Artikelen

LatticeDB: Een ingebedde property-graph database met vector- en full-text indexing

25-08-2026 22:36 • AI • Jeff Hajewski • https://github.com/jeffhajewski/latticedb

LatticeDB is een ingebedde property-graph database met native vector- en full-text indexing. Het is een lokale database in één enkel bestand voor verbonden, semantische en tekstuele data. Hiermee kunt u relaties doorlopen, vector-similarity zoekopdrachten uitvoeren en BM25 full-text zoekopdrachten uitvoeren over dezelfde dataset in één engine en één querylaag. Het is ontworpen voor workloads met veel relaties op een enkele machine, met een zero-config bediening en een embedded single-writer model.

LatticeDB

LatticeDB is een ingebedde, single-file graph database waarmee lokale applicaties dezelfde data kunnen bevragen op basis van relaties, semantiek en tekst, en vervolgens duurzame graph- en applicatie-events uit hetzelfde bestand kunnen consumeren. Workloads zoals Graph RAG, agent-geheugen en lokale kennisinstrumenten zijn voorbeelden gebouwd op deze primitieven, maar vormen niet de definitie van de engine zelf.

Kernkenmerken

Eén bestand: Uw gehele database is één enkel draagbaar bestand. Geen server, geen configuratie.
Eén querylaag: Graph traversal, HNSW vector similarity en BM25 full-text — allemaal in dezelfde querytaal.
Eén eventlog: Duurzame benoemde streams en een ingebouwde graph changefeed delen hetzelfde transactie/WAL-pad als graph-schrijfacties.
Local-first: Ontworpen voor één bezittend proces op één machine, met WAL-backed duurzaamheid.
Snel: 0,13 μs node lookups. 0,83 ms vector search bij 1 miljoen vectoren met 100% recall.

Voorbeeldquery

Zoek fragmenten (chunks) die lijken op een query, navigeer naar hun document en vervolgens naar de auteur:

MATCH (chunk:Chunk)-[:PART_OF]->(doc:Document)-[:AUTHORED_BY]->(author:Person)
WHERE chunk.embedding <=> $query_vector < 0.3
AND doc.content @@ "neural networks"
RETURN doc.title, chunk.text, author.name
ORDER BY chunk.embedding <=> $query_vector
LIMIT 10

Installatie

CLI

curl -fsSL https://raw.githubusercontent.com/jeffhajewski/latticedb/main/dist/install.sh | bash

Python

pip install latticedb

Gepubliceerde wheels zouden liblattice moeten bundelen op ondersteunde platforms. Broninstallaties kunnen ook een native library bundelen tijdens wheel-builds met LATTICEBUNDLELIB_DIR=/path/to/lib.

TypeScript / Node.js

npm install @hajewski/latticedb

Gepubliceerde package tarballs zouden liblattice moeten bundelen op ondersteunde platforms. Bron-checkouts kunnen de native library in het pakket plaatsen met LATTICEBUNDLELIB_DIR=/path/to/lib npm run bundle:native.

Go

Raadpleeg bindings/go/README.md voor de huidige cgo-workflow. Het standaard consumentenpad gebruikt geïnstalleerde pkg-config metadata; in-repo ontwikkeling kan -tags repolocal gebruiken tegen zig-out/lib.

Er is ook een uitvoerbaar voorbeeld voor graph/vector/text retrieval in examples/go. Recente opschoningen van de binding-surface hebben embedding-helpers verplaatst naar speciale modules en subpakketten. Zie docs/clientapimigration.md voor de voorkeursimports en huidige compatibiliteitsaliassen.

Snelstart en Voorbeelden

Documentatiebronnen

Getting Started: Beschrijft het kortste pad voor CLI, Python, TypeScript en Go.
CLI Quickstart: Het kleinste kopieer-en-plak voorbeeld in de repo.
Examples Overview: Bevat uitgebreidere demo's voor graph/vector/text retrieval.

Volledig voorbeeld

Een compleet voorbeeld: maak een kleine kennisgraaf met documenten en auteurs, sla embeddings op, indexeer tekst en query vervolgens over alle drie de zoekmodi.

