「OSSで自社運用したい」「ロックインを避けたい」「データを自社内に閉じたい」。Pineconeの便利さは魅力でも、これらの要件があると別の選択肢を探したくなります。Weaviateは、OSSベクトルDBの代表的な選択肢です。Weaviate社（旧SeMI）が開発を主導し、Weaviate Cloud Servicesでマネージド版も提供しています。
モジュール式の拡張、GraphQL API、ベクトル＋キーワードのハイブリッド検索など、独自の機能が多く、エンタープライズ採用も広がっています。基本構造と運用設計を整理します。
Weaviateの基本構造
| 要素 | 意味 |
|---|---|
| Class | データの種類（RDBの「テーブル」相当） |
| Object | 1つのデータポイント |
| Property | Objectの属性（メタデータ） |
| Module | Embedding生成、Re-rank、Q&A等の拡張 |
| Vectorizer | テキストを自動でベクトル化するModule |
Vectorizer：Embeddingが自動化
Weaviateの特徴的な機能が、Vectorizer Moduleです。「OpenAI Embedding」「Cohere」「HuggingFace」などのModuleを設定すれば、テキストデータをWeaviateに渡すだけで、自動的にベクトル化して保存されます。検索時も自然な文字列で検索でき、Embedding計算をクライアント側で書かずに済みます。
import weaviate
import weaviate.classes.config as wvc
client = weaviate.connect_to_local()
# ClassをOpenAI Vectorizerで定義
client.collections.create(
name="Documents",
vectorizer_config=wvc.Configure.Vectorizer.text2vec_openai(),
properties=[
wvc.Property(name="title", data_type=wvc.DataType.TEXT),
wvc.Property(name="content", data_type=wvc.DataType.TEXT),
wvc.Property(name="category", data_type=wvc.DataType.TEXT),
],
)
# データを挿入（Embeddingは自動）
docs = client.collections.get("Documents")
docs.data.insert({
"title": "返品ポリシー",
"content": "商品到着後14日以内に...",
"category": "support",
})
# 自然言語で検索（Embeddingは自動）
results = docs.query.near_text(query="返金したい", limit=5)ハイブリッド検索
ベクトル検索は「意味の近さ」を見ます。キーワード検索（BM25）と組み合わせると、「キーワード一致」と「意味」の両方で重み付けでき、検索品質が大きく上がります。Weaviateはハイブリッド検索を標準サポートします。
results = docs.query.hybrid(
query="返品 14日 ポリシー",
alpha=0.7, # 0=純BM25, 1=純ベクトル
limit=5,
)GraphQL API
WeaviateはGraphQL APIを提供しており、柔軟なクエリができます。「複雑な条件でデータを取得」「複数Classを結合」のような場面で威力を発揮します。慣れたチームには強みですが、学習コストもあります。
Weaviate Open Source vs Cloud Services
| OSS（自社運用） | Weaviate Cloud Services | |
|---|---|---|
| 提供 | Docker / Kubernetes | SaaS |
| 運用 | あり | マネージド |
| 費用 | 無料＋インフラ | 従量課金 |
| 機能 | 本体機能フル | 本体＋エンタープライズ機能 |
OSS版は完全機能で、Cloud Servicesは運用と一部エンタープライズ機能（SSO、監査等）を加えた構成です。「OSSで素早く運用、必要に応じてCloud移行」という段階的アプローチが取れます。
Pineconeとの比較
| Weaviate | Pinecone | |
|---|---|---|
| OSS | あり | 無し |
| セルフホスト | 可能 | 不可 |
| API | GraphQL + REST | REST |
| Embedding自動化 | Vectorizer Module | クライアント側で計算 |
| ハイブリッド検索 | 標準 | 有 |
| 運用負担 | あり（OSS） | 無し |
「機能の幅と自由度」はWeaviate、「運用の楽さ」はPinecone、というのが現実的な評価です。
運用上のハマりどころ
- OSS本番運用の負担：Kubernetes + バックアップ + 監視 + アップデートを自社で運用する必要がある。
- Module設定の管理：複数のVectorizerやRe-rankerを使うと設定が複雑になる。組織で標準化する。
- GraphQLの学習：チームにGraphQL経験が薄いと、APIが扱いにくく感じる。
- 大規模スケール：データ量が増えるとShardingやReplication設計が必要。設計知識が要る。
向く・向かない場面
- 向く：OSSで自社運用したい、Embedding自動化が便利、GraphQL運用、ハイブリッド検索が要件
- 向かない:運用人員が薄い（→Pinecone）、既存PostgreSQL活用したい（→pgvector）、シンプルさ最優先
まとめ
- WeaviateはOSSベクトルDBの代表的選択肢。Vectorizer Moduleでベクトル化が自動。
- GraphQL APIで柔軟なクエリ、標準のハイブリッド検索が強力。
- OSS自社運用とWeaviate Cloud Servicesの両方を選べる。
- 機能の幅と自由度ではPineconeを上回る面が多いが、運用負担は伴う。
- 「OSS志向＋機能カスタマイズ」が組織の方針なら、有力な選択肢。
全体像はベクトルDBとLLM向けデータ基盤、隣接はPinecone とは・pgvector とは。Weaviate導入の壁打ちは、DE-STKの初回相談（30分・無料）もご利用ください。
よくある質問（FAQ）
Q. Weaviate OSSは本番運用に堪える？
A. 堪えます。Goldman Sachs等の大規模採用事例もあり、OSS版だけで本番運用している組織は多くあります。ただし、Kubernetes運用と、バックアップ・障害対応の体制が前提です。「自社で運用力がある中規模以上」が現実的な利用層です。
Q. Vectorizer Moduleで自動化したくないケースは？
A. ベクトル計算を自社のパイプラインで管理したい場合、自動化を無効化して「事前に計算したベクトルを直接渡す」モードも使えます。dbt + 自社のEmbedding計算 + Weaviateへのupsert、というカスタム構成にできます。
Q. データのバックアップは？
A. Weaviateは標準でバックアップ機能を持ち、S3・GCS・Azure Blobへのバックアップが組めます。本番運用では「定期バックアップ」「テストリストア」を運用に組み込みます。クラウドストレージの基本はクラウドDWH入門でも触れています。
Q. LangChain / LlamaIndexとの連携は？
A. 両方とも公式対応しています。LangChainやLlamaIndexのVectorStoreインターフェースを介してWeaviateを使えるので、フレームワーク側で抽象化したまま実装できます。「Pineconeで始めてWeaviateに移行」のような変更も、コードレベルでは限定的な変更で済みます。