Weaviate
Weaviate ist eine quelloffene, schemabasierte Vektordatenbank, die Objekte samt Embeddings speichert und Suche über Vektorähnlichkeit, Schlagwörter (BM25) sowie eine Mischform beider Verfahren erlaubt.
Weaviate ist eine quelloffene Vektordatenbank mit hybrider Suche: Sie kombiniert Schlagwort- und Bedeutungssuche in einer Abfrage. Sie lässt sich selbst betreiben oder als Dienst nutzen – das macht sie zur naheliegenden Wahl, wenn Datenhoheit verhandelt wird.
Erklärung
Der praktische Unterschied zu rein semantischer Suche zeigt sich bei Eigennamen, Artikelnummern und Fachbegriffen: Bedeutungssuche findet Ähnliches, Schlagwortsuche findet genau das Gesuchte. Weaviate mischt beides gewichtet in einer Abfrage. Weil das Projekt quelloffen ist, kann die gleiche Datenbank im eigenen Rechenzentrum, in einer EU-Cloud oder als verwalteter Dienst laufen – die Anwendung bleibt gleich, nur der Betrieb wechselt.
Relevanz für Marketing
Für DSGVO-getriebene Projekte ist Weaviate oft die einzige realistische Option neben Qdrant, weil Self-Hosting belegbar möglich ist. Für Marketing-Wissensbasen ist die hybride Suche der eigentliche Gewinn: Markennamen und Produktcodes gehen bei rein semantischer Suche regelmäßig verloren.
Beispiel
Eine Wissensbasis enthält Kampagnenrichtlinien und Produktnamen. Die Suche nach einer Modellbezeichnung trifft über den Schlagwortanteil exakt, die Frage „Was dürfen wir bei Preisaussagen schreiben?" über den Vektoranteil. Beides in einer Abfrage, gewichtet konfiguriert.
Häufige Fallstricke
Self-Hosting ist kein Nebenprojekt: Backups, Indexgrößen, Speicherbedarf und Upgrades bleiben in der eigenen Verantwortung. Und wer Vektorisierung als Modul in der Datenbank konfiguriert, verlagert die Modellwahl dorthin – ein Wechsel des Embedding-Modells erzwingt dann eine vollständige Neuindexierung.
Entstehung & Geschichte
Weaviate entstand ab 2019 als quelloffenes Projekt und wuchs mit der RAG-Welle 2023 stark. Mit Modulen für Vektorisierung, Reranking und generative Antworten wanderte ein Teil der Anwendungslogik in die Datenbank – ein Muster, das man bewusst begrenzen sollte.
Weiterführende Ressourcen
Anwendungsfälle im Marketing
Hybride Suche über Fachinhalte mit Produktnamen und Codes.
Selbst betriebene RAG-Wissensbasis in einer EU-Umgebung.
Mehrsprachige Wissensbasis mit getrennten Sammlungen je Sprache.
Häufige Fragen
Was unterscheidet Weaviate von Qdrant?
Beide sind quelloffen und selbst betreibbar. Weaviate setzt stärker auf Schema, Module und hybride Suche, Qdrant auf einen schlanken, in Rust geschriebenen Kern mit feiner Filterung. Die Entscheidung fällt meist über Betriebsmodell und Team-Erfahrung, nicht über Suchqualität.
Brauche ich für hybride Suche zwei Systeme?
Nein. Genau das ist der Punkt: Schlagwort- und Bedeutungssuche laufen in derselben Abfrage, statt Ergebnisse aus zwei Systemen nachträglich zu mischen.
Verwandte Services
Tiefer einsteigen: Measurement & Attribution · Modellvergleich 2026