triviumdb 0.3.1

AI-native embedded database: Vector + Graph + Relational in one file

TriviumDB

向量 × 图谱 × 关系型 —— 三位一体的 AI 原生嵌入式数据库

Trivium：拉丁语，意为"三条道路的交汇"。

---

一句话介绍

TriviumDB 是一个用纯 Rust 编写的嵌入式单文件数据库引擎，将向量检索（Vector）、**属性图谱（Graph）和关系型元数据（Relational）**原生融合在同一个存储内核中。

它的目标是成为 AI 应用领域的 SQLite：

• 🗃️ 单文件带走 —— 所有数据打包进一个 .tdb 文件，复制即迁移
• 🔗 节点即一切 —— 每个节点天然同时拥有向量、元数据和图关系，ID 全局唯一，绝不错位
• 🧠 为 AI 而生 —— 支持"先向量锚定、再沿图谱扩散"的混合检索范式
• 🐍 Python 原生 —— pip install 后直接 import triviumdb，类 MongoDB 查询语法
• ⚡ 多核并行 —— rayon 并行向量扫描 + mmap 零拷贝加载 + 可选 HNSW 索引
• 💾 SSD 友好 —— Append-Only WAL + 后台 Compaction 线程，杜绝随机写入磨损

---

为什么需要 TriviumDB？

当前 AI 应用的「三库割裂」困境

几乎所有的 AI 应用（Agent / RAG / 推荐系统）都同时需要三种数据能力，但市面上没有一个引擎能同时原生支持它们：

┌──────────────────── 现状：三套系统缝合 ────────────────────┐
│                                                            │
│   PostgreSQL / SQLite      ← 存文本、属性、时间戳          │
│   Qdrant / Milvus / Pinecone  ← 存向量，独立进程/服务      │
│   Neo4j / NetworkX         ← 存图谱关系，又一套运行时       │
│                                                            │
│   痛点：                                                   │
│   ① 三套 ID 空间，需手写胶水代码保持同步                    │
│   ② 删一条记录 → 要操作三个地方，任何一步失败就不一致       │
│   ③ 「先向量检索，再沿关系扩散」需要跨库 JOIN，延迟爆炸     │
│   ④ 部署一个 Agent 却要装三套数据库运行时                   │
│   ⑤ 想把数据发给别人 → 要导出三份文件再合并                 │
│                                                            │
├──────────────────── TriviumDB：一库统一 ──────────────────┤
│                                                            │
│   单一引擎 · 单一文件 · 单一 ID 空间                       │
│                                                            │
│   insert() → 向量 + 元数据 + 图谱就绪（原子写入）          │
│   search() → 向量锚定 + 图谱扩散    （一次调用）           │
│   delete() → 三层联删               （绝不残留）           │
│   flush()  → 一个 .tdb 文件         （复制即迁移）          │
│                                                            │
└────────────────────────────────────────────────────────────┘

一个具体的例子

假设你在做一个 AI 对话记忆系统，用户说了一句「我昨天和小红去了咖啡馆」：

步骤	传统三库方案	TriviumDB
① 存语义向量	调 Qdrant API 写入 embedding	db.insert(vec, payload) 一步完成
② 存元数据	调 SQLite 写入时间、场景	↑ 同一步，payload 里就是 JSON
③ 存关系	调 Neo4j: 用户→地点→人物	db.link(user, cafe, "went_to")
④ 后续召回	3 次跨库查询 + 手写合并	db.search(vec, expand_depth=2)
⑤ 迁移数据	导出 3 份 + 写转换脚本	复制 memory.tdb 一个文件

适用场景

场景	怎么用 TriviumDB
🤖 AI Agent 长期记忆	每条对话存为节点（embedding + 原文 + 时间戳），人物/地点/事件之间建边，召回时先向量匹配再沿关系链扩散
🎮 游戏 NPC 认知引擎	NPC 观察到的事件存为带向量的节点，NPC 之间的关系用图谱表达，对话时检索相关记忆自动生成回应
📚 个人知识库	Markdown 笔记切片后存入，概念之间手动或自动连边，语义搜索 + 知识图谱导航双模式浏览
🔬 小型推荐系统	用户和物品各为节点，交互行为存为带权边，混合检索实现「相似用户喜欢的 + 你的社交圈在看的」
🧬 生物信息学	基因/蛋白质序列的 embedding + 互作关系网络，一库搜到相似序列并自动追溯代谢通路

---

快速上手

安装

💡 TriviumDB 核心使用 Rust 编写，但我们已经在云端为您提前交叉编译了所有平台的二进制，无需在本地安装任何编译环境即可秒速安装！

🐍 Python 用户

推荐使用超快的 uv （只需毫秒级）：

uv pip install triviumdb

或者使用传统 pip：

pip install triviumdb

🌐 Node.js / 前端用户

跨平台包已自带 *.node 预编译拓展，并含有完整的 TypeScript 补全：

npm install triviumdb
# 或者
pnpm add triviumdb

🦀 Rust 原生用户

直接把我们当成 Library 依赖：

cargo add triviumdb

30 秒入门

import triviumdb

with triviumdb.TriviumDB("memory.tdb", dim=3) as db:
    id1 = db.insert([0.12, -0.45, 0.78], {"text": "小明喜欢吃苹果"})
    id2 = db.insert([0.08, -0.52, 0.81], {"text": "小红送了小明一箱苹果"})
    db.link(id1, id2, label="caused_by", weight=0.95)

    results = db.search([0.10, -0.48, 0.80], top_k=5, expand_depth=2, min_score=0.6)
    for hit in results:
        print(f"[{hit.id}] score={hit.score:.3f} | {hit.payload}")

