[Open Source] 五分鐘上手 Zvec：別錯過，立刻啟動 AI 應用！

讓你的AI應用飛起來！超輕量級向量資料庫 Zvec 讓你輕鬆上手！

嘿，各位熱愛 AI 的台灣朋友們！ 🚀 想要打造更聰明、更酷炫的 AI 應用嗎？ 常常聽到「向量資料庫」這個詞，但又覺得好像很複雜？ 別擔心，今天就要來介紹一個超棒的工具 – Zvec！ 它就像 AI 界的瑞士刀，讓你輕鬆儲存、搜尋大量資料，為你的應用注入無限可能！

什麼是向量資料庫？ 為什麼你需要它？ 🤔

簡單來說，向量資料庫就像一個特殊的資料庫，它儲存的不是傳統的文字、數字，而是「向量」。 向量就像是資料的指紋，它將複雜的資料 (例如：文字、圖片、影片) 轉換成一串數字，用來描述資料的特徵。

為什麼這很重要？ 因為 AI 模型 (例如：GPT 模型) 產生的資訊，以及用來辨識圖片、文字的embedding，都是以向量的形式存在。 想像一下，你想建立一個「以圖搜圖」的應用，或者讓 AI 更了解你的客戶需求，這時候，向量資料庫就能派上用場！

舉例來說：

• 以圖搜圖: 你可以將圖片轉換成向量，儲存在向量資料庫中。 當使用者上傳一張圖片時，系統也會將它轉換成向量，然後在資料庫中找到與它最相似的圖片。
• 搜尋客戶資訊: 你的客戶的購買紀錄、瀏覽紀錄，都可以轉換成向量，用來描述他們的興趣和偏好。 透過向量資料庫，你可以快速找到與特定客戶最相似的其他客戶，進而進行更精準的行銷。
• 個人化推薦系統: 將影片、音樂、文章等內容轉換成向量。 使用者觀看或閱讀過的內容，也會轉換成向量，然後在資料庫中找到相似的內容，推薦給使用者。

Zvec： 輕巧、快速，上手超簡單！ ✨

Zvec 是一個開源的、嵌入式 (in-process) 向量資料庫， 也就是說，它就像一個小程式庫，可以直接整合到你的應用程式中， 不需要額外的伺服器或複雜的設定！ 它的特色：

• 超快速度: 可以在毫秒內搜尋數十億個向量！ 🚀
• 超簡單: 安裝後，幾秒鐘就能開始使用， 不需要額外設定或伺服器。
• 靈活支援: 同時支援稠密向量 (dense vectors) 和稀疏向量 (sparse vectors)，可以處理各種不同的 AI 應用場景。
• 混合搜尋: 可以結合語義相似性 (semantic similarity) 和結構化篩選 (structured filters)，讓你找到更精準的結果。
• 跨平台: 可以在你的筆記本、伺服器、CLI 工具，甚至邊緣設備上執行。

快速上手： 五分鐘打造你的第一個 Zvec 應用！ ⏱️

現在就讓我們實際操作，體驗一下 Zvec 的威力吧！

步驟 1: 安裝 Zvec

首先，你需要安裝 Python (3.10 – 3.12 版本) 和 Zvec。 在你的終端機 (terminal) 中輸入：

pip install zvec

如果你是 Node.js 的愛好者，也可以這樣安裝：

npm install @zvec/zvec

步驟 2: 建立你的第一個向量資料庫

接著，我們來寫一些程式碼，建立一個簡單的向量資料庫，並儲存一些資料。 我們會使用 Python，因為它更容易上手。

import zvec

# 定義資料庫的架構 (schema)
schema = zvec.CollectionSchema(
    name="我的第一個資料庫",  # 資料庫名稱
    vectors=zvec.VectorSchema(
        "embedding",            # 向量的名稱
        zvec.DataType.VECTOR_FP32,  # 向量的資料類型 (FP32 是常用的浮點數)
        4,                        # 向量的維度 (dimension)
    ),
)

# 建立並開啟資料庫
collection = zvec.create_and_open(path="./zvec_demo", schema=schema)

# 插入資料
collection.insert([
    zvec.Doc(id="doc_1", vectors={"embedding": [0.1, 0.2, 0.3, 0.4]}),
    zvec.Doc(id="doc_2", vectors={"embedding": [0.2, 0.3, 0.4, 0.1]}),
    zvec.Doc(id="doc_3", vectors={"embedding": [0.5, 0.6, 0.7, 0.8]}),
    zvec.Doc(id="doc_4", vectors={"embedding": [0.6, 0.7, 0.8, 0.5]}),
])

