一周热榜

CozoDB 是由 Ziyang Hu 和 Cozo 项目作者创建的嵌入式关系图向量数据库。它在一个嵌入式引擎中实现了 Datalog、向量搜索（HNSW）和全文搜索，旨在成为“人工智能的海马体”。不幸的是，该项目在 2024 年 12 月后沉寂下来。KuzuDB 是另一个类似于 Cozo 的嵌入式图数据库，具有向量和全文索引，于 2025 年 10 月被归档。 我决定继续这一愿景，利用 Cozo 构建一个受神经科学启发的记忆和推理基础，采用认知本体论。它涵盖事件、认知结构、意图和行动，并支持多代理。使用您选择的大型语言模型（LLM）从文档和会话记录中提取信息的提取管道，去重并检测跨文档矛盾。所有内容都有版本控制，并追溯到源数据块，支持时间旅行。 但我们最依赖的功能需要改进，因此我在相同的 MPL-2.0 许可证下对 Cozo 进行了硬分叉，命名为 MnesticDB，并进行了改进。 我将一个包含 40,000 个数据块的语料库的索引构建时间从 89 秒减少到 8 秒，使用真实的 384 维嵌入，且没有影响召回率，通过平行重建 HNSW 索引，而不是逐行构建。 在索引重建期间，我解除对读取的阻塞，之前构建一个 151,000 个索引、1536 维的索引需要超过一个小时；现在它可以在不锁定的情况下构建，在一次测试中，40,000 向量索引在 6 秒内构建完成，同时支持 90,000 次并发读取。 我增加了跨语义（HNSW）、关键词（BM25）和图形接近信号的互惠排名融合，速度约为 42 毫秒，比单独运行的三条查询快 4 倍。 在将默认的全文评分器从 tf-idf 切换到 Okapi BM25 后，融合召回率在 40,000 个数据块的语料库上从 0.75 提升至 0.954，接近 DuckDB 的 0.957。 MnesticDB: https://www.mnesticdb.com https://www.github.com/shuruheel/mnestic 回到记忆和推理基础，我增加了对结构化数据的支持，允许用户连接 Postgres 数据库，从模式草拟操作本体，并将行同步为类型化图节点，具有来源和按需实时字段，融合到提取的认知本体中。这使得代理能够通过一个接口查询业务表和从文档中提炼的知识，同时显示矛盾和历史。 MindGraph: https://mindgraph.cloud/ https://www.github.com/shuruheel/mindgraph-rs 在 LongMemEval 的 60 个问题分层试点中，我们得分 87%，没有检索错误，强大的事实召回率（100%）和强大的时间推理（90%）。遗漏主要集中在偏好问题（70%），我随后进行了修复，但尚未重新运行基准测试。计划是最终运行完整的 500 个问题的测试，因为目前样本量的置信区间相当宽。 我一直在独自构建这个项目，这并不是最佳选择，因此如果您对此感兴趣，请考虑成为 MnesticDB 项目的贡献者，或成为 MindGraph（代理的认知图基础）的共同创始人。 在这里问我任何问题，或发送电子邮件至 shan@rizvi.nu。

嘿，HN： 我是在去年三月滑雪时，碰巧使用了加州交通局的高速公路状态页面时想到这个产品的。获取实时高速公路状态更新的过程相当痛苦。现在我找到了一些时间来推出一个解决方案（用Rust编写，如果这对你来说重要的话）。 希望你能喜欢这个我尽可能轻量化构建的网页应用，能够为你提供高速公路关闭的邮件提醒。