📖 完整 API 参考、高级用法和 Rust 示例请查看 API 参考文档。

---

核心特性

特性	说明
🔍 混合检索	向量锚定 → Top-K → 图谱扩散（Spreading Activation）→ 最终排序
📦 统一数据模型	每个节点同时持有向量（f32×dim）、JSON 元数据和图谱边，共享全局 u64 主键
⚡ 多核并行	rayon 并行向量扫描 + mmap 零拷贝加载 + 可选 HNSW 索引
💾 SSD 友好	Append-Only WAL + 后台 Compaction，杜绝随机写入
🛡️ 崩溃恢复	WAL + CRC32 校验 + 原子写入，断电不丢数据
🔎 高级过滤	类 MongoDB 语法：$eq/$ne/$gt/$lt/$in/$and/$or
📝 图谱查询	内置类 Cypher 查询引擎：MATCH (a)-[:knows]->(b) WHERE b.age > 18 RETURN b
🐍 Python 原生	PyO3 绑定，pip install 后直接 import triviumdb

📖 深入了解架构设计和技术细节请查看 支持特性详解。

---

向量索引策略

通过 Cargo Features 在编译期选择索引后端：

后端	特点	适用规模	Feature Flag
BruteForce	100% 精确召回，rayon 多核并行	< 10 万节点	默认启用
HNSW	亚毫秒级近似搜索，O(log N) 复杂度	10 万 ~ 千万节点	hnsw

# 启用 HNSW
cargo build --features hnsw

# 启用 Python 绑定
maturin develop --features python

---

项目结构

TriviumDB/
├── src/
│   ├── lib.rs              # 库入口 + 公开 API
│   ├── database.rs         # Database 核心（Arc<Mutex> 并发安全）
│   ├── node.rs             # Node / Edge / SearchHit 数据结构
│   ├── filter.rs           # 高级过滤引擎 ($gt/$lt/$in/$and/$or)
│   ├── error.rs            # 统一错误类型
│   ├── storage/
│   │   ├── memtable.rs     # 内存工作区 (SoA 向量池 + HashMap)
│   │   ├── wal.rs          # Write-Ahead Log（崩溃恢复）
│   │   ├── file_format.rs  # .tdb 单文件读写（mmap 零拷贝）
│   │   └── compaction.rs   # 后台 Compaction 守护线程
│   ├── index/
│   │   ├── brute_force.rs  # rayon 并行暴力精确搜索
│   │   └── hnsw.rs         # HNSW 近似搜索 (feature-gated)
│   ├── graph/
│   │   └── traversal.rs    # Spreading Activation 图扩散
│   └── python.rs           # PyO3 绑定（完整 Pythonic API）
├── Cargo.toml
├── pyproject.toml          # Maturin 构建配置
└── README.md

---

路线图

v0.1 — MVP ✅

• Node / Edge 核心数据结构
• 内存 MemTable（SoA 向量池 + HashMap + 邻接表）
• BruteForce 向量检索
• insert / link / search / delete 基础 API
• 单文件 .tdb 序列化/反序列化

v0.2 — 工业可用 ✅

• WAL 日志 + 崩溃恢复
• 后台 Compaction 线程
• HNSW 索引集成 (instant-distance, feature-gated)
• 高级 Payload 过滤 ($eq/$ne/$gt/$gte/$lt/$lte/$in/$and/$or)
• PyO3 Python 绑定 + Maturin 打包
• rayon 并行向量扫描
• mmap 零拷贝文件加载

v0.3 — 生态拓展 ✅

• Node.js 扩展绑定 (napi-rs)
• 子图导出 / 批量导入
• CLI 工具 (triviumdb-cli)
• 性能基准测试套件 (benchmark)
• 分布式分片存储

---

与现有方案对比

维度	SQLite	Qdrant	Neo4j	SurrealDB	TriviumDB
关系型数据	✅ SQL	❌ 仅过滤	⚠️ 属性	✅ SurrealQL	✅ JSON + $gt/$in
向量检索	❌ 需外挂	✅ HNSW	❌ 需插件	✅ ANN	✅ 可插拔 HNSW
图谱遍历	❌ JOIN 模拟	❌	✅ Cypher	✅ 图查询	✅ 原生邻接表
嵌入式单文件	✅	❌ 独立服务	❌ JVM 服务	⚠️ RocksDB	✅ 单 .tdb
混合检索	❌	❌	❌	⚠️ 手动	✅ 向量+图扩散
零 C/C++ 依赖	❌	✅	❌ JVM	❌ RocksDB	✅ 纯 Rust

---

设计哲学

1. 三合一原子性：一个 u64 ID 同时映射到向量、Payload、边表。插入原子、删除原子，永不出现 ID 不一致。
2. 嵌入式优先：没有 Server、没有端口、没有配置文件。import triviumdb 就是全部。
3. 渐进式复杂度：小数据集用 BruteForce 暴搜；数据量上去后 --features hnsw 一键切换近似索引。
4. 可预测的性能：顺序 I/O only（WAL 追加写 + Compaction 顺序重写），SSD 寿命安全。
5. Rust 安全边界：所有公开 API 均为安全代码。内部仅存在 1 处 unsafe（mmap 对齐 cast），附完整 SAFETY 注释。

---

📖 文档

文档	说明
API 完整参考	全部 Python / Rust API、参数说明、返回值类型
支持特性详解	架构设计、存储引擎、索引策略、崩溃恢复等技术细节
最佳实践	数据建模范式、性能调优、可靠性保障、避坑指南

---

许可证

Apache-2.0 作者：YoKONCy

---