Python

from latticedb import Database
from latticedb.embedding import hash_embed

with Database("knowledge.db", create=True, enable_vectors=True, vector_dimensions=128) as db:
    # --- Bouw de graaf ---
    with db.write() as txn:
        # Maak auteurs aan
        alice = txn.create_node(labels=["Person"], properties={"name": "Alice", "field": "ML"})
        bob = txn.create_node(labels=["Person"], properties={"name": "Bob", "field": "Systems"})
        txn.create_edge(alice.id, bob.id, "COLLABORATES_WITH")

        # Maak documenten met chunks aan
        for title, text, author in [
            ("Attention Is All You Need", "The transformer architecture uses self-attention...", alice),
            ("Scaling Laws for LLMs", "We find that model performance scales predictably...", alice),
            ("Log-Structured Merge Trees", "LSM trees optimize write-heavy workloads...", bob),
        ]:
            doc = txn.create_node(labels=["Document"], properties={"title": title})
            chunk = txn.create_node(labels=["Chunk"], properties={"text": text})
            # Sla embedding op en indexeer tekst
            txn.set_vector(chunk.id, "embedding", hash_embed(text, dimensions=128))
            txn.fts_index(chunk.id, text)
            txn.create_edge(chunk.id, doc.id, "PART_OF")
            txn.create_edge(doc.id, author.id, "AUTHORED_BY")
        txn.commit()

    # --- Query: vector search + text match + graph traversal ---
    results = db.query("""
    MATCH (chunk:Chunk)-[:PART_OF]->(doc:Document)-[:AUTHORED_BY]->(author:Person)
    WHERE chunk.embedding <=> $query < 0.5
    RETURN doc.title, chunk.text, author.name
    ORDER BY chunk.embedding <=> $query
    LIMIT 5
    """, parameters={"query": hash_embed("transformer attention mechanism", dimensions=128)})

    for row in results:
        print(f"{row['doc.title']} by {row['author.name']}")

    # --- Full-text search ---
    for r in db.fts_search("self-attention transformer"):
        print(f"Node {r.node_id}: score={r.score:.4f}")

    # --- Aggregaties ---
    stats = db.query("""
    MATCH (doc:Document)-[:AUTHORED_BY]->(p:Person)
    RETURN p.name, count(doc) AS papers
    ORDER BY papers DESC
    """)
    for row in stats:
        print(f"{row['p.name']}: {row['papers']} papers")

TypeScript

import { Database } from "@hajewski/latticedb";
import { hashEmbed } from "@hajewski/latticedb/embedding";

const db = new Database("knowledge.db", {
  create: true,
  enableVectors: true,
  vectorDimensions: 128,
});

await db.open();

// Bouw een graaf
await db.write(async (txn) => {
  const alice = await txn.createNode({
    labels: ["Person"],
    properties: { name: "Alice", field: "ML" },
  });
  const doc = await txn.createNode({
    labels: ["Document"],
    properties: { title: "Attention Is All You Need" },
  });
  const chunk = await txn.createNode({
    labels: ["Chunk"],
    properties: { text: "The transformer architecture uses self-attention..." },
  });

  await txn.setVector(chunk.id, "embedding", hashEmbed("transformer self-attention", 128));
  await txn.ftsIndex(chunk.id, "The transformer architecture uses self-attention...");
  await txn.createEdge(chunk.id, doc.id, "PART_OF");
  await txn.createEdge(doc.id, alice.id, "AUTHORED_BY");
});

// Query over vector search + graph traversal
const results = await db.query(
  `MATCH (chunk:Chunk)-[:PART_OF]->(doc:Document)-[:AUTHORED_BY]->(author:Person)
  WHERE chunk.embedding <=> $query < 0.5
  RETURN doc.title, chunk.text, author.name
  ORDER BY chunk.embedding <=> $query
  LIMIT 5`,
  { query: hashEmbed("attention mechanism", 128) }
);

for (const row of results.rows) {
  console.log(`${row["doc.title"]} by ${row["author.name"]}`);
}

await db.close();

