ruvector

RuVector fornece um substrato de memória persistente e adaptativo para agentes de IA que precisam lembrar entre sessões. O sistema combina embeddings semânticos locais (usando all-MiniLM-L6-v2 por padrão), armazenamento vetorial persistente com índices HNSW e flat, relações de grafo e hipergrafo, aprendizado por feedback explícito via SONA MicroLoRA e consolidação EWC++, e controles de ciclo de vida da memória, incluindo compactação, snapshots e replicação. A memória é organizada em classes: working/sessão, episódica/Reflexion, semântica, procedural, causal/relacional, aprendizado, compartilhada e auditável. O núcleo VectorDB oferece armazenamento vetorial durável com filtragem de metadados, coleções/aliases para isolamento de namespace e múltiplos modos de recuperação, incluindo similaridade densa, híbrida esparsa-densa, ANN ciente de predicados, decaimento temporal, gating de coerência, reconstrução de grafo, MaxSim multi-vetor, reclassificação GNN, funil Matryoshka e ANN com suporte a disco. As superfícies de implantação incluem pacote npm (ruvector) para Node.js/TypeScript, crate Rust (ruvector-core), pacote WASM (@ruvector/wasm) para navegadores, serviço HTTP (ruvector-server), extensão PostgreSQL (ruvector-postgres), contêineres cognitivos RVF e Shared Brain hospedado opcional (mcp-brain). Binários nativos cobrem Linux x64/arm64, macOS x64/arm64 e Windows x64. Principais capacidades: embeddings locais sem taxas de API por consulta, embedding em lote/paralelo, índices HNSW/flat, ingestão de alta escrita baseada em LSM (ruvector-lsm-ann), armazenamento de grafo (ruvector-graph), compressão via quantização de produto e RaBitQ, recuperação com portão de capacidade, linhagem à prova de adulteração via testemunhas RVF, primitivas de replicação e componentes Raft. O monorepo inclui crates especializados para coerência temporal, busca híbrida, ANN ciente de predicados ACORN, MaxSim, reclassificação GNN, Matryoshka, DiskANN, compactação de memória de agente, codecs de tensor temporal, condensação de grafo, snapshots, branches copy-on-write, consistência de cache e ANN com portão de capacidade. Limitações conhecidas: AgenticMemory unificado carece de save/load nativo e consolidação entre tipos; filtragem de metadados reduz conjuntos de candidatos; HNSW reconstrói índice em cold start; coerência temporal usa grafo exato por pares; compactação não conectada aos caminhos padrão; snapshots incrementais e backends de nuvem incompletos; replicação/Raft não prontos para produção; GNN/MRAgent/Darwin são superfícies de pesquisa; RVF e PostgreSQL exigem toolchains separados. Segurança: embeddings tratados como derivados sensíveis; coleções não são limites de autorização; testemunhas RVF são à prova de adulteração, mas não criptografadas; exclusões não se propagam para snapshots/réplicas; Shared Brain é plano hospedado que requer revisão; fixar modelos para implantações offline; separar execução de ferramentas da recuperação. Benchmarks incluídos para busca principal, escritas LSM, coerência temporal, recuperação com portão de capacidade e recuperação Matryoshka. Requer Rust 1.77+. Licença MIT.