Principais conclusões
- O núcleo do Weaviate tem licença BSD-3-Clause; os recursos dentro do diretório
wl/do repositório são cobertos por uma Weaviate License separada que exige umaLICENSE_KEYpaga para ser ativada - Totalmente auto-hospedável via Docker, Docker Compose ou charts de Kubernetes/Helm — nenhuma conta externa é necessária para rodar o núcleo com licença BSD
- O Weaviate Cloud é um serviço gerenciado separado e opcional, com preços baseados em uso e um nível gratuito, para equipes que não querem operar seu próprio cluster
- Combina busca por similaridade vetorial com busca por palavras-chave BM25 em uma única consulta híbrida, além de filtragem por propriedades estruturadas dos objetos
- Oferece APIs REST, GraphQL e gRPC, com bibliotecas cliente oficiais para Python, TypeScript/JavaScript, Go, Java e C#/.NET
- Suporta módulos de vetorização integrados para OpenAI, Cohere, HuggingFace, Google e Ollama, ou permite usar vetores já calculados por você
- O repositório no GitHub mostra cerca de 16.800 estrelas e cerca de 1.400 forks em setembro de 2026
- Desenvolvido e mantido pela Weaviate B.V., sediada em Amsterdã, Países Baixos
📍 Em uma frase
O Weaviate é um banco de dados vetorial auto-hospedável com núcleo BSD-3-Clause para RAG e busca semântica, com um conjunto definido de recursos bloqueados sob uma licença proprietária separada que exige uma chave paga.
💬 Em termos simples
Em vez de pagar a um fornecedor de banco de dados vetorial para armazenar e buscar seus embeddings, o Weaviate permite que você rode o banco de dados sozinho no Docker ou no Kubernetes, de graça, usando o núcleo com licença BSD. Um conjunto menor de recursos avançados fica em uma parte separada do código, que só é ativada se você comprar uma chave de licença — tudo o resto funciona sem ela.
📌Nota: Esta análise é o complemento aprofundado da entrada do Weaviate no Local LLM Software Directory — veja essa página para comparar o Weaviate rapidamente com dezenas de outras ferramentas de IA local.
O que é o Weaviate?
O Weaviate é um banco de dados vetorial open-core que armazena juntos os objetos de dados e seus embeddings vetoriais, permitindo buscar por significado, por palavra-chave, ou pelos dois ao mesmo tempo. A própria descrição no GitHub o define como "um banco de dados vetorial de código aberto e nativo de nuvem que armazena tanto objetos quanto vetores". Diferente de um índice vetorial adicionado depois a um banco de dados já existente, o Weaviate foi construído desde o início como um armazenamento nativamente vetorial, com esquema estruturado, filtragem e multi-tenancy integrados.
- Função principal: um banco de dados que indexa embeddings vetoriais junto com dados de objetos estruturados, consultável via REST, GraphQL ou gRPC
- Modos de busca: busca vetorial pura (vizinhos mais próximos), busca por palavras-chave BM25, e busca híbrida que combina as duas em uma única consulta
- Vetorização: módulos de integração embutidos para modelos de embedding da OpenAI, Cohere, HuggingFace, Google e Ollama, ou você pode fornecer diretamente seus próprios vetores já calculados
- Implantação: Docker, Docker Compose, Kubernetes/Helm, um cliente Python embutido para prototipagem local, ou o serviço gerenciado Weaviate Cloud
- Desenvolvedor: Weaviate B.V., empresa sediada em Amsterdã, Países Baixos
- Repositório canônico: github.com/weaviate/weaviate — a fonte do histórico de versões, dos arquivos de licença e das notas de lançamento usadas nesta análise
Histórico do projeto e marcos de versão do Weaviate
O Weaviate está em desenvolvimento ativo há vários anos e agora lança versões pontuais com frequência, muitas vezes com várias versões menores no mesmo mês. O projeto cresceu de um simples motor de busca vetorial para uma plataforma mais ampla que também inclui busca generativa (RAG), reranking, um Query Agent em linguagem natural e recursos corporativos como controle de acesso baseado em papéis e multi-tenancy.
