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
• ⚡ 高性能检索 —— rayon 并行暴力搜索（小规模 100% 精确）+ ERPC 自适应索引（2 万节点以上自动加速），无需手动配置
• 💾 SSD 友好 —— Append-Only WAL + 后台 Compaction 线程（同时自动重建 ERPC 索引），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 | | 🔋 不应期机制 | 高频激活节点将进入物理疲劳冷却期（85% 能量削减），强制扩散探索新亚支路，解决「记忆僵化」问题 | | 📦 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 | | ⚡ ERPC 自适应索引 | 自研 Electoral Residual Projection Code 向量索引，2 万节点以上自动激活，无需配置，最高支持 512 聚类 + 三阶段搜索管线 | | 💾 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

TriviumDB 采用智能自适应双引擎向量索引，全程自动路由，无需手动配置：

| 阶段 | 引擎 | 激活条件 | 特点 | | ---- | ---- | -------- | ---- | | 小规模热区 | BruteForce | < 2 万节点（或 ERPC 未就绪） | 100% 精确召回，rayon 多核，延迟极低 | | 大规模冷区 | ERPC（自研） | ≥ 2 万节点，Mmap 模式，后台自动构建 | 三阶段加速管线：多村长 Multi-Probe → BQ Hamming 粗筛 → f32 精算，无需重建 |

ERPC（Electoral Residual Projection Code） 是 TriviumDB 的自研向量索引引擎，与 HNSW 等图结构索引相比：

• ✅ 零图维护开销：删除/更新节点不破坏索引，没有 Ghost Node 陷阱
• ✅ SSD 友好：索引元数据落入 .tdb 头部，重启零开销恢复（bytemuck 零拷贝）
• ✅ 全自动：2 万节点以上后台 Compaction 时自动重建，前台查询透明路由

# 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 + ERPC 索引)
│   │   ├── wal.rs          # Write-Ahead Log（崩溃恢复）
│   │   ├── file_format.rs  # .tdb 单文件读写（含 ERPC Metadata Block）
│   │   ├── vec_pool.rs     # 分层向量池（mmap 基础层 + delta 增量层）
│   │   └── compaction.rs   # 后台 Compaction 守护线程（含 ERPC 自动重建）
│   ├── index/
│   │   ├── brute_force.rs  # rayon 并行暴力精确搜索
│   │   ├── erpc.rs         # ERPC 自研向量索引（三阶段搜索管线）
│   │   ├── bq.rs           # Binary Quantization 指纹（2048 位 Hamming 粗筛）
│   │   └── morton.rs       # 莫顿码（Z-Order Curve，含 BMI2 PDEP 硬件加速）
│   ├── 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
├── tests/
│   ├── workflow.rs         # 业务全链路集成测试
│   ├── search.rs           # 向量检索正确性测试
│   ├── morton.rs           # 莫顿码单元测试
│   └── ...                 # 其他集成测试
├── Cargo.toml
├── pyproject.toml          # Maturin 构建配置
└── README.md

路线图

v0.1 — MVP ✅

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

v0.2 — 工业可用 ✅

• [x] WAL 日志 + 崩溃恢复
• [x] 后台 Compaction 线程
• [x] 高级 Payload 过滤 ($eq/$ne/$gt/$gte/$lt/$lte/$in/$and/$or)
• [x] PyO3 Python 绑定 + Maturin 打包
• [x] rayon 并行向量扫描
• [x] mmap 零拷贝文件加载

v0.3 — 生态拓展 ❓️

• [x] Node.js 扩展绑定 (napi-rs)
• [x] 高级 Payload 过滤扩展 ($exists/$nin/$size/$all/$type)
• [x] AVX2 + FMA SIMD 加速余弦相似度（运行时自动检测，标量回退）
• [x] 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 + ERPC 索引 ✅

• [x] Mmap / Rom 双引擎热切换
• [x] 验证前置事务架构 (Dry-Run 原子回滚)
• [x] Tombstone 占位对齐序列化
• [x] 认知检索管线内置（FISTA 残差搜索 / PPR 图扩散 / DPP 多样性采样）
• [x] 运行时可开关 SearchConfig，逐查询粒度动态控制管线各层
• [x] 向量 / 配置 NaN / Inf / 维度容错拦截
• [x] ERPC 自研向量索引：Electoral Residual Projection Code 三阶段搜索管线
• [x] HNSW 完全移除：零依赖，架构大幅精简，无图索引维护负担
• [x] ERPC 自动化：Compaction 守护线程自动重建，2 万节点自动激活，前台透明
• [x] BMI2 PDEP 硬件加速莫顿码：x86_64 运行时检测，自动使用单条硬件指令
• [x] ERPC 元数据持久化：bytemuck 零拷贝落入 .tdb header，重启极速恢复
• [x] 边特异性强化：入度惩罚从 log10 改为 powf(0.55) 非线性衰减，显著压制高入度「黑洞节点」对扩散能量的虹吸效应
• [x] 不应期（疲劳）机制：Top-15 热点节点在本轮扩散后进入不应期，下轮传导能量削减 85%，一次性消耗后自动恢复，有效解决长期使用中的「记忆僵化」与「能量坍缩」问题

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 | ✅ 自研 ERPC 自适应 | | 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 | | 删除代价 | ✅ O(1) | ⚠️ 重建索引 | ⚠️ 重连图边 | ⚠️ 墓碑GC | ✅ 零图维护，墓碑占位|

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. 全自动性能路由：数据量不足 2 万时走 100% 精确 BruteForce，超过后引擎后台自动构建 ERPC 索引并无缝切换，开发者无感知。
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. 索引即加速层：ERPC 是可丢弃的派生数据，重启后从 .tdb header 零拷贝恢复，不依赖也不污染 WAL 真相源。
6. Rust 安全边界：所有公开 API 均为安全代码。内部仅存在少量经过严格审计的 unsafe（主要分布在 mmap 零拷贝与 SIMD / BMI2 PDEP 硬件加速），且附有明确的 SAFETY 安全契约注释。

📖 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

创造者: YoKONCy

🌟 Star History