sarthiai/swarndb

SwarnDB 镜像描述

镜像概述

SwarnDB是由Rust编写的生产级引擎，将向量与图节点统一为同一对象，消除传统向量/图数据库分离导致的数据同步问题。它支持在单一引擎内完成相似性检索与图遍历的混合查询，兼具高性能与可靠性。

核心功能

1. 统一存储：向量与图节点共享同一标识，无需额外同步逻辑。
2. 高性能向量搜索：基于HNSW算法，支持多种距离度量，可选SQ8量化压缩。
3. 图功能（可选）：通过mode="hybrid"启用类型化有向边，支持带置信度与溯源的图操作。
4. 混合查询：组合向量相似性、图遍历、属性过滤等操作，实现复杂分析。
5. 向量数学运算：内置15+操作（锥搜索、SLERP插值、K-means聚类等）。
6. 生产级特性：SIMD加速、崩溃恢复（WAL日志）、gRPC/REST双API。

使用场景

• 学术文献分析：关联论文引用关系与内容相似性，快速定位相关研究。
• 电商推荐：结合用户行为图与商品向量，生成精准推荐。
• RAG系统：构建知识图谱，提升检索增强生成的准确性。
• 客户分群：通过向量聚类与图关系分析，识别客户群体特征。

配置说明

通过环境变量配置关键参数：

Docker部署示例

启动容器

bash
docker run -d -p 8080:8080 -p 50051:50051 docker.xuanyuan.run/sarthiai/swarndb

基本使用（Python SDK）

python
from swarndb import SwarnDBClient

with SwarnDBClient(host="localhost", port=50051) as client:
    # 创建向量集合
    client.collections.create("articles", dimension=384, distance_metric="cosine")
    # 插入向量
    client.vectors.insert("articles", vector=[0.1,0.2,0.3,...], metadata={"topic":"physics"})
    # 搜索相似向量
    results = client.search.query("articles", vector=[0.1,0.2,0.3,...], k=10)
    for r in results.results:
        print(r.id, r.score)