- 1v1.19 — Busca híbrida disponível de forma geral
Why it matters: Combinou a busca por palavras-chave BM25 e a busca vetorial em um único tipo de consulta, um recurso que continua central no posicionamento do Weaviate frente a bancos de dados puramente vetoriais. - 2v1.24 — Vetores nomeados
Why it matters: Permitiu que um único objeto contivesse múltiplas representações vetoriais (por exemplo, uma por modelo de embedding ou uma por propriedade), útil para configurações RAG multimodelo. - 3v1.25–v1.26 — Melhorias de multi-tenancy e replicação
Why it matters: Reforçou o isolamento entre inquilinos e a durabilidade dos dados para implantações de produção com múltiplos clientes. - 4v1.27–v1.28 — Melhorias na compressão de vetores (RQ/PQ)
Why it matters: Reduziu o uso de memória em implantações de larga escala ao comprimir os vetores armazenados, uma alavanca direta de custo para clusters auto-hospedados. - 5v1.29–v1.30 — Controle de acesso baseado em papéis (RBAC)
Why it matters: Adicionou permissões granulares, um requisito para muitas implantações corporativas e regulamentadas que rodam o Weaviate na própria infraestrutura. - 6v1.38 — versão pontual de setembro de 2026
Why it matters: Deu continuidade ao ritmo acelerado do projeto com trabalho de performance em filtragem e métricas de módulos, segundo a [página oficial de releases no GitHub](https://github.com/weaviate/weaviate/releases). - 7v1.39 — setembro de 2026
Why it matters: Adicionou um novo módulo generative-meta e mais melhorias de performance no índice HNSW e em consultas de agregação, segundo a [página oficial de releases no GitHub](https://github.com/weaviate/weaviate/releases).
O que dá para fazer com o Weaviate?
O conjunto de recursos do Weaviate se concentra em armazenar e consultar vetores em escala, mantendo ao mesmo tempo a filtragem estruturada e a busca por palavras-chave disponíveis na mesma consulta. Veja o que cada parte realmente faz, segundo o próprio README no GitHub e a documentação do Weaviate.
- Busca vetorial — busca de vizinhos mais próximos sobre embeddings de alta dimensão, apoiada por um índice HNSW, para encontrar objetos semanticamente semelhantes
- Busca híbrida — combina similaridade vetorial com pontuação de palavras-chave BM25 em uma única consulta, útil quando nem a busca puramente semântica nem a puramente por palavras-chave sozinhas entregam os melhores resultados
- Filtragem estruturada — filtra resultados de busca vetorial por propriedades do objeto (datas, números, strings, coordenadas geográficas) na mesma consulta, em vez de processar os resultados depois no código da aplicação
- Busca generativa (RAG) — passa os objetos recuperados diretamente para um provedor de LLM conectado para gerar uma resposta, um resumo ou uma transformação dos resultados, sem uma camada de orquestração separada
- Query Agent — traduz automaticamente perguntas em linguagem natural em consultas Weaviate otimizadas, segundo as próprias páginas de produto do Weaviate
- Módulos de vetorização — integrações embutidas para gerar embeddings via OpenAI, Cohere, HuggingFace, Google e Ollama, ou você pode indexar vetores calculados por você mesmo
- Multi-tenancy e RBAC — isola dados por inquilino e controla o acesso com permissões baseadas em papéis, voltado para implantações de produção, multi-cliente ou regulamentadas
- Escalonamento horizontal e replicação — fragmenta e replica dados entre nós para conjuntos de dados maiores e maior disponibilidade em clusters auto-hospedados
Exemplos de uso: três formas de usar o Weaviate
Estes são fluxos de trabalho concretos construídos a partir dos recursos documentados do Weaviate acima — não são casos de uso hipotéticos.
