triviumdb 0.4.6

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"。

“TriviumDB 定位是 AI 应用领域的嵌入式数据库，旨在解决单机环境下 Agent 复杂上下文和多模态记忆编织的痛点。如果是需要支撑千万并发的高可用分布式后端，请依然选择大型集群化组件！”

---

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。

我们的目标是成为 AI 应用领域的 SQLite：

• 🗃️ Rom/Mmap 双引擎切换 —— 既支持单文件 *.tdb 复制走人，也支持分离 .vec 向量文件按需 mmap 零拷贝加载
• 🔗 节点即一切 —— 每个节点天然同时拥有限定长度的稠密向量、稀疏文本倒排词频、元数据和图关系，ID 全局唯一，绝不错位
• 🧠 为 AI 而生 —— 可选启用“AC自动机+BM25稀疏文本”与“Dense Vector稠密向量”的多路召回来触发图谱扩散检索，并内置多层认知管线（FISTA / DPP / PPR）
• 🛡️ 四层物理防弹衣 —— 原子替换 + WAL日志 + 事务干跑验证（Dry-Run）+ Mmap COW 隔离，断电断存不毁库
• 🐍 Python / Node.js 原生 —— pip install 或 npm install 后直接使用，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：

flowchart TD
    classDef old fill:#ffebee,stroke:#ff5252,stroke-width:2px,color:#000;
    classDef new fill:#e8f5e9,stroke:#4caf50,stroke-width:2px,color:#000;
    classDef app fill:#e3f2fd,stroke:#2196f3,stroke-width:2px,color:#000;
    classDef warning fill:#fff3e0,stroke:#ff9800,stroke-width:2px,color:#000;

    subgraph 现状 ["❌ 现状：三库系统缝合"]
        direction TB
        App1((Agent App)):::app
        DB1[(SQL DB<br/>文本/属性)]:::old
        DB2[(Vector DB<br/>稠密向量)]:::old
        DB3[(Graph DB<br/>知识图谱)]:::old
        
        App1 <-.网路 / 跨库 JOIN.-> DB1
        App1 <-.RPC / 独立服务.-> DB2
        App1 <-.另一套重运行时.-> DB3
    end

    subgraph 痛点 ["⚠️ 核心痛点"]
        direction TB
        P1[1. 三组独立的 ID 空间，需手写胶水代码同步]:::warning
        P2[2. 删一条记录要操作三个库，极易数据不一致]:::warning
        P3[3. 先向量检索再图扩散需跨库聚合，延迟爆炸]:::warning
        P4[4. 部署笨重，分享模型状态需打包三份独立文件]:::warning
    end

    现状 --> 痛点

    subgraph 解决 ["✨ TriviumDB：一库横扫"]
        direction TB
        App2((Agent App)):::app
        TV[(TriviumDB<br/>单一引擎 / 单一文件 / 单一 ID 空间)]:::new
        
        App2 ==`insert()` 向量+文本+元数据+图关系原子写入==> TV
        TV ==`search_hybrid()` 双路混合归一锚定+图谱扩散一次返回==> App2
        TV -.`flush()` Mmap零拷贝极速热启动.-> TV
    end

    痛点 --> 解决

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
🧠 认知管线	内置九层认知管线：FISTA 残差寻隐 / PPR 图扩散 / DPP 多样性采样，运行时可开关
📦 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
💾 双模式存储	Mmap（大模型极速分体冷启动） / Rom（传统 SQLite 级单文件打包携带），无缝热切换
🛡️ 四层灾备防御	预写日志(WAL) + 写入原子替换 + 事务预检干跑(Dry-Run) + OS 内存写时复制隔离
🔄 零开销事务	begin_tx() 验证前置架构，中途报错绝不污染内存，实现真正的零代价原子回滚
🔎 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
🌐 Node.js 原生	napi-rs 绑定，npm install 后直接 require('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（SearchConfig + search_advanced）
│   ├── cognitive.rs        # 认知算子（FISTA / DPP / NMF）
│   ├── node.rs             # Node / Edge / SearchHit 数据结构
│   ├── vector.rs           # VectorType Trait（f32 / f16 / u64）
│   ├── 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    # PPR 图扩散 (Spreading Activation)
│   ├── python.rs           # PyO3 绑定（完整 Pythonic API）
│   └── nodejs.rs           # napi-rs 绑定（完整 TypeScript API）
├── benches/
│   └── benchmark.rs        # Criterion 性能基准测试套件
├── 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)
• 高级 Payload 过滤扩展 ($exists/$nin/$size/$all/$type)
• AVX2 + FMA SIMD 加速余弦相似度（运行时自动检测，标量回退）
• 性能基准测试套件 (Criterion benchmark)
• 子图导出 / 批量导入
• CLI 工具 (triviumdb-cli)

v0.4 — 百万级架构 + 认知管线 ✅

• Mmap / Rom 双引擎热切换
• 验证前置事务架构 (Dry-Run 原子回滚)
• Tombstone 占位对齐序列化
• 认知检索管线内置（FISTA 残差搜索 / PPR 图扩散 / DPP 多样性采样）
• 运行时可开关 SearchConfig，逐查询粒度动态控制管线各层
• 向量 / 配置 NaN / Inf / 维度容错拦截

v0.5 — 千万级扩展（规划中，需权衡利弊）

以下为突破千万节点秒级吞吐的可选技术路线：

• create_index() 字段级轻量索引：为 Payload 中高频查询字段建立 O(1) / O(log N) 的倒排索引（B-Tree / Hash），彻底破除 Cypher 无索引全表扫描瓶颈
• Payload 延迟反序列化：启动时仅建立 (offset, length) 索引表，首次访问时才解析 JSON 并缓存到 LRU
• 索引结构持久化：ids_to_indices 映射表持久化到磁盘（mmap B-tree / 有序数组二分查找），避免启动时逐条 HashMap 插入
• 零拷贝序列化协议（可选）：Payload 格式从 serde_json 迁移至 rkyv / FlatBuffers，支持不反序列化直接读取字段
• 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 6 处经过严格审计的 unsafe（主要分布在 mmap 零拷贝与 SIMD 加速），且附有明确的 SAFETY 安全契约注释（详见 docs/security.md）。

---

📖 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

创造者: YoKONCy

🌟 Star History