Das Grundproblem, das Weaviate löst, ist dasselbe wie bei jeder Vektordatenbank: Klassische Datenbanken finden Einträge über exakte Übereinstimmungen, KI-Anwendungen brauchen dagegen inhaltliche Ähnlichkeit. Eine Frage wie „Welche Reklamation ähnelt diesem Fall?“ lässt sich nicht mit einem SQL-Filter beantworten. Embedding-Modelle übersetzen Texte, Bilder oder andere Inhalte deshalb in Vektoren, bei denen inhaltlich verwandte Inhalte im mathematischen Raum nah beieinanderliegen. Eine Vektordatenbank findet unter Millionen solcher Vektoren in Sekundenbruchteilen die nächsten Nachbarn zu einer Anfrage.
Was Weaviate von vielen Wettbewerbern unterscheidet, ist der Anspruch, mehr als nur Speicher- und Suchschicht zu sein. Der Hersteller beschreibt sein Produkt als KI-native Datenbank. Gemeint ist, dass typische KI-Arbeitsschritte direkt in der Datenbank konfiguriert werden können: Die Umwandlung von Text in Vektoren übernehmen sogenannte Vectorizer-Module, das Formulieren einer Antwort durch ein Sprachmodell übernimmt die Generative Search, und das Nachsortieren von Treffern erledigen Reranker-Module. Statt einer Anwendung, die Embedding-Dienst, Datenbank und Sprachmodell einzeln aufruft, schickt man im Extremfall nur noch Text an Weaviate und erhält Treffer oder fertige Antworten zurück.
Weaviate entstand Ende der 2010er-Jahre in den Niederlanden als Open-Source-Projekt rund um die Idee, Wissen semantisch durchsuchbar zu machen. Daraus wurde ein eigenständiges Unternehmen mit Wurzeln in Amsterdam, das inzwischen international aufgestellt ist und mit Risikokapital wächst. Das Geschäftsmodell folgt dem im Infrastrukturmarkt verbreiteten Muster: Der Datenbankkern steht unter der permissiven BSD-3-Clause-Lizenz frei zur Verfügung, Umsatz entsteht mit gemanagten Cloud-Angeboten, gehosteten Zusatzdiensten und Enterprise-Leistungen. Für Anwender bedeutet das: Weaviate lässt sich ohne Lizenzkosten selbst betreiben, und der Rückweg aus der Cloud in den Eigenbetrieb bleibt grundsätzlich offen.
Die Implementierung in Go ist ein pragmatischer Kompromiss: Go ist für Server- und Infrastruktursoftware weit verbreitet, gut wartbar und liefert eine solide Leistung, auch wenn die Sprache mit automatischer Speicherbereinigung arbeitet. Für den Betrieb heißt das, dass Weaviate als einzelne Binärdatei beziehungsweise als Container ausgeliefert wird und keine externen Pflichtkomponenten wie separate Metadatenspeicher benötigt. Wie sich Weaviate unter Last im eigenen Szenario verhält, hängt stark von Datenmenge, Vektordimension, Indexkonfiguration und Hardware ab – belastbare Werte liefern nur eigene Tests.
In einer Retrieval-Augmented-Generation-Architektur ist Weaviate das Gedächtnis des Systems – und je nach Konfiguration auch ein Teil der Verarbeitungslogik. Im klassischen Muster werden Dokumente in Abschnitte zerlegt, vektorisiert und mit Metadaten gespeichert; eine Nutzerfrage wird ebenfalls vektorisiert, Weaviate liefert die passendsten Abschnitte, und ein Sprachmodell formuliert die Antwort. Weaviate erlaubt zwei Spielarten dieses Musters. Entweder man nutzt die Datenbank puristisch und liefert eigene, extern erzeugte Vektoren an – dann verhält sich Weaviate wie jede andere Vektordatenbank. Oder man nutzt sie integriert und lässt Vektorisierung, Reranking und Generierung über Module laufen. Die zweite Variante spart Code, verschiebt aber Verantwortung in die Datenbankkonfiguration und wirft, wie wir in Kapitel 09 zeigen, eigene Datenschutzfragen auf.
