Weaviate : définition, fonctionnement et auto-hébergement

Weaviate est une base de données conçue pour stocker des objets accompagnés de leurs vecteurs, et pour les retrouver par proximité de sens. Chaque objet porte des propriétés classiques (titre, contenu, date, catégorie) et un ou plusieurs embeddings. On peut ensuite chercher les objets les plus proches d'une question, filtrer sur leurs propriétés et combiner cette recherche avec une recherche par mots-clés.

Le projet est développé par l'entreprise néerlandaise Weaviate, basée à Amsterdam et cofondée notamment par Bob van Luijt. Elle s'appelait SeMI Technologies jusqu'en 2023, avant d'adopter le nom de son produit phare. Le moteur est écrit en Go et publié sous licence BSD-3-Clause, une licence permissive qui autorise l'usage commercial et l'auto-hébergement sans contrainte. L'éditeur finance le projet par une offre managée, Weaviate Cloud.

Ce double modèle est la clé de son positionnement. Là où Pinecone n'existe qu'en service managé, Weaviate peut tourner sur un poste de développement avec Docker, sur un cluster Kubernetes dans votre cloud ou votre centre de données, ou chez l'éditeur. C'est souvent ce qui le fait retenir pour les projets RAG soumis à des exigences de souveraineté ou de confidentialité.

À retenir : Weaviate n'est pas seulement un index de vecteurs. Il stocke les objets complets, peut calculer leurs embeddings lui-même et combine nativement recherche sémantique et recherche lexicale.

L'exemple suivant crée une collection d'articles de base de connaissances, laisse Weaviate calculer les embeddings avec un modèle OpenAI, puis lance une recherche hybride filtrée. Il utilise le client Python v4 (paquet weaviate-client), qui communique avec le serveur en gRPC, et la syntaxe de configuration vector_config des versions récentes du client.

import os

import weaviate
from weaviate.classes.config import Configure, DataType, Property
from weaviate.classes.query import Filter

client = weaviate.connect_to_local(
    headers={"X-OpenAI-Api-Key": os.environ["OPENAI_API_KEY"]}
)

try:
    # 1. Collection : propriétés typées et vectorisation automatique
    if not client.collections.exists("Article"):
        client.collections.create(
            "Article",
            vector_config=Configure.Vectors.text2vec_openai(model="text-embedding-3-small"),
            properties=[
                Property(name="titre", data_type=DataType.TEXT),
                Property(name="contenu", data_type=DataType.TEXT),
                Property(name="categorie", data_type=DataType.TEXT),
            ],
        )
    articles = client.collections.use("Article")

    # 2. Import par lots : Weaviate calcule les embeddings
    documents = [
        {"titre": "Télétravail", "contenu": "Les cadres peuvent télétravailler deux jours par semaine.", "categorie": "RH"},
        {"titre": "Notes de frais", "contenu": "Les notes de frais sont remboursées sous 30 jours.", "categorie": "Finance"},
        {"titre": "Accord QVT-2026", "contenu": "L'accord QVT-2026 précise les règles de déconnexion.", "categorie": "RH"},
    ]
    with articles.batch.dynamic() as batch:
        for doc in documents:
            batch.add_object(properties=doc)

    # 3. Recherche hybride : BM25 et vecteurs, pondérés par alpha
    response = articles.query.hybrid(
        query="combien de jours de télétravail pour les cadres",
        alpha=0.5,
        limit=3,
        filters=Filter.by_property("categorie").equal("RH"),
    )
    for obj in response.objects:
        print(obj.properties["titre"])
finally:
    client.close()

La recherche hybride trouve l'article sur le télétravail par le sens de la question, mais retrouverait aussi l'accord QVT-2026 sur une requête contenant sa référence exacte, là où une recherche purement vectorielle peut échouer. Le paramètre alpha règle l'équilibre entre les deux. Les mêmes objets peuvent être exploités par LlamaIndex ou LangChain, qui disposent d'intégrations Weaviate, pour construire le reste du pipeline RAG.

Weaviate propose plusieurs modes de déploiement, avec la même API dans tous les cas.

• Docker : un conteneur unique pour le développement et les petits volumes. Un fichier Docker Compose suffit à décrire l'instance et ses modules.
• Kubernetes : la cible de production auto-hébergée, avec un chart Helm officiel. Le cluster répartit les collections en shards sur plusieurs nœuds et les réplique pour la haute disponibilité.
• Weaviate Cloud : l'offre managée de l'éditeur, qui prend en charge l'exploitation, les mises à jour et les sauvegardes.
• Mode embarqué : une instance lancée directement depuis le code Python, pratique pour des tests.

Voici un fichier Docker Compose minimal pour un environnement de développement. La version de l'image est volontairement fournie par une variable : en production, on fixe toujours une version précise.

services:
  weaviate:
    image: cr.weaviate.io/semitechnologies/weaviate:${WEAVIATE_VERSION}
    ports:
      - "8080:8080"    # API REST et GraphQL
      - "50051:50051"  # gRPC, utilisé par le client Python v4
    environment:
      PERSISTENCE_DATA_PATH: "/var/lib/weaviate"
      ENABLE_MODULES: "text2vec-openai,generative-openai"
      AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED: "true"  # développement uniquement
      CLUSTER_HOSTNAME: "node1"
    volumes:
      - weaviate_data:/var/lib/weaviate
volumes:
  weaviate_data:

En auto-hébergé, plusieurs réglages pèsent directement sur la facture et la performance. L'index vectoriel par défaut, HNSW, est un graphe conservé en mémoire : sa taille croît avec le nombre et la dimension des vecteurs. Les techniques de compression (quantification des vecteurs) réduisent fortement cette empreinte. Pour les petites collections, notamment les tenants peu volumineux, un index plat sans graphe suffit.

Recherche hybride et multi-tenancy

Deux fonctionnalités justifient souvent le choix de Weaviate. La recherche hybride exécute en parallèle une recherche BM25 et une recherche vectorielle, puis fusionne leurs scores. Le principe de fusion est proche de celui décrit dans notre article sur la Reciprocal Rank Fusion. La multi-tenancy attribue à chaque tenant son propre shard au sein d'une collection : les données d'un client sont physiquement isolées, et un tenant inactif peut être déchargé de la mémoire. C'est l'outil adapté pour un SaaS qui sert des milliers de clients avec une seule collection.

La fiche Pinecone compare les bases vectorielles sous l'angle du service managé. Ici, la question est inverse : que gagne-t-on, et que doit-on assumer, en choisissant une base open source que l'on peut héberger soi-même ?

Le bon choix dépend des compétences de l'équipe autant que des contraintes. Une équipe qui exploite déjà des conteneurs sur Kubernetes intégrera Weaviate sans difficulté et gardera la maîtrise complète de ses données. Une équipe sans compétence d'exploitation gagnera du temps avec un service managé, qu'il s'agisse de Pinecone ou de Weaviate Cloud.