Go

db, err := latticedb.Open("knowledge.db", latticedb.OpenOptions{
    Create: true,
    EnableVectors: true,
    VectorDimensions: 128,
})
if err != nil {
    log.Fatal(err)
}
defer db.Close()

err = db.Update(func(tx *latticedb.Tx) error {
    node, err := tx.CreateNode(latticedb.CreateNodeOptions{
        Labels: []string{"Chunk"},
        Properties: map[string]latticedb.Value{"text": "The transformer architecture uses self-attention..."},
    })
    if err != nil {
        return err
    }
    if err := tx.SetVector(node.ID, "embedding", []float32{1, 0, 0, 0}); err != nil {
        return err
    }
    return tx.FTSIndex(node.ID, "The transformer architecture uses self-attention...")
})
if err != nil {
    log.Fatal(err)
}

Prestaties

Getest op Apple M1, single-threaded, met auto-scaled buffer pool. Gebruik zig build benchmark om te reproduceren. Voor de repeated-term FTS indexing workload, gebruik zig build fts-benchmark.

Kernoperaties

Operatie	Latentie	Doorvoersnelheid	Doel	Status
Node lookup	0.13 μs	7.9M ops/sec	< 1 μs	PASS
Node creation	0.65 μs	1.5M ops/sec	—	—
Edge traversal	9 μs	111K ops/sec	—	—
Full-text search (100 docs)	19 μs	53K ops/sec	—	—
10-NN vector search (1M vectors)	0.83 ms	1.2K ops/sec	< 10 ms @ 1M	PASS

Vector Search (HNSW) op Schaal

(128-dimensionale cosinus-vectoren, M=16, efconstruction=200, efsearch=64, k=10. Reproduceer met zig build vector-benchmark).

Schaal	Gem. Latentie	P99 Latentie	Recall@10	Geheugen
1.000	65 μs	70 μs	100%	1 MB
10.000	174 μs	695 μs	99%	10 MB
100.000	438 μs	1.2 ms	99%	101 MB
1.000.000	832 μs	1.8 ms	100%	1.040 MB

De zoeklatentie schaalt sub-lineair (O(log N)) met 99–100% recall@10. Er wordt gebruikgemaakt van heuristische buurselectie (HNSW paper Algoritme 4) voor diverse graafconnectiviteit, connection page packing voor ongeveer 4,5x geheugenreductie, en pre-genormaliseerd dot-product voor snelle cosinus-afstand.

ef_search Gevoeligheid (1M vectoren)

ef_search	Gem. Latentie	Recall@10
16	506 μs	57%
32	1.9 ms	79%
64	990 μs	100%
128	3.2 ms	100%
256	11.6 ms	100%

Concurrentieanalyse

Point Lookups

Systeem	Latentie	Type	Bron
LatticeDB	0.13 μs	Embedded	zig build benchmark
RocksDB (in-memory)	0.14 μs	Embedded	RocksDB wiki
SQLite (in-memory)	~0.2 μs	Embedded	Turso blog
SQLite (WAL, disk)	3 μs (p90)	Embedded	marending.dev
Neo4j	28 ms (p99)	Server	Memgraph comparison

De B+Tree van LatticeDB behaalt sub-microseconde cached lookups, wat gelijk is aan RocksDB in-memory en 23x sneller is dan SQLite op disk.

Vector Search (10-NN)

Systeem	Latentie	Schaal	Type	Bron
LatticeDB	0.83 ms mean, 100% recall	1M	Embedded	zig build vector-benchmark
FAISS HNSW (single-thread)	0.5–3 ms	1M	Library	FAISS wiki
Weaviate	1.4 ms mean, 3.1 ms P99	1M	Server	Weaviate benchmarks
Qdrant	~1–2 ms	1M	Server	Qdrant benchmarks
Milvus + SQ8	2.2 ms P99	1M	Server	VectorDBBench
pgvector HNSW	~5 ms @ 99% recall	1M	Extension	Jonathan Katz
LanceDB	3–5 ms	1M	Embedded	LanceDB blog
Chroma	4–5 ms mean	1M	Embedded	Chroma docs
Pinecone P2	~15 ms (incl. network)	1M	Cloud	Pinecone blog
sqlite-vec (brute force)	17 ms	1M	Extension	Alex Garcia

LatticeDB behaalt bij 1M vectoren een gemiddelde van 0,83 ms met 100% recall@10 — sneller dan FAISS single-threaded HNSW en concurrerend met server-gebaseerde systemen zoals Weaviate en Qdrant (die in de praktijk netwerkoverhead toevoegen).

Graph Traversal (2-hop, 100K nodes)

Systeem	Latentie	Type	Bron
LatticeDB	39 μs	Embedded	zig build sqlite-benchmark
SQLite (recursive CTE)	548 μs	Embedded	zig build sqlite-benchmark
Kuzu	19 ms	Embedded	The Data Quarry
Neo4j	10 ms (1M nodes)	Server	Neo4j blog

LatticeDB vs SQLite (Sociaal netwerk graaf, power-law distributie)

Kleine schaal (10K nodes, 50K edges)

Workload	LatticeDB	SQLite	Versnelling
1-hop traversal	560 ns	13.0 μs	23x
2-hop traversal	3.0 μs	37.5 μs	13x
3-hop traversal	19.1 μs	178.5 μs	9x
Variabele path (1..5)	82.4 μs	4.3 ms	52x

Medium schaal (100K nodes, 500K edges)

Workload	LatticeDB	SQLite	Versnelling
1-hop traversal	8.0 μs	290.0 μs	36x
2-hop traversal	38.7 μs	548.3 μs	14x
3-hop traversal	197.3 μs	1.2 ms	6x
Variabele path (1..5)	134.4 μs	10.1 ms	75x

Depth-Limited Traversal (10K nodes, 50K edges)

Diepte	LatticeDB	SQLite	Versnelling
10	311 μs	121 ms	390x
15	380 μs	271 ms	713x
25	318 μs	587 ms	1.848x
50	500 μs	1.4 s	2.819x

LatticeDB gebruikt BFS met adjacency cache en bitset visited tracking. SQLite gebruikt een recursive CTE met UNION deduplicatie. De kloof wordt groter bij grotere dieptes omdat de CTE-overhead van SQLite toeneemt per recursieniveau.

Full-Text Search (BM25)

Systeem	Zoeklatentie	Type	Bron
LatticeDB	19 μs	Embedded	zig build benchmark
SQLite FTS5	< 6 ms	Embedded	SQLite Cloud
Elasticsearch	1–10 ms	Server	Diversen
Tantivy	10–100 μs	Library	Diversen

De inverted index van LatticeDB met BM25 scoring is ongeveer 300x sneller dan SQLite FTS5 en concurrerend met Tantivy.

Kenmerken

Graph

Nodes en edges met labels en willekeurige eigenschappen.
Duurzame expliciete equality-indexen voor gescopte node- en edge-eigenschappen.
Multi-hop traversal, variabele padlengtes (*1..3).
ACID-transacties met commit/rollback en crash recovery.
MERGE, WITH, UNWIND, aggregaties (count, sum, avg, min, max, collect).

Vector Search

HNSW approximate nearest neighbor met configureerbare M en ef.
Ingebouwde hash embeddings of HTTP-client voor Ollama/OpenAI.
Bulk vector node insertie voor snelle ingestie.

Full-Text Search

BM25-ranked inverted index met tokenisatie en stemming.
Fuzzy search met configureerbare Levenshtein-afstand.

Cypher Query Language

Ondersteunt: MATCH, WHERE, RETURN, CREATE, DELETE, SET, REMOVE.
Ondersteunt: ORDER BY, LIMIT, SKIP, DETACH DELETE.
Vector-afstand operator: <=>.
Full-text search operator: @@.
Parameters: $name.

Operaties

Single-file opslag met write-ahead log voor crash recovery.
Duurzame benoemde streams met expliciete consumer offsets, handmatige trim en graph changefeeds.
Online freelist reuse plus lattice compact voor veilige fysieke tail reclamation.
Zero configuratie — open een bestand en begin met werken.
Embedded single-writer model voor lokale applicaties.
Schone C API; Python, TypeScript en Go bindings vormen hier een wrapper omheen.

Gebruiksscenario's

Verbonden lokale data: Notities, documenten, catalogi, citatiegrafen en entiteitsgrafen.
Graph plus retrieval: Relatie-traversal, semantisch zoeken en lexicaal zoeken over dezelfde dataset.
Lokale kennisinstrumenten: Embedded apps die grafstructuur nodig hebben zonder