Die Open-Source-Edition ist der Ausgangspunkt der meisten Weaviate-Projekte. Mit einer Docker-Compose-Datei startet man eine lauffähige Instanz und kann über die Konfiguration festlegen, welche Module aktiv sein sollen – etwa ein lokal betriebenes Embedding-Modell als eigener Container oder die Anbindung an externe Modell-APIs. Die Engine bringt den vollen Funktionsumfang mit: Collections, HNSW- und Flat-Index, Filter, Hybrid-Suche, Quantisierung, Multi-Tenancy, Replikation und Backups. Für viele mittelständische Szenarien reicht diese Edition vollständig aus. Der Preis der Freiheit ist die Betriebsverantwortung: Absicherung, Updates, Monitoring und Wiederherstellung liegen beim eigenen Team oder beim IT-Dienstleister.
Für Entwicklung und automatisierte Tests gibt es zusätzlich eine eingebettete Variante, bei der der Client eine Weaviate-Instanz als Hintergrundprozess startet. Das ist praktisch für Notebooks, Prototypen und Integrationstests, aber ausdrücklich nicht für den Produktivbetrieb gedacht. Wer früh realistische Bedingungen testen will, sollte stattdessen direkt mit Docker arbeiten.
Weaviate Cloud nimmt den Betrieb ab. In der Serverless-Variante teilt man sich die Infrastruktur mit anderen Kunden und zahlt nach Nutzung; für Experimente bietet der Anbieter üblicherweise zeitlich begrenzte, kostenfreie Test-Cluster an, deren Bedingungen sich ändern und beim Anbieter zu prüfen sind. Die Enterprise-Cloud-Variante stellt dedizierte Ressourcen bereit und richtet sich an Organisationen mit höheren Anforderungen an Isolation, Verfügbarkeit, Support und Compliance-Nachweise. Die Cloud-Angebote laufen auf der Infrastruktur großer Hyperscaler; die Wahl einer EU-Region ist möglich und für DACH-Unternehmen in aller Regel Pflicht.
Mit Bring Your Own Cloud lässt sich Weaviate im eigenen Cloud-Konto oder in der eigenen Kubernetes-Umgebung betreiben, während der Hersteller Bereitstellung und Wartung unterstützt. Für datenschutzsensible Organisationen ist das ein interessanter Mittelweg: Die Nutzdaten verlassen die eigene Umgebung nicht, das Betriebswissen kommt vom Hersteller. Welche Zugriffe der Anbieter dafür benötigt und welche Betriebs- und Telemetriedaten übermittelt werden, sollte im Rahmen der Datenschutzprüfung dokumentiert werden. Zusätzlich bietet Weaviate in der Cloud gehostete Dienste wie Weaviate Embeddings und die Weaviate Agents an, die es in der reinen Open-Source-Edition in dieser Form nicht gibt.
Das Datenmodell von Weaviate ist näher an einer Dokumentdatenbank als an einem reinen Vektorspeicher. Eine Collection – in älteren Versionen als Klasse bezeichnet – fasst gleichartige Objekte zusammen, etwa Handbuchabschnitte, Tickets oder Produkte. Jedes Objekt besteht aus einer eindeutigen ID, typisierten Properties wie Text, Zahl, Datum, Boolean, Geokoordinate oder Liste sowie einem oder mehreren Vektoren. Über Referenzen lassen sich Objekte verschiedener Collections miteinander verknüpfen, etwa ein Abschnitt mit dem zugehörigen Dokument. Das Schema kann explizit definiert oder beim ersten Import automatisch abgeleitet werden; für produktive Systeme empfehlen wir eine bewusste, versionierte Definition.
Im Schema wird auch festgelegt, welcher Vectorizer für welche Properties zuständig ist, welche Distanzmetrik gilt und welche Felder für die Schlüsselwortsuche indexiert werden. Mit benannten Vektoren kann ein Objekt mehrere Vektoren tragen – zum Beispiel einen für den Titel, einen für den Volltext und einen für ein Bild, jeweils von einem anderen Modell erzeugt. Das erleichtert den Vergleich von Embedding-Modellen und den schrittweisen Modellwechsel. Neuere Versionen unterstützen außerdem Multivektoren für Late-Interaction-Modelle im Stil von ColBERT, bei denen pro Token ein eigener Vektor gespeichert wird. Für unterbrechungsfreie Umstellungen gibt es Collection-Aliase, mit denen ein neu aufgebauter Bestand den alten nahtlos ablösen kann.
