** Rust의 in-memory 그래프 데이터베이스 및 traversal 엔진은 GQL, ISO 표준으로 정복했습니다. GraphRAG에 대한 벡터 검색과 Gremlin과 함께 그래프 쿼리 언어.**

** Playground ** · ** 도서 ** · ** 단계 참조 ** · ** API 문서** · GitHub 페이지의 미러

왜 그래피칼

AI는 도구보다 더 빨리 이동합니다. 우리는 그래도 그래파이널을 구축했습니다. 경량, embeddable graph engine you can turn into any your AI solution needs — library 응용 프로그램 내부, 에이전트에 대한 도구, 또는 상단에 자신의 기능을 가진 전체 서버.

그것은 상자에서 작동 : 브라우저 UI, AI 에이전트의 MCP 엔드 포인트, AI 채팅 어디 단순히 일반 언어에서 그래프에 대해 묻고 작성하고 쿼리를 실행합니다. 내구성있는 저장 그리고 거래, 그리고 당신이 작성하지 않은 쿼리를 실행하는 안전 - 권한, 읽기 전용 액세스, 자원 제한 및 시간표. 작업 시스템과 함께 시작하면 구성 요소 목록이 아닙니다. 함께 철사.

벡터 검색 및 그래프

그래프 옆에 있는 embeddings를 저장하고 이 같은 쿼리에서 검색합니다. ·

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"))