Instalar o Weaviate: Docker, Kubernetes e modo embutido
O Weaviate não é um aplicativo de desktop para baixar — é um servidor de banco de dados que você mesmo opera, ou que você consome como serviço gerenciado na nuvem. Os caminhos de instalação abaixo vêm do README oficial no GitHub e da documentação — sempre verifique essas páginas diretamente, já que as tags de versão exatas mudam entre lançamentos.
Método | Comando / Link |
|---|---|
| Docker (contêiner único, teste rápido) | docker run -p 8080:8080 -p 50051:50051 cr.weaviate.io/semitechnologies/weaviate:1.39.5 |
| Docker Compose | Gere um docker-compose.yml pelo configurador oficial, depois rode docker compose up -d |
| Kubernetes / Helm | Chart oficial do Helm, segundo o guia de instalação do Kubernetes |
| Embutido (cliente Python) | Instância local embutida via weaviate-client, para prototipagem — veja a documentação oficial |
| Weaviate Cloud (gerenciado, opcional) | console.weaviate.cloud — sem necessidade de auto-hospedagem, preços baseados em uso com nível gratuito |
Por padrão, o Weaviate expõe HTTP na porta 8080 e gRPC na porta 50051; verifique se a instância está ativa com curl http://localhost:8080/v1/meta. O Weaviate em si não tem um requisito mínimo fixo de hardware além de rodar Docker ou Kubernetes, mas o desempenho utilizável em escala depende do tamanho do conjunto de dados, do tipo de índice escolhido e de você ativar ou não a compressão de vetores — uma coleção pequena roda tranquilamente em um notebook, enquanto um índice de produção grande precisa de um servidor dimensionado para sua quantidade de vetores e dimensionalidade.
Preços e licenciamento do Weaviate
Auto-hospedar o núcleo BSD-3-Clause é gratuito; um conjunto definido de recursos bloqueados e o serviço gerenciado Weaviate Cloud são pagos. Este é um modelo genuinamente dividido, não um simples "open core com upsell corporativo" — verifique os termos exatos no arquivo LICENSE para sua própria análise de conformidade.
Auto-hospedado (núcleo BSD-3-Clause)
- Quanto custa:
- Gratuito
- O que cobre:
- O motor completo do banco de dados vetorial fora do diretório
wl/— busca vetorial, busca híbrida, filtragem, a maioria das integrações de módulos e escalonamento autogerenciado
Auto-hospedado, recursos bloqueados de wl/
- Quanto custa:
- Exige uma chave de Weaviate License paga (variável de ambiente
LICENSE_KEY) - O que cobre:
- Um subconjunto definido de recursos dentro do diretório
wl/do repositório — consulte o arquivo LICENSE para o escopo atual, já que quais recursos ficam bloqueados pode mudar entre lançamentos
Weaviate Cloud (gerenciado)
- Quanto custa:
- Preços baseados em uso com nível gratuito, segundo weaviate.io
- O que cobre:
- Um cluster totalmente gerenciado sem necessidade de auto-hospedagem ou gerenciamento de chave de licença; separado do modelo de licenciamento auto-hospedado acima
O próprio diretório de software da PromptQuorum antes listava a licença do Weaviate simplesmente como código aberto. Com base em uma leitura direta dos arquivos LICENSE e LICENSE-BSD no repositório GitHub do Weaviate no momento desta análise, isso subestima a divisão: os próprios metadados do repositório no GitHub reportam a licença como "Other" justamente porque o código principal (BSD-3-Clause) e o código do diretório wl/ (Weaviate License proprietária, bloqueada por chave) têm licenças diferentes. Leia você mesmo os arquivos LICENSE antes de basear uma decisão jurídica nessa distinção — o escopo da licença pode mudar entre lançamentos.
