@tech_with_ram:你的 AI 技术栈有个数据库问题 你需要一个向量数据库来存嵌入。一个图数据库来处理关系。一个应用 …
摘要
HelixDB 是一款新的开源数据库,采用 Rust 构建,将向量、图和其他数据模型结合到单一引擎中,由 Y Combinator 支持。它旨在取代 AI 技术栈中独立的向量、图和应用数据库,提供原生向量搜索、图遍历和 MCP 支持。
你的 AI 技术栈有个数据库问题
你需要一个向量数据库来存嵌入。一个图数据库来处理关系。一个应用数据库来存结构化数据。一个应用层把它们缝合在一起。
→ Pinecone Standard:每月 70 美元
→ Neo4j AuraDB Professional:每月 65 美元
→ Postgres RDS:每月 50 美元以上
→ 将所有东西连接起来的工程时间:无价
三个数据库。三个模式。三个故障点。
还有一个仍然会产生幻觉的 RAG 流水线,因为你的数据块彼此之间没有上下文。
然后伦敦的两个大学辍学生发布了一个数据库,取代了所有这三个。
它叫 HelixDB。
用 Rust 从头构建。
开源。
采用 AGPL-3.0 许可。
可自托管。
由 Y Combinator 支持。
不是三个数据库用应用代码强行拼凑在一起。
一个引擎,图和向量存在于同一个数据模型中。
你的嵌入知道它的邻居。
你的邻居知道它们的嵌入。
一切相连,一切可查,一个系统。
创始人是 George Curtis 和 Xavier Cochran。
他们在大学期间创建了 HelixDB,此前曾苦于图数据库的复杂性。
没有资历。没有过往退出案例。
在离开校园之前,他们就吸引了来自 X 的开发者和 United Healthcare 的工程师。
然后他们辍学,搬到了旧金山,并进入了 Y Combinator。
2 位创始人。6 个人。一个取代三个的数据库。
以下是它的功能:
→ 单一引擎中的图 + 向量:两个系统之间永远无需连接
→ HelixQL,一种强类型编译查询语言——比 Cypher 更安全,比 Gremlin 更快
→ 内置向量搜索、关键词搜索和图遍历:为任何 RAG 流水线提供动力
→ 一次函数调用自动嵌入:摄入前无需预处理流水线
→ 内置 MCP 支持:你的 AI 代理遍历图,无需生成查询
→ 支持 KV、文档和关系数据,与图和向量并存
→ 默认私有:开箱即用的认证查询访问
→ 提供 TypeScript、Python 和 Go 的 SDK:一次安装,一个客户端
→ 基于 S3 兼容对象存储的 Helix Enterprise —— 无状态节点,水平扩展
~4,000 星。采用 AGPL-3.0 许可。已执行数十亿次查询。Y Combinator W25。2026 年起普遍可用。被独立开发者和财富 500 强团队使用。
相似文章
Show HN: HelixDB – 基于对象存储的图数据库
HelixDB 是一个用 Rust 构建的图-向量数据库,专为知识图谱和 AI 记忆设计,提供统一平台支持图、向量、键值、文档和关系型数据模型,并配有便于本地和云端部署的工具。
@PrajwalTomar_: 你的向量数据库正在悄无声息地拖垮你的AI智能体,而你完全不知道。陷阱就在这里。每个人都选了那个……
一条推文警告说,仅根据速度基准测试选择向量数据库可能会对AI智能体造成陷阱,因为AI智能体具有持续的写入负载,这与RAG以读取为主的模式不同。它根据用例推荐了特定的数据库,例如用于智能体记忆的Qdrant,以及用于PostgreSQL上低于1000万向量的pgvector。
@techwith_ram:一个1000万文档的语料库以float32格式占用31GB内存。大多数团队遇到这一瓶颈后会转向托管向量数据库。每月400美元……
turbovec 是一个开源的 Rust 向量索引,使用 Google Research 的 TurboQuant 算法,实现了16倍压缩,搜索速度比 FAISS 更快,并且集成了 LangChain、LlamaIndex 和 Haystack 等 RAG 框架。
为什么向量RAG在大规模AI编程代理中失败(以及我如何使用Neo4j图来解决它)
一款名为Writ的新开源工具采用混合检索流程,结合BM25、本地ONNX向量和Neo4j图遍历,为AI编程代理提供上下文规则,将令牌膨胀减少726倍,并通过bash钩子强制计划审批。
@hasantoxr:向量数据库不再是云产品。它们正在变成 pip install。一个名为 turbovec 的新开源项目……
一个名为 turbovec 的开源项目在 GitHub 上获得了 1 万星标。它是一个基于 Rust、带有 Python 绑定的向量索引,使用谷歌研究的 TurboQuant 算法将嵌入压缩到接近理论香农极限,使得完全本地的 RAG(检索增强生成)成为可能——1000 万文档仅需 4 GB RAM,且搜索速度快于 FAISS。