Rustのインメモリーグラフデータベースとトラバーショナルエンジン、GQL、ISO規格に準拠 グラフクエリ言語、およびグレムリンと、GraphRAGのベクトル検索。

遊び場・本・ ステップ参照・ APIドキュメント・ GitHubページ上のミラー

なぜグラマー

周りのツールよりも速くAIが動く。 グラファーを作ったので、待つ必要はありません。 軽量で埋め込まれたグラフエンジンで、AIソリューションのあらゆるニーズに変化させることができます。ライブラリ アプリケーション内、エージェント用のツール、またはトップ上の独自の機能を備えたフルサーバー。

ブラウザUI、AIエージェントのMCPエンドポイント、単にAIチャットの仕組みです。 明白な言語のあなたのグラフを尋ね、それはあなたのために、耐久の貯蔵のための照会を書き、動かします そして、トランザクション、およびあなたが書いたクエリを実行するための安全 - 許可、読み取り専用アクセス、 リソースの制限とタイムアウト。 コンポーネントのリストではなく、作業システムから始めます。 一緒にワイヤー。

ベクトル検索とGraphRAG

グラフの横にある埋め込みを保存し、それを歩くのと同じクエリでそれらを検索します。 ツイート

Graphersal

An in-memory graph database and traversal engine in Rust, queried with GQL, the ISO standard graph query language, and with Gremlin, with vector search for GraphRAG.

Playground · Book · Step reference · API docs · Mirror on GitHub Pages

Why Graphersal

AI moves faster than the tools around it. We built Graphersal so you don’t have to wait for them: a lightweight, embeddable graph engine you can turn into whatever your AI solution needs — a library inside your application, a tool for your agents, or a full server with your own features on top.

It works out of the box: a browser UI, an MCP endpoint for AI agents, an AI chat where you simply ask about your graph in plain language and it writes and runs the queries for you, durable storage and transactions, and the safety to run queries you did not write — permissions, read-only access, resource limits and timeouts. You start with a working system, not with a list of components to wire together.

Vector search and GraphRAG

Store your embeddings next to the graph and search them in the same query that walks it. A vector is a value type of its own (f32, or quantized to f16, i8 or bit to save memory), declared in the schema, searched exactly with nearest() and similarity() (cosine, dot product, L2, Hamming). GraphRAG in one traversal: find the passages nearest to the question, then follow the edges to what the graph knows about them, and hand that context to your language model.

// "What should I cook for my cat?" ~ the question's embedding
g.v().has_label("doc").nearest("emb", question, 2)
  .project("title", "author", "topic")
    .by("title")
    .by(__.in("wrote").values("name"))
    .by(__.out("about").values("name"))