Für die Vektorsuche setzt Weaviate standardmäßig auf HNSW (Hierarchical Navigable Small World), einen mehrschichtigen Graphen, über den sich die Suche schrittweise an die nächsten Nachbarn herantastet. Parameter wie die Anzahl der Verbindungen pro Knoten, die Suchbreite beim Aufbau und bei der Abfrage erlauben das Austarieren zwischen Genauigkeit, Geschwindigkeit und Speicherbedarf. Daneben gibt es einen Flat-Index, der ohne Graph auskommt und sich für kleine Bestände eignet – typischerweise für viele kleine Mandanten. Ein Dynamic-Index beginnt flach und wechselt ab einer bestimmten Größe automatisch auf HNSW. Gerade in mandantenfähigen Anwendungen ist diese Wahlfreiheit wertvoll, weil nicht jeder Mandant einen speicherhungrigen Graphen braucht.
Parallel zum Vektorindex pflegt Weaviate einen invertierten Index auf den Properties. Er dient zwei Zwecken: der Filterung nach strukturierten Bedingungen und der Schlüsselwortsuche mit BM25. Filter lassen sich mit logischen Operatoren kombinieren und unterstützen Gleichheit, Wertebereiche, Textmuster, Listenbedingungen, Geodistanzen, Zeitstempel und Referenzen. Bei der gefilterten Vektorsuche bildet Weaviate aus dem invertierten Index zunächst eine Menge erlaubter Objekte und berücksichtigt diese während der Graphsuche. Für sehr restriktive Filter wurde eine eigene Suchstrategie eingeführt, die das Durchwandern des Graphen effizienter macht. Wie gut das im eigenen Szenario funktioniert, hängt von Filterselektivität und Datenverteilung ab und sollte getestet werden.
Eine der ausgeprägtesten Stärken von Weaviate ist die native Multi-Tenancy. Ist sie für eine Collection aktiviert, erhält jeder Mandant einen eigenen, physisch getrennten Bereich – inklusive eigener Indizes. Abfragen laufen immer im Kontext genau eines Mandanten, sodass ein versehentliches Vermischen von Daten strukturell erschwert wird. Mandanten können zudem in unterschiedliche Zustände versetzt werden: aktiv im Arbeitsspeicher, inaktiv auf der lokalen Platte oder ausgelagert in einen günstigen Objektspeicher. Für SaaS-Anbieter, Unternehmensgruppen mit vielen Gesellschaften oder Anwendungen mit einem Bereich pro Kunde ist das ein starkes Argument, weil Speicher und Kosten mit der tatsächlichen Nutzung skalieren.
Gegen den hohen Speicherbedarf hochdimensionaler Vektoren bietet Weaviate mehrere Verfahren der Quantisierung: Produktquantisierung, binäre Quantisierung, skalare Quantisierung und in neueren Versionen weitere Varianten wie eine rotationsbasierte Quantisierung. Die komprimierten Vektoren halten den Index im Arbeitsspeicher klein, während die Originalvektoren auf der Festplatte liegen und zum präzisen Nachbewerten der besten Kandidaten herangezogen werden können. Welche Variante sinnvoll ist, hängt vom Embedding-Modell ab – binäre Quantisierung etwa funktioniert nur mit dafür geeigneten Modellen gut. Ergänzend sorgen Replikation und horizontale Verteilung über Shards für Verfügbarkeit und Kapazität.
Ein Vectorizer-Modul sorgt dafür, dass Weaviate beim Import und bei Suchanfragen automatisch Vektoren erzeugt. Es gibt zwei Grundtypen. Die einen rufen externe Modell-APIs auf – etwa die Embedding-Dienste großer Anbieter wie OpenAI, Cohere, Google, Mistral, Voyage AI, Jina oder Plattformen wie Hugging Face und AWS. Die anderen nutzen lokal betriebene Modelle, zum Beispiel über einen Transformers-Container neben Weaviate oder über einen Ollama-Server im eigenen Netz. Für Bilder und gemischte Inhalte gibt es multimodale Vectorizer, die Text und Bild in einen gemeinsamen Vektorraum abbilden. In Weaviate Cloud kommt mit Weaviate Embeddings ein vom Hersteller gehosteter Embedding-Dienst hinzu.
