Weaviate

So steigst du ein

Schritt 1: Starte Weaviate lokal mit Docker: docker run -p 8080:8080 semitechnologies/weaviate:latest. Alternativ nutze Weaviate Cloud für einen verwalteten Service ab 25 USD/Monat ohne eigenes Setup. Für DSGVO-sensible Daten empfiehlt sich Self-Hosting auf Hetzner oder einer deutschen/europäischen Cloud.

Schritt 2: Definiere ein Schema für deine Daten (z. B. “Dokument” mit Text, Autor, Datum) und lade deine ersten Texte per Python- oder JavaScript-Client hoch. Weaviate vektorisiert die Inhalte automatisch — du kannst sofort semantische Suchen starten, ohne selbst Embeddings zu berechnen.

Schritt 3: Baue eine RAG-Pipeline (Retrieval-Augmented Generation): Weaviate findet die relevantesten Textstellen zu einer Nutzeranfrage, die dann als Kontext an ein LLM (GPT-4, Claude, lokales Modell) weitergeleitet werden. So entsteht ein KI-Assistent, der auf deinen eigenen Dokumenten basiert.

Ein konkretes Beispiel

Eine Berliner Rechtsanwaltskanzlei mit 500.000 internen Dokumenten (Verträge, Urteile, Gutachten) baut mit Weaviate einen internen Recherche-Assistenten. Weaviate läuft On-Premises auf einem dedizierten Server in der Kanzlei — kein Dokument verlässt das interne Netzwerk. Anwälte können in natürlicher Sprache nach “Urteilen zu Mietminderung bei Schimmel in Altbauten ab 2020” suchen und erhalten in Sekunden die drei relevantesten Dokumente mit direkten Textausschnitten.

Gut kombiniert mit

• Pinecone — Pinecone als verwaltete Cloud-Alternative zu Weaviate wenn kein Self-Hosting gewünscht ist
• Chroma — Chroma für einfachere Einstiegsprojekte, Weaviate für produktionsreife RAG-Systeme mit Multi-Tenant-Support
• OpenSearch — OpenSearch für klassische Volltextsuche, Weaviate für semantische Vektorsuche — oft parallel eingesetzt