NodeDB

Что такое NodeDB?

NodeDB — это единый движок базы данных, который стремится заменить несколько систем данных, объединяя различные типы данных — реляционные, векторные (AI), графовые, документные, колонночные и научные массивы — в одну архитектуру на базе Rust. Его заявленная цель — уменьшить фрагментацию между отдельными базами данных и устранить необходимость в «пайплайнах» и «Python glue» при работе с смешанными данными.

Ключевой позиционировкой является то, что существующие клиенты PostgreSQL можно использовать «просто» для подключения, в то время как NodeDB поддерживает запросы в стиле GraphRAG, объединяющие векторный поиск и расширение графа в один запрос. Пример на странице иллюстрирует семантический поиск плюс графовый контекст как часть рабочего процесса на уровне базы данных.

Ключевые возможности

• Единый движок для нескольких моделей данных (реляционные, векторные, графовые, документные, колонночные, научные массивы), чтобы хранить и запрашивать разные типы данных без переключения между отдельными системами.
• Архитектура на Rust, описываемая как «гиперэффективный» движок, реализованный в одном бинарном файле Rust.
• Совместимость с клиентами PostgreSQL: на странице указано, что ваш существующий клиент Postgres «просто работает», что снижает барьеры при переходе на новый бэкенд.
• Поддержка запросов GraphRAG, объединяющих векторный поиск с расширением графа в одном выражении, позиционируемая как «GraphRAG на уровне базы данных».
• Рабочий процесс слияния GraphRAG в одном запросе с контролями для top-k поиска, глубины расширения, меток и направлений рёбер, а также настроек слияния результатов (как показано в примере запроса).

Как использовать NodeDB

1. Начните с присоединения к процессу раннего доступа или запроса доступа через опцию «Get Early Access» на сайте.
2. Подключитесь с помощью существующего клиента PostgreSQL, поскольку на странице явно указана совместимость с клиентами Postgres.
3. Выполните один запрос в стиле GraphRAG, который осуществляет семантический поиск из векторов и расширяет через графовые рёбра в соответствии с параметрами запроса.
4. Используйте слитые результаты этого запроса как основу для контекста LLM, поскольку страница представляет это как семантический поиск плюс графовый контекст на уровне базы данных.

Сценарии использования

• Создавайте GraphRAG-поиск без внешних пайплайнов: выполняйте один запрос базы данных, который осуществляет векторный семантический поиск, расширяет связанные сущности через графовые рёбра и сливает результаты для последующего использования в LLM.
• Отвечайте на вопросы, ориентированные на сущности, с графовым контекстом: извлекайте топовые векторные совпадения, а затем расширяйте через отношения (с использованием меток и направлений рёбер), чтобы собрать близкую графовую информацию в одном запросе.
• Реализуйте гибридный поиск, где важны ранжирование и структура: используйте показанные параметры слитого поиска (например, top-k, глубину расширения и настройки слияния), чтобы сбалансировать прямые векторные совпадения с результатами графового расширения.
• Сократите оркестрацию на стороне приложения: избегайте «пайплайнов» и «Python glue», перенеся слияние векторных и графовых операций в сам запрос базы данных.
• Объедините хранение данных по нескольким типам моделей: когда приложение сейчас полагается на отдельные системы для реляционных данных, векторов и графовых связей, используйте NodeDB как единый движок, охватывающий эти категории.

Часто задаваемые вопросы

• Требует ли NodeDB отдельных пайплайнов или Python glue для объединения векторного и графового поиска?
  На странице указано, что подход использует «один запрос» с «No pipelines» и «No Python glue», описывая слияние на уровне базы данных.

• Что значит «Your existing Postgres client just works»?
  Сайт явно заявляет о совместимости с клиентами PostgreSQL, подразумевая, что вы можете использовать распространённые паттерны клиентов Postgres для подключения.

• Что такое GraphRAG в этом контексте?
  Страница представляет GraphRAG как «vector search + graph expansion», слитые в одном запросе, производящие семантические результаты поиска вместе с графовым контекстом для LLM.

• Какие типы моделей данных поддерживает NodeDB?
  На странице перечислены реляционные, векторные, графовые, документные, колонночные и научные массивы.

Альтернативы

• Отдельная векторная БД + отдельная графовая БД: это оставляет векторный поиск и обход графа в разных системах, обычно требуя слоя приложения для координации извлечения и слияния (страница позиционирует NodeDB как избегающий конвейеров и связующего кода).
• Сервисы гибридного поиска с внешним переранжированием/слиянием: некоторые решения предлагают семантический поиск плюс переранжирование, но рабочий процесс может всё равно требовать координации между извлечением и шагами расширения графа/контекста.
• Традиционные SQL-БД с расширениями для векторов/графов: можно приблизить смешанные запросы с помощью дополнений, но акцент страницы — на унифицированном движке и слиянии в одном запросе по типам данных.
• GraphRAG, реализованный в слое приложения: вместо выполнения векторного поиска и расширения графа внутри БД приложение может запустить несколько шагов извлечения, а затем собрать контекст для LLM.