Der Komfort ist erheblich: Man legt im Schema fest, welches Modell welche Properties vektorisiert, und muss sich danach nicht mehr um das Erzeugen der Vektoren kümmern. Der Haken ist ebenso deutlich: Bei API-basierten Vectorizern verlässt jeder importierte Textabschnitt und jede Suchanfrage die Datenbank in Richtung des Modellanbieters. Viele dieser Anbieter haben ihren Sitz in den USA. Damit wird aus einer scheinbar technischen Konfigurationsentscheidung eine datenschutzrechtliche – mehr dazu in Kapitel 09.
Die Hybrid Search ist bei Weaviate seit Langem ein Kernmerkmal. Eine Anfrage wird gleichzeitig als Vektorsuche und als BM25-Schlüsselwortsuche über den invertierten Index ausgeführt, die Ergebnisse werden anschließend fusioniert. Über einen Gewichtungsparameter lässt sich steuern, ob eher die semantische oder die lexikalische Seite den Ausschlag gibt. Für die Fusion stehen eine rangbasierte und eine auf normalisierten Scores basierende Methode zur Verfügung. So findet die Suche sowohl umschriebene Anliegen als auch exakte Fehlercodes, Typenbezeichnungen und Artikelnummern – ein Punkt, der in technischen Dokumentationen des Mittelstands oft über Erfolg oder Misserfolg eines Projekts entscheidet. Wichtig für deutschsprachige Inhalte: Die Tokenisierung für BM25 ist konfigurierbar, und die Wahl der Methode beeinflusst, wie gut zusammengesetzte Wörter und Fachbegriffe getroffen werden.
Mit Generative Search – auch als Retrieval Augmented Generation direkt in Weaviate bezeichnet – lässt sich an eine Suchanfrage ein Prompt anhängen. Weaviate holt die passenden Objekte und übergibt sie an ein konfiguriertes Sprachmodell, das entweder für jedes Objekt einzeln oder für die gesamte Treffermenge gemeinsam eine Antwort formuliert. Generative-Module gibt es für zahlreiche Anbieter, darunter OpenAI, Anthropic, Cohere, Google, Mistral, AWS und lokal betriebene Modelle über Ollama. Für Prototypen ist das bestechend einfach: Eine einzige Abfrage liefert Quellen und Antwort.
In produktiven Systemen ziehen wir die Generierung allerdings meist in die Anwendungsschicht. Dort lassen sich Prompts versionieren, Antworten protokollieren, Halluzinationsprüfungen einbauen und Modelle unabhängig von der Datenbank austauschen. Generative Search bleibt dennoch nützlich, etwa für interne Werkzeuge oder schnelle Experimente. Ähnliches gilt für Reranker-Module: Sie sortieren die Kandidaten einer ersten Suche mit einem spezialisierten Modell neu und verbessern damit häufig die Präzision der obersten Treffer. Auch hier gibt es API-basierte Varianten großer Anbieter und lokal betreibbare Transformer-Reranker – mit denselben Datenschutzabwägungen wie bei den Vectorizern.
Mit den Weaviate Agents erweitert der Hersteller das Konzept der KI-nativen Datenbank um agentische Dienste in Weaviate Cloud. Ein Query-Agent übersetzt natürlichsprachliche Fragen selbstständig in passende Suchen, Filter und Aggregationen über eine oder mehrere Collections. Weitere Agenten sind für das Anreichern und Umformen von Daten sowie für die Personalisierung von Ergebnissen gedacht. Diese Dienste nutzen im Hintergrund Sprachmodelle und sind als Cloud-Funktionen konzipiert; Umfang, Reifegrad und Verfügbarkeit entwickeln sich rasch und sollten vor einer Planung beim Anbieter geprüft werden.
Unabhängig davon eignet sich Weaviate gut als Gedächtnis für selbst gebaute Agenten. Über Framework-Integrationen und einen Server für das Model Context Protocol können KI-Assistenten Weaviate als Wissensspeicher abfragen. Der Hersteller pflegt zudem quelloffene Referenzanwendungen für RAG- und Agenten-Szenarien, die sich als Lernmaterial und Ausgangspunkt eignen, aber nicht ungeprüft in Produktion gehen sollten.
Weaviate stellt drei Schnittstellen bereit. Die REST-API dient vor allem der Verwaltung von Schema, Objekten, Backups und Clusterzustand. Die gRPC-API ist der bevorzugte Weg für Suche und Massenimport, weil sie deutlich effizienter überträgt. Die historisch prägende GraphQL-API ist weiterhin verfügbar und erlaubt ausdrucksstarke Abfragen inklusive Aggregationen, spielt in neuen Projekten aber eine geringere Rolle, da die modernen Clients die Komplexität kapseln. Offizielle Client-Bibliotheken gibt es für Python, TypeScript und JavaScript, Go, Java und weitere Sprachen; insbesondere der Python-Client wurde in den letzten Versionen grundlegend überarbeitet und ist typisiert und gut dokumentiert.
Ein praktisches Detail für Teams ohne tiefe Datenbankerfahrung: Der Hersteller bietet in der Cloud-Konsole Werkzeuge zum Inspizieren von Collections, zum Ausprobieren von Abfragen und zur Verwaltung von Nutzern. Für den Selbstbetrieb stehen Prometheus-kompatible Metriken bereit, die sich in bestehende Monitoring-Lösungen einbinden lassen.
Weaviate ist als Vektorspeicher in praktisch allen relevanten Frameworks integriert: LangChain und LlamaIndex als die verbreitetsten Bibliotheken für RAG und Agenten, Haystack aus Berlin, Microsofts Semantic Kernel, Spring AI für Java-Umgebungen sowie DSPy und diverse Agenten-Frameworks. Für Low-Code-Automatisierung gibt es Anbindungen an Plattformen wie n8n. Die Basisfunktionen – Dokumente speichern, ähnliche Abschnitte finden, nach Metadaten filtern – funktionieren überall. Weaviate-spezifische Stärken wie Multi-Tenancy, benannte Vektoren, feine Hybrid-Parameter oder Generative Search sind in den Frameworks aber unterschiedlich tief abgebildet. In anspruchsvollen Projekten formulieren wir kritische Abfragen deshalb direkt über den offiziellen Client und nutzen das Framework vor allem zur Orchestrierung.
Die Modell-Integrationen sind ein Kernbestandteil des Ökosystems. Weaviate bietet Module für Embedding-, Generierungs- und Reranking-Dienste vieler großer Anbieter sowie für lokal betriebene Modelle. Das ist Fluch und Segen zugleich: Man kann sehr schnell wechseln und vergleichen, muss aber für jede aktivierte Integration klären, wo Daten verarbeitet werden. Auf der Datenzufuhrseite gibt es Anbindungen an Werkzeuge zur Dokumentaufbereitung wie Unstructured, an Datenintegrationsplattformen wie Airbyte, an Streaming-Lösungen wie Kafka und an Verarbeitungsframeworks wie Apache Spark. Damit fügt sich Weaviate in bestehende Datenlandschaften ein, ohne dass Konnektoren von Grund auf entwickelt werden müssen.
Qdrant ist der naheliegendste Vergleich, denn beide Datenbanken sind quelloffen, dediziert und europäischen Ursprungs. Qdrant ist puristischer: Es konzentriert sich auf Speicherung und Suche, ist in Rust geschrieben, gilt im Betrieb als besonders schlank und hat eine sehr ausgefeilte Filter- und Query-API. Weaviate übernimmt dagegen bereitwillig mehr Aufgaben – Vektorisierung, Reranking, Generierung – und bietet mit der physischen Mandantentrennung und den Mandantenzuständen ein Alleinstellungsmerkmal für mandantenfähige Anwendungen. Funktional liegen beide inzwischen eng beieinander; die Entscheidung fällt oft über Teampräferenz, die gewünschte Menge an Logik in der Datenbank und das Betriebsmodell. Ein Hinweis zum Anbieterursprung: Qdrant hat seinen Sitz in Deutschland, Weaviate hat niederländische Wurzeln und ist inzwischen auch stark in den USA präsent – für die Vertragsgestaltung lohnt der genaue Blick, mit welcher Gesellschaft man kontrahiert.
Milvus ist auf sehr große Datenbestände und horizontale Skalierung ausgelegt. Die verteilte Architektur trennt Speicher, Rechenknoten und Koordination und nutzt externe Komponenten für Metadaten und Objektspeicher. Das macht Milvus stark bei Beständen in Milliardengrößenordnung, aber aufwendiger im Selbstbetrieb. Für typische Mittelstandsprojekte mit einigen Hunderttausend bis wenigen Millionen Objekten ist diese Komplexität selten nötig. Weaviate liegt hier in der Mitte: horizontal skalierbar, aber ohne die Vielzahl externer Abhängigkeiten.
pgvector ist eine Erweiterung für PostgreSQL. Vektoren liegen dann in derselben Datenbank wie die Geschäftsdaten, Transaktionen, Rechte und Backups funktionieren wie gewohnt, und es muss kein zusätzliches System betrieben werden. Für moderate Datenmengen und Teams mit Postgres-Erfahrung ist das oft die pragmatischste Lösung. Weaviate spielt seine Stärken aus, wenn integrierte Vektorisierung, ausgefeilte Hybrid-Suche mit BM25, Multi-Tenancy im großen Stil oder Quantisierung für große Bestände gefragt sind. Der Preis ist ein weiteres System in der Architektur.
Pinecone ist ein vollständig gemanagter, proprietärer Vektordienst aus den USA mit minimalem Betriebsaufwand und einem ausgereiften serverlosen Angebot. Einen selbst betreibbaren Datenbankkern gibt es nicht. Weaviate Cloud bietet vergleichbaren Komfort, lässt aber jederzeit den Rückzug auf die selbst betriebene Open-Source-Variante zu – ein wesentlicher Unterschied für Organisationen, die Wert auf Exit-Fähigkeit und Datenhoheit legen.
Die Kernbotschaft: Weaviate ist nicht pauschal die beste Vektordatenbank, sondern die mit dem stärksten Fokus auf integrierte KI-Funktionen und Mandantenfähigkeit. Wer bereits Postgres betreibt und klein startet, sollte pgvector prüfen. Wer maximale Schlankheit und Filterstärke sucht, sollte Qdrant evaluieren. Wer Milliarden Vektoren plant, schaut auf Milvus. Wer viele Mandanten bedienen und schnell zu einer RAG-Pipeline kommen will, hat mit Weaviate einen sehr guten Kandidaten.
Für viele mittelständische Anwendungen genügt eine einzelne Weaviate-Instanz per Docker Compose auf einem ausreichend dimensionierten Server – gegebenenfalls ergänzt um einen Container mit einem lokalen Embedding-Modell und regelmäßige Backups auf einen externen Speicher. Wird höhere Verfügbarkeit oder mehr Kapazität benötigt, läuft Weaviate als Cluster: Collections werden in Shards aufgeteilt, über mehrere Knoten verteilt und repliziert. Die Schema- und Clusterverwaltung nutzt ein Konsensverfahren, für die Datenreplikation sind einstellbare Konsistenzstufen und eine asynchrone Replikation zum Abgleich verfügbar. Für Kubernetes stellt der Hersteller ein Helm-Chart bereit.
Wichtig ist eine realistische Einschätzung der eigenen Fähigkeiten. Ein verteilter, zustandsbehafteter Dienst in Kubernetes bringt Fragen mit sich, die über das Starten von Containern hinausgehen: Verhalten bei Knotenausfällen, Neuverteilung nach dem Hinzufügen von Knoten, Updates ohne Ausfallzeit, Speicherklassen und Ressourcenlimits. Hinzu kommt, dass lokal betriebene Embedding- oder Reranker-Modelle eigene Rechenressourcen benötigen und je nach Volumen eine GPU sinnvoll machen. Wer kein Plattformteam hat, ist mit einer gut gesicherten Einzelinstanz, einem erfahrenen Betriebspartner oder einem gemanagten Angebot in einer EU-Region oft besser beraten.
Eine frisch aufgesetzte Weaviate-Instanz kann – je nach Konfiguration – anonymen Zugriff erlauben. Für den Produktivbetrieb muss dieser deaktiviert und eine Authentifizierung eingerichtet werden, entweder über API-Schlüssel oder über OpenID Connect mit einem bestehenden Identitätsanbieter. Neuere Versionen bringen eine rollenbasierte Zugriffskontrolle mit, über die sich Rechte auf Collections, Mandanten und Verwaltungsfunktionen differenziert vergeben lassen. Netzwerkseitig gehört die Datenbank in ein internes Netz. Dokumentbezogene Berechtigungen der Endnutzer bildet man meist über Filter oder Mandanten in der Anwendung ab, nicht über einzelne Datenbankkonten. Ein oft übersehener Punkt: API-Schlüssel für externe Modellanbieter liegen in der Weaviate-Konfiguration oder werden pro Anfrage mitgegeben – auch sie gehören in ein sauberes Secret-Management.
Für Sicherungen bietet Weaviate Backup-Module, die Collections in Objektspeicher wie S3-kompatible Systeme, Google Cloud Storage, Azure Blob Storage oder ein lokales Dateisystem schreiben. Ein Backup-Konzept ist erst belastbar, wenn die Wiederherstellung regelmäßig geübt wird. Weaviate entwickelt sich schnell, neue Versionen bringen häufig Funktionen und Leistungsverbesserungen, gelegentlich aber auch Änderungen an Konfiguration und Client-APIs. Es empfiehlt sich, Versionshinweise zu verfolgen, Updates zuerst in einer Testumgebung einzuspielen und Clients und Server gemeinsam zu aktualisieren.
Der gemeinsame Nenner ist fast immer derselbe: Wissen liegt verstreut in Handbüchern, Tickets, E-Mails, Laufwerken und Fachanwendungen. Mitarbeitende verbringen viel Zeit mit Suchen, und Expertenwissen hängt an einzelnen Personen. Weaviate macht dieses Wissen über natürliche Sprache auffindbar – und mit Filtern oder Mandanten so, dass jede Person nur sieht, was sie sehen darf. Besonders interessant ist Weaviate dort, wo mehrere Gesellschaften, Kunden oder Abteilungen strikt getrennt werden müssen.
Ein typisches Mittelstandsprojekt mit Weaviate sieht in unserer Praxis etwa so aus: Dokumente aus Dateiablagen, Wiki und Ticketsystem werden regelmäßig eingelesen und in sinnvolle Abschnitte zerlegt. Weaviate läuft selbst betrieben in einem deutschen Rechenzentrum oder in einer EU-Region, daneben ein Container mit einem lokal betriebenen, mehrsprachigen Embedding-Modell, das als Vectorizer-Modul eingebunden ist. Die Collection enthält Properties für Quelle, Datum, Sprache und Berechtigungsgruppe; bei mehreren Gesellschaften kommt Multi-Tenancy hinzu. Eine schlanke Anwendungsschicht führt eine Hybrid-Suche mit Berechtigungsfilter aus, sortiert die Treffer optional mit einem lokalen Reranker nach und übergibt die besten Abschnitte an ein Sprachmodell, das entweder selbst betrieben oder über einen vertraglich geprüften EU-Anbieter angebunden ist. Die Antwort enthält Verweise auf die Originaldokumente. Diese Architektur startet mit einer Einzelinstanz und lässt sich ohne Anwendungsumbau in einen Cluster überführen.
So komfortabel Weaviate ist: Die Vektordatenbank ist selten der Engpass eines RAG-Projekts. Die größten Qualitätshebel liegen in der Datenaufbereitung, im Chunking, in der Wahl des Embedding-Modells und in einer sauberen Evaluierung mit realen Testfragen. Die integrierten Module verführen dazu, diese Arbeit zu überspringen, weil schnell erste Ergebnisse sichtbar sind. Wer einen überschaubaren Anwendungsfall wählt, Qualität messbar macht und dann schrittweise erweitert, kommt erfahrungsgemäß deutlich schneller zu belastbaren Ergebnissen als mit einer groß angelegten Plattforminitiative.
Beim Selbstbetrieb der Open-Source-Edition auf eigener Hardware oder bei einem deutschen beziehungsweise europäischen Hoster verbleiben Objekte, Vektoren und Abfragen im eigenen Verantwortungsbereich. Der Hersteller ist an der Datenverarbeitung nicht beteiligt; ein Auftragsverarbeitungsvertrag ist für die Software selbst nicht nötig, wohl aber gegebenenfalls mit dem Hoster. Prüfen sollte man lediglich, ob und welche Telemetrie die Installation sendet, und diese bei Bedarf über die Konfiguration abschalten.
Bei Weaviate Cloud wird der Anbieter Auftragsverarbeiter, und die Daten liegen in Rechenzentren eines Hyperscalers in der gewählten Region. Hier ist ein Vertrag zur Auftragsverarbeitung abzuschließen, die Region sollte in der EU liegen, und die eingesetzten Unterauftragsverarbeiter – insbesondere US-amerikanische Cloud-Anbieter – sind in die Bewertung einzubeziehen. Der europäische Ursprung des Unternehmens ist ein Vorteil, ersetzt aber nicht den Blick darauf, mit welcher Gesellschaft der Vertrag zustande kommt und wer Zugriff auf die Infrastruktur hat. BYOC liegt dazwischen: Die Nutzdaten bleiben in der eigenen Umgebung, der Hersteller erhält Betriebszugriffe, die dokumentiert und begrenzt werden sollten.
