Об этом проекте

RuVector обеспечивает постоянную адаптивную основу памяти для ИИ-агентов, которым необходимо помнить между сессиями. Система сочетает локальные семантические эмбеддинги (по умолчанию all-MiniLM-L6-v2), постоянное векторное хранилище с индексами HNSW и плоскими индексами, графовые и гиперграфовые связи, обучение на явной обратной связи через SONA MicroLoRA и консолидацию EWC++, а также контроль жизненного цикла памяти, включая компактификацию, снимки и репликацию. Память организована в классы: рабочая/сессионная, эпизодическая/Reflexion, семантическая, процедурная, причинно-следственная/реляционная, обучающая, общая и аудируемая. Ядро VectorDB предлагает долговечное векторное хранение с фильтрацией по метаданным, коллекции/алиасы для изоляции пространств имен и несколько режимов поиска, включая плотное сходство, гибридный разреженно-плотный поиск, ANN с учетом предикатов, временное затухание, стробирование когерентности, графовую реконструкцию, MaxSim с несколькими векторами, повторное ранжирование GNN, воронку Matryoshka и ANN на диске. Поверхности развертывания включают npm-пакет (ruvector) для Node.js/TypeScript, Rust-крейт (ruvector-core), WASM-пакет (@ruvector/wasm) для браузеров, HTTP-сервис (ruvector-server), расширение PostgreSQL (ruvector-postgres), когнитивные контейнеры RVF и опциональный размещенный Shared Brain (mcp-brain). Нативные бинарники охватывают Linux x64/arm64, macOS x64/arm64 и Windows x64. Ключевые возможности: локальные эмбеддинги без платы за API за запрос, пакетные/параллельные эмбеддинги, индексы HNSW/плоские, прием высоких нагрузок записи на основе LSM (ruvector-lsm-ann), графовое хранилище (ruvector-graph), сжатие через продуктное квантование и RaBitQ, поиск с ограничением возможностей, защищенная от несанкционированного доступа история через RVF-свидетелей, примитивы репликации и компоненты Raft. Монорепозиторий включает специализированные крейты для временной когерентности, гибридного поиска, ANN с учетом предикатов ACORN, MaxSim, повторного ранжирования GNN, Matryoshka, DiskANN, компактификации памяти агентов, кодеков временных тензоров, конденсации графов, снимков, ветвей с копированием при записи, согласованности кэша и ANN с ограничением возможностей. Известные ограничения: единая AgenticMemory не имеет нативной загрузки/сохранения и межтиповой консолидации; фильтрация метаданных сужает наборы кандидатов; HNSW перестраивает индекс при холодном старте; временная когерентность использует точный попарный граф; компактификация не подключена к путям по умолчанию; инкрементальные снимки и облачные бэкенды неполны; репликация/Raft не готовы к продакшену; GNN/MRAgent/Darwin — исследовательские поверхности; RVF и PostgreSQL требуют отдельных инструментальных цепочек. Безопасность: эмбеддинги рассматриваются как чувствительные производные; коллекции не являются границами авторизации; RVF-свидетели защищены от несанкционированного доступа, но не зашифрованы; удаления не каскадируются на снимки/реплики; Shared Brain — размещенная плоскость, требующая проверки; закрепляйте модели для офлайн-развертываний; отделяйте выполнение инструментов от поиска. Включены бенчмарки для основного поиска, записи LSM, временной когерентности, поиска с ограничением возможностей и поиска Matryoshka. Требуется Rust 1.77+. Лицензия MIT.