# 查詢資料
results = collection.query(
    zvec.VectorQuery("embedding", vector=[0.4, 0.3, 0.3, 0.1]),  # 查詢向量
    topk=2  # 返回最相似的 2 個結果
)

# 列印結果
print(results)

程式碼解析：

1. 導入 Zvec: import zvec
2. 定義 Schema: 定義你的資料庫架構，包含資料庫名稱、向量的名稱、資料類型和維度。
3. 建立資料庫: 使用 zvec.create_and_open() 建立資料庫，並指定儲存路徑。
4. 插入資料: 使用 collection.insert() 插入資料。 每筆資料包含一個 ID 和一個向量。
5. 查詢資料: 使用 collection.query() 查詢資料。 傳入查詢向量和 topk (要返回的結果數量)。
6. 列印結果: 結果會按照相似度排序，包含每個文件的 ID 和相似度分數。

步驟 3: 執行程式碼

將程式碼儲存為一個 .py 檔案 (例如 zvec_example.py)，然後在終端機中執行：

python zvec_example.py

恭喜你！ 你已經成功建立並使用了你的第一個 Zvec 向量資料庫！ 🎉 你會看到類似以下的輸出：

[{'id': 'doc_2', 'score': 0.8354924917221069}, {'id': 'doc_1', 'score': 0.7712316513061523}]

這表示 Zvec 找到了與查詢向量最相似的兩個向量，並且返回了它們的 ID 和相似度分數。

進階應用： 更多可能性！ 💡

這個簡單的範例只是 Zvec 功能的一小部分。 接下來，我們來看看一些更進階的應用：

• 整合到你的 AI 應用中: 你可以將 Zvec 整合到你的 Python 或 Node.js 應用程式中，儲存和查詢你的 AI 模型產生的向量。
• 使用混合搜尋: 結合語義相似性和結構化篩選，讓你的搜尋更精準。 舉例來說，你可以搜尋「關於台灣的影片」，並且加上篩選條件，只顯示「2023 年之後發布」的影片。
• 處理大量資料: Zvec 具有出色的效能，可以處理數百萬甚至數十億個向量。 即使資料量很大，也能快速完成搜尋。

錯誤排除指南： 遇到問題別慌！ 🛠️

在使用 Zvec 的過程中，可能會遇到一些問題。 這裡提供一些常見的錯誤和解決方法：

• ImportError: No module named ‘zvec’: 確保你已經正確安裝了 Zvec (pip install zvec)。 檢查你的 Python 環境是否正確，並且確認你是在正確的 Python 環境中執行程式碼。
• 找不到資料庫檔案: 檢查你指定的儲存路徑是否正確。 確保你的程式碼有權限讀寫該路徑下的檔案。
• 維度不匹配: 在定義 schema 和插入資料時，確保向量的維度是一致的。 如果你的向量是 768 維，那麼你在 schema 中也必須指定維度為 768。

個人實作心得：

我最近也開始使用 Zvec，嘗試建立一個基於文本相似度的推薦系統。 我發現 Zvec 的速度真的非常快，而且設定非常簡單，讓我很快就能上手。 在遇到錯誤時，我通常會先檢查一下官方文件，然後再看看 Stack Overflow 或 GitHub 上的討論，通常都能找到解決方案。 另外， Zvec 的 Discord 頻道也很活躍，可以在上面和其他使用者交流，獲得及時的幫助。

成為 Zvec 達人： 更多資源！ 📚

• 官方網站: https://zvec.org/en/ 這裡有 Zvec 的官方文件、範例程式碼和 API 說明。
• 快速入門: https://zvec.org/en/docs/quickstart/ 快速了解 Zvec 的基本用法。
• 效能測試: https://zvec.org/en/docs/benchmarks/ 了解 Zvec 的效能表現。
• GitHub 儲存庫: https://github.com/alibaba/zvec 在這裡你可以找到 Zvec 的原始碼，並參與貢獻。
• Discord 頻道: https://discord.gg/rKddFBBu9z 加入 Zvec 的社群，與其他開發者交流。
• X (Twitter): https://x.com/zvec_ai 追蹤 Zvec 的最新消息。

結語： 讓 Zvec 成為你 AI 旅程的好夥伴！ 🎉

Zvec 是一個非常棒的向量資料庫， 它讓 AI 應用的開發變得更簡單、更快速。 無論你是 AI 新手還是經驗豐富的開發者， 都非常值得一試。 希望這篇文章能幫助你了解 Zvec，並開始探索 AI 的無限可能！ 祝你玩得開心，創造出令人驚艷的 AI 應用！ 加油！

參考閱讀

https://github.com/alibaba/zvec