Hier liegt die wichtigste Besonderheit von Weaviate gegenüber puristischen Vektordatenbanken. Aktiviert man ein Vectorizer-, Reranker- oder Generative-Modul, das einen externen Modellanbieter nutzt, sendet Weaviate die betroffenen Inhalte an dessen API: beim Import jeden Textabschnitt, bei jeder Suche die Anfrage und bei Generative Search zusätzlich die gefundenen Treffer samt Prompt. Viele dieser Anbieter haben ihren Sitz in den USA und verarbeiten Daten – je nach Vertrag und Region – auch dort. Das gilt unabhängig davon, ob Weaviate selbst in Frankfurt, Amsterdam oder im eigenen Keller läuft. Eine EU-gehostete Vektordatenbank mit einem US-Vectorizer ist keine EU-only-Verarbeitung.
Für jeden aktivierten Modellanbieter sind deshalb dieselben Fragen zu klären wie bei jeder anderen Auftragsverarbeitung: Gibt es einen Vertrag zur Auftragsverarbeitung, welche Region wird genutzt, werden Daten gespeichert oder zum Training verwendet, und auf welcher Grundlage erfolgt ein etwaiger Drittlandtransfer. Auch gehostete Dienste wie Weaviate Embeddings oder die Agents sind daraufhin zu prüfen, wo die Inferenz physisch stattfindet und welche Modelle eingebunden werden. Die sicherste Variante sind lokal betriebene Modelle als Begleit-Container im eigenen Netz. Technisch wird dieser Punkt zuverlässig dadurch abgesichert, dass nur die tatsächlich benötigten Module in der Konfiguration aktiviert werden – nicht aktivierte Module können auch keine Daten versenden.
Unabhängig vom Betriebsmodell gilt außerdem: Vektoren sind keine anonymen Daten. Aus Embeddings lassen sich unter Umständen Rückschlüsse auf Ursprungstexte ziehen, und die Properties enthalten ohnehin meist Klartext. Wer personenbezogene Daten indexiert, braucht Löschkonzepte, Zugriffskontrollen und Aufbewahrungsfristen auch für die Vektordatenbank und ihre Backups. Weaviate unterstützt das technisch durch gezieltes Löschen über IDs oder Filter und mit Multi-Tenancy durch das Entfernen ganzer Mandanten – die organisatorische Umsetzung liegt beim Betreiber.
Die Open-Source-Edition verursacht keine Lizenzkosten. Die Kosten entstehen im Betrieb: Server mit ausreichend Arbeitsspeicher, schneller Speicherplatz, Backup-Speicher, Monitoring und die Arbeitszeit für Einrichtung, Absicherung und Updates. Hinzu kommen – oft unterschätzt – die Modellkosten: Lokal betriebene Embedding- und Reranker-Modelle brauchen Rechenleistung, bei größeren Volumina auch GPUs; API-basierte Module werden vom jeweiligen Modellanbieter nach Verbrauch abgerechnet, und zwar beim initialen Import, bei jeder Neuindexierung und bei jeder Suchanfrage. Quantisierung, die passende Indexwahl und Mandantenzustände sind deshalb nicht nur technische, sondern auch wirtschaftliche Stellschrauben.
Bei Weaviate Cloud richtet sich die Abrechnung in der Serverless-Variante nach Nutzungsgrößen wie gespeicherten Vektordimensionen und gewähltem Service-Level; Enterprise-Cloud, BYOC und Support werden individuell angeboten. Gehostete Dienste wie Weaviate Embeddings oder die Agents können zusätzlich berechnet werden. Aktuelle Preise und Konditionen sind beim Anbieter zu prüfen, da sie sich regelmäßig ändern. Als Faustregel gilt: Bei kleinen bis mittleren Datenmengen und vorhandenem Betriebs-Know-how ist der Selbstbetrieb meist am günstigsten. Fehlt dieses Know-how oder sind hohe Verfügbarkeitsanforderungen zu erfüllen, kann ein gemanagtes Angebot in der Gesamtrechnung wirtschaftlicher sein.