Weaviate vs. Qdrant
O Weaviate e o Qdrant estão entre os bancos de dados vetoriais auto-hospedáveis mais usados, e costumam ser comparados porque ambos oferecem um núcleo gratuito e auto-hospedado, além de um nível opcional de nuvem gerenciada. As diferenças mais claras estão no modelo de consulta, na estrutura de licenciamento e na superfície de API.
Licença do núcleo
- Weaviate:
- BSD-3-Clause, mais uma licença proprietária separada para recursos do diretório
wl/ - Qdrant:
- Apache-2.0 para o motor principal — veja a análise do Qdrant para os detalhes da sua própria licença
APIs de consulta
- Weaviate:
- REST, GraphQL e gRPC
- Qdrant:
- REST e gRPC (sem GraphQL)
Busca híbrida
- Weaviate:
- Integrada, combinando busca vetorial e por palavras-chave BM25 em uma consulta
- Qdrant:
- Suportada via fusão de vetores sparse+dense
Busca generativa / auxílios de RAG
- Weaviate:
- Módulo de busca generativa integrado que chama diretamente um provedor de LLM conectado
- Qdrant:
- Não é um recurso central integrado; normalmente combinado com uma camada de orquestração externa
Modelo de dados
- Weaviate:
- Objetos baseados em esquema com propriedades e vetores nomeados
- Qdrant:
- Points com payloads (JSON flexível) e vetores
Opção de nuvem gerenciada
- Weaviate:
- Weaviate Cloud, baseado em uso com nível gratuito
- Qdrant:
- Qdrant Cloud, baseado em uso com nível gratuito
Se a sua prioridade é um banco de dados que também cuide da etapa de recuperação até geração em uma única consulta (busca generativa), junto com suporte a GraphQL, o conjunto de recursos do Weaviate já cobre mais de fábrica. Se a sua prioridade é um núcleo mais simples, uniformemente licenciado sob Apache-2.0 e sem bloqueio de recursos para acompanhar, avalie o Qdrant diretamente. Ambos são mantidos ativamente; verifique os detalhes atuais de recursos e preços no site de cada projeto antes de decidir.
Quem deveria usar o Weaviate?
O Weaviate ser ou não a escolha certa depende de você querer um banco de dados vetorial baseado em esquema com busca híbrida e generativa integradas, e de o licenciamento dividido entre BSD e proprietário funcionar para a sua organização.
Weaviate vs. outros bancos de dados vetoriais
O Weaviate é um dos vários bancos de dados vetoriais auto-hospedáveis construídos para RAG e busca semântica. Veja como ele se posiciona ao lado de outras opções nesse espaço — consulte o Local LLM Software Directory para o catálogo completo, e a comparação dedicada Weaviate vs. Qdrant acima para o confronto mais direto.
- Qdrant — um banco de dados vetorial licenciado sob Apache-2.0 com APIs REST e gRPC e forte suporte a busca híbrida sparse+dense; veja a seção de comparação dedicada acima e a análise completa do Qdrant.
- Milvus — um banco de dados vetorial licenciado sob Apache-2.0 construído para implantações em escala muito grande, com um conjunto mais amplo de tipos de índice do que a maioria das alternativas; veja a análise do Milvus para todos os detalhes.
- Chroma — um banco de dados vetorial mais leve, focado em embeddings, popular para prototipagem e projetos RAG menores graças a uma configuração mínima; veja a análise do Chroma.
- txtai — uma biblioteca embutida tudo-em-um de busca semântica e RAG que incorpora a indexação vetorial diretamente em uma aplicação Python em vez de rodar como um servidor separado; veja a análise do txtai se uma abordagem embutida de processo único se encaixar melhor no seu projeto do que um servidor de banco de dados independente.
