviate supports multi-modal modules like img2vec-clip, which can generate embeddings for images. This allows you to perform similarity searches on visual data.

Other advanced modules include those for reranking search results (e.g., rerank-transformers) to boost relevance, ensuring users see the most pertinent information first.

Module Best Practices

When using Weaviate modules, consider these best practices:

Choose Wisely: Select modules that align with your specific application needs (e.g., OpenAI for general text, Hugging Face for specialized models).
Monitor Costs: Many modules rely on external APIs (like OpenAI), which incur costs. Monitor usage and set limits.
Version Control: Keep track of module versions as they can impact embedding quality or generative output.
Security: Protect your API keys and ensure proper access control to your Weaviate instance.

Module Capabilities Check

Which of the following are primary benefits of using Weaviate modules?

Recap & Next Steps

In this lesson, we explored Weaviate's powerful module ecosystem. We learned that modules extend Weaviate's capabilities for tasks like automatic vectorization (text2vec), generative AI (generative), and multi-modal data handling (img2vec).

By integrating these modules, you can build more sophisticated and efficient AI applications directly on top of your Weaviate instance. Understanding how to enable and configure them is key to unlocking advanced functionalities.

Często zadawane pytania

Czy lekcja „Korzystanie z modułów Weaviate” jest bezpłatna?

Tak — pełny tekst „Korzystanie z modułów Weaviate” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Vector Databases: Pinecone, Weaviate & pgvector, przejdź na CoddyKit PRO. Kurs Vector Databases: Pinecone, Weaviate & pgvector zawiera 4 lekcji w sumie.

Co nauczysz się w „Korzystanie z modułów Weaviate”?

Pozna Pan/Pani rozbudowany ekosystem modułów Weaviate i zintegruje go z aplikacją, korzystając z funkcji takich jak pytania i odpowiedzi, podsumowywanie oraz innych. Ćwiczysz Vector Databases: Pinecone, Weaviate & pgvector z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Vector Databases: Pinecone, Weaviate & pgvector?

Nie wymagamy żadnego doświadczenia. Vector Databases: Pinecone, Weaviate & pgvector w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.

Ile czasu zajmuje lekcja „Korzystanie z modułów Weaviate”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Vector Databases: Pinecone, Weaviate & pgvector?

Tak. Każda lekcja Vector Databases: Pinecone, Weaviate & pgvector zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

Wyszukiwanie semantyczne i hybrydowe
Korzystanie z modułów Weaviate
Strategie tworzenia kopii zapasowych i przywracania
Wielodostępność w Weaviate

← Powrót do Vector Databases: Pinecone, Weaviate & pgvector