kscz0000 Weaviate Cookbooks
概述
本技能提供一份实施指南与基础需求清单的索引，用于构建基于 Weaviate 的 AI 应用。可参考其中的引用快速搭建全栈应用，并遵循连接管理、环境配置和应用架构的最佳实践。
适用场景
- 用户希望构建基于 Weaviate 的 RAG、Agentic RAG、聊天机器人、数据探索或多模态文档检索应用时使用。
- 在编写全栈 Weaviate 应用之前，需要在 cookbook 模式之间进行选型时使用。
- 项目需要 Weaviate 环境、配置、异步客户端或前端指引时使用。
- 用户希望使用 Weaviate 官方蓝图，而非通用向量数据库方案时使用。
Weaviate Cloud 实例
如果用户尚无实例，可引导其前往 Cloud 控制台注册并创建免费沙箱。通过 Weaviate Cloud 创建 Weaviate 实例。
构建任何 Cookbook 之前的准备
在生成任何 cookbook 应用前，请遵循以下通用指引：
- Project Setup Contract
- Environment Requirements
随后再进入下方具体的 cookbook 引用。
Cookbook 索引
- Query Agent Chatbot：使用 Weaviate Query Agent 构建支持流式响应与聊天历史记录的全栈聊天机器人。
- Data Explorer：构建全栈数据探索应用，涵盖排序、关键词检索与 Weaviate 数据的表格视图。
- Multimodal RAG: Building Document Search：使用 Weaviate Embeddings（ModernVBERT/colmodernvbert）以及 Ollama + Qwen3-VL 作为生成端，构建多模态 RAG 系统。
- Basic RAG：使用 Weaviate 实现基础检索与生成。适用于大多数从 Weaviate 集合中检索数据的场景。
- Advanced RAG：在基础 RAG 之上加入重排序、查询分解、查询改写、LLM 过滤器选择等增强能力。
- Basic Agent：使用 DSPy 构建具备结构化输出的工具调用型 AI Agent。涵盖 AgentResponse 签名、RouterAgent、工具设计与顺序多步循环。
- Agentic RAG：构建由 RAG 驱动的 Weaviate AI Agent。涵盖朴素 RAG 工具、带 LLM 生成过滤器的分层 RAG、向量数据库记忆、Weaviate Query Agent 与 Elysia 集成。
前端界面（可选）
仅在用户明确要求为其 Weaviate 后端搭建前端时使用。
- Frontend Interface：构建 Next.js 前端以对接 Weaviate 后端。
客户端用法
- Async Client：生产环境（FastAPI、异步框架）下使用 Weaviate Python 异步客户端的指引。涵盖连接模式、生命周期管理、常见陷阱与多集群配置。
局限性
- Cookbook 蓝图仍需结合用户的数据模型、嵌入服务提供方、鉴权模型、部署平台与时延/成本目标进行适配。
- 除非用户提供并确认相关环境，否则本技能不会校验实时 Weaviate 凭据、云配额或模型可用性。
- 生成的应用在上线前应就安全、数据隐私、提示注入风险与生产可观测性进行审查。