- Pinecone — um banco de dados vetorial totalmente gerenciado e de código fechado, sem nenhuma opção de auto-hospedagem, útil como caso de contraste se você quiser especificamente comparar um fornecedor somente em nuvem com opções auto-hospedáveis como o Weaviate; veja a comparação Pinecone vs. Weaviate vs. Qdrant vs. Chroma para uma análise direta entre quatro opções.
Erros comuns ao avaliar o Weaviate
A maior parte da confusão sobre o Weaviate vem da sua estrutura de licenciamento, da suposição de que ele exige o serviço em nuvem, ou de confundi-lo com uma simples biblioteca embutida.
Perguntas frequentes
O que é o Weaviate?
O Weaviate (weaviate.io, código-fonte em github.com/weaviate/weaviate) é um banco de dados vetorial open-core que armazena tanto objetos estruturados quanto seus embeddings vetoriais, suportando busca vetorial, busca por palavras-chave BM25, busca híbrida e busca generativa (RAG) integrada.
O Weaviate é gratuito?
O núcleo licenciado sob BSD-3-Clause é gratuito para auto-hospedar. Um conjunto definido de recursos dentro do diretório wl/ do repositório exige uma chave de Weaviate License paga para ser ativado. O Weaviate Cloud, a opção de hospedagem gerenciada, é um serviço separado baseado em uso com nível gratuito.
O Weaviate é open source? Qual licença ele usa?
Parcialmente. O núcleo do Weaviate é licenciado sob BSD-3-Clause. Um conjunto definido de recursos dentro do diretório wl/ do repositório é coberto por uma Weaviate License proprietária separada, que só é ativada com uma chave de licença paga. Os metadados do repositório no GitHub classificam a licença geral como "Other" por causa dessa divisão, em vez de uma única licença aprovada pela OSI cobrindo toda a base de código.
O Weaviate pode rodar totalmente offline ou isolado da rede?
Sim, para o banco de dados principal em si — ele roda inteiramente na sua própria infraestrutura sem exigir chamadas externas. Se você configurar um módulo de vetorização ou de busca generativa para um provedor em nuvem (OpenAI, Cohere e outros), essas chamadas específicas precisam de acesso à internet; aponte esses módulos para um motor hospedado localmente, como o Ollama, para um pipeline totalmente offline.
O Weaviate suporta busca híbrida?
Sim. O Weaviate combina busca por similaridade vetorial com busca por palavras-chave BM25 em uma única consulta híbrida, com um parâmetro alpha ajustável para dar mais peso a um dos modos.
O Weaviate tem uma API GraphQL?
Sim. O Weaviate expõe APIs REST, GraphQL e gRPC, com bibliotecas cliente oficiais para Python, TypeScript/JavaScript, Go, Java e C#/.NET.
Como instalar o Weaviate?
O caminho mais rápido é um único comando Docker (docker run -p 8080:8080 -p 50051:50051 cr.weaviate.io/semitechnologies/weaviate:<version>). Para produção, use Docker Compose ou o chart oficial de Kubernetes/Helm; para prototipagem local em Python, use o cliente embutido. Veja a tabela de instalação acima para mais detalhes.
O que é o Weaviate Cloud?
O Weaviate Cloud é o serviço de hospedagem opcional e totalmente gerenciado da Weaviate B.V., com preços baseados em uso e nível gratuito. Ele é separado do modelo de licenciamento auto-hospedado — você pode auto-hospedar o núcleo BSD-3-Clause indefinidamente sem nunca usar o Weaviate Cloud.
Quem desenvolve o Weaviate?
O Weaviate é desenvolvido pela Weaviate B.V., empresa sediada em Amsterdã, Países Baixos, com um repositório open source ativo em github.com/weaviate/weaviate.
Quantas estrelas o Weaviate tem no GitHub?
O repositório do Weaviate no GitHub mostra cerca de 16.800 estrelas e cerca de 1.400 forks em setembro de 2026 — confira o repositório ao vivo para o número atual, já que ele muda continuamente.