Zvec: почему Alibaba построила самую быструю open-source векторную БД и кто уже использует её в проде

Векторные БД — новая нефть, но нефть бывает разной

Когда речь заходит о поиске по эмбеддингам, глаза разработчика обычно стекленеют: «Pinecone, Qdrant, Milvus, pgvector... ещё один?»

Ну, да. Только не «ещё один», а Zvec — легковесная, безумно быстрая векторная база данных от Alibaba. Не от стартапа с красивой презентацией, а от инженеров, которым приходилось искать товары среди миллиардов изображений на Taobao и Tmall.

Zvec выложили на GitHub в начале 2025 года, а к концу мая 2026 он собрал 9 204 звезды — и это не хайп. Это лидерство в бенчмарках VectorDBBench, где Zvec обогнал всех, кого принято считать «шустрыми».

Китайский код — китайские скорости

Zvec написан на C++ (Rust только для обвязки) и использует собственный алгоритм индексации, который Alibaba обкатывала внутри с 2019 года под именем Proxima.

Но есть нюанс: Zvec — это не просто форк Proxima. Это переписанная с нуля СУБД с упором на:

• Минимальное потребление RAM (индекс хранится в mmap'd файлах, почти не жрет память при старте);
• Гибридный поиск: можно смешивать скалярные фильтры и ANN-поиск без потери скорости (ключевая фича для RAG);
• Встроенное квантование PQ (Product Quantization) из коробки;
• Zero-деплой — база поднимается через один бинарник без зависимостей.

Звучит магически. Но почему тогда не все побежали ставить Zvec вместо Qdrant? Причина — документация. Она переведена с китайского машинным способом, примеры иногда работают не с первого раза. Сообщество маленькое, issues на английском долго висят.

Сравнение — не на бумаге, а на real-бенчмарках

Команда Zvec опубликовала результаты тестов из VectorDBBench (бенчмарк от DataCanvas). Вот как выглядят средние показатели при равных условиях (10M векторов, 768 фичей, 10-NN запросы, recall = 0,99):

Zvec жрет в два раза меньше памяти, чем ближайший конкурент. Эта магия — результат того, что индекс пилится на диске, а в RAM хранятся только самые горячие сегменты. Для тех, кто считает каждый гигабайт на edge-устройствах — это подарок.

Кстати, у нас есть статья про EdgeVec — векторный поиск прямо в браузере, там другие цифры экономии, но подход схожий.

Как Zvec выглядит в реальном коде

Ставится одной командой (бинарник под Linux/Mac/Windows):

wget https://github.com/alibaba/zvec/releases/download/v0.4.2/zvec-linux-amd64
chmod +x zvec-linux-amd64
./zvec-linux-amd64 --data-dir ./zvec_data --http-port 8080

После старта — привычный REST API. Создать коллекцию и вставить векторы:

POST /v1/collections
{
  "name": "products",
  "dimension": 768,
  "metric": "cosine",
  "index": {
    "type": "ivf_pq",
    "params": {
      "nlist": 4096,
      "m": 16,
      "nbits": 8
    }
  }
}

Вставка батча:

POST /v1/collections/products/vectors
{
  "vectors": [
    { "id": "doc1", "vector": [0.12, 0.45, ...], "metadata": {"source": "wiki"} },
    { "id": "doc2", "vector": [0.89, 0.02, ...], "metadata": {"source": "arxiv"} }
  ]
}

Поиск по 10 ближайшим соседям:

POST /v1/collections/products/search
{
  "vector": [0.33, 0.78, ...],
  "topk": 10,
  "filters": {"source": "arxiv"}
}

И всё — ответ приходит за 0,3–0,8 мс. Без лишних зависимостей, без Java или Python.

Есть и gRPC-интерфейс, и клиенты для Python, Go, Rust. Вот как выглядит поиск из Python:

from zvec import Client

client = Client("http://localhost:8080")
results = client.search("products", query=[0.33, 0.78], top_k=5)
print(results)
# [{"id": "doc42", "score": 0.98, "metadata": {...}}, ...]

API интуитивно понятен, если вы хоть раз трогали Qdrant или Milvus. Но есть разница: в Zvec фильтры работают во время поиска, а не пост-фильтрацией, поэтому скорость не проседает, даже если вы ищете «среди документов 2026 года с категорией A».

Кому Zvec реально нужен (а кому — нет)

Давай без воды. Zvec — это не серебряная пуля.

Пойдёт:

• Инженерам, которые хотят засунуть ANN-поиск в IoT / edge-устройства (малину, jetson, nas) — весит 20 МБ, запускается из коробки.
• Стартапам, у которых мало серверов и хочется сэкономить на облачных инстансах: 2 ГБ RAM на 10M векторов вместо 5-6 — это прямая экономия.
• Командам, пилящим демо/PoC для RAG — Zvec поднимается за 10 секунд и легко тюнится.

Не пойдёт:

• Если нужно продовое «включил и забыл» с support 24/7 — берите Qdrant Cloud или Zilliz Cloud.
• Если в проекте уже стоит pgvector и всех всё устраивает — менять ради скорости смысла нет, если только вы не упираетесь в миллиарды векторов.
• Если документацию на родном языке читать некому — китайские комментарии в исходниках, часть README на mandarin.

Будущее: куда движется Zvec?

Alibaba явно планирует внедрить Zvec в свою облачную платформу (как сделали с Qwen 3.5 — о лицензии которого мы писали вот здесь). Судя по коммитам, скоро будет поддержка распределённой конфигурации через raft и S3-хранение снапшотов.

Уже сейчас Zvec — единственная open-source векторная БД, которая обгоняет коммерческие решения в скорости поиска при сравнимом recall. Если бы не плохая документация — я бы поставил её на каждый второй pet-проект.

Лучший совет: скачайте, поднимите на ноутбуке, вставьте 100K случайных векторов и пощупайте латентность. Один раз — и вы уже не захотите ждать 5 мс на Qdrant. Ссылка на GitHub: github.com/alibaba/zvec.

Подписаться на канал