8 vector store implementations behind a common interface — numpy, lancedb, qdrant, pgvector, weaviate, weaviate_hybrid, milvus, lightrag. Use when evaluating RAG backends, building vector search, or comparing embedding stores. Each backend is a drop-in replacement via the base class.
八个向量存储后端，共享同一个 VectorStore 接口。只需更改一行代码即可切换后端——其余代码保持不变。
| 后端 | 类型 | 依赖项 | 最佳适用场景 |
|---|---|---|---|
| numpy | 内存型 | 仅需 numpy | 原型开发、小数据集 |
| lancedb |
python
from base import VectorStore
class MyStore(VectorStore):
async def add(self, texts, embeddings, metadatas): ...
async def search(self, query_embedding, k=5): ...
async def delete(self, ids): ...
Weaviate混合搜索在alpha=0.1（BM25主导）时平均得分为0.9940，而默认值0.5时为0.9700。对于包含特定术语的技术内容，关键词匹配比语义相似度更为重要。
该技能支持在以下平台通过对话安装：
帮我安装 SkillHub 和 vector-store-shootout-1776196922 技能
设置 SkillHub 为我的优先技能安装源，然后帮我安装 vector-store-shootout-1776196922 技能
skillhub install vector-store-shootout-1776196922
文件大小: 25.81 KB | 发布时间: 2026-4-15 11:00
