퀵스타트 (클라우드 자원)

퀵스타트 (클라우드 자원)

Weaviate를 처음 쓸 때는 컬렉션 만들기 → 데이터 임포트 → 벡터 검색 → RAG 흐름으로 익히면 쉬워요. 클라우드 무료 클러스터를 쓰면 임베딩 생성·생성형 모델(Generative)까지 한 번에 구성할 수 있어요.

필요한 건 Weaviate Cloud(WCD)의 관리자 API 키와 REST 엔드포인트 URL이에요. Python 클라이언트는 weaviate.connect_to_weaviate_cloud()로 연결하고, 컬렉션을 만들 때 벡터라이저를 지정하면 임포트 시 자동으로 임베딩을 생성해요.

출처: https://weaviate.io/developers/weaviate/quickstart

연결·컬렉션 생성

import weaviate
from weaviate.classes.config import Configure
import os

# 자격 증명은 환경변수로 저장하는 게 좋아요
weaviate_url = os.environ["WEAVIATE_URL"]
weaviate_api_key = os.environ["WEAVIATE_API_KEY"]

# 1. 클라우드 인스턴스 연결
with weaviate.connect_to_weaviate_cloud(
    cluster_url=weaviate_url,
    auth_credentials=weaviate_api_key,
) as client:

    # 2. 컬렉션 생성 (Weaviate Embeddings 벡터라이저)
    movies = client.collections.create(
        name="Movie",
        vector_config=Configure.Vectors.text2vec_weaviate(),
    )

    # 3. 객체 임포트
    data_objects = [ ... ]

시맨틱(벡터) 검색

검색은 의미 기반으로, Weaviate에서는 nearText라고 불러요. "sci-fi"와 의미가 가장 가까운 2개 객체를 찾는 예시예요.

with weaviate.connect_to_weaviate_cloud(
    cluster_url=weaviate_url,
    auth_credentials=weaviate_api_key,
) as client:
    movies = client.collections.use("Movie")
    # nearText 검색 예시

RAG·Query Agent

  • 생성형 모델 연동 — 검색 결과를 생성형 모델에 넣어 답변 생성(RAG).
  • Query Agent(클라우드 전용) — 자연어 질문에 답하는 사전 구축 에이전트. 중간 단계를 알아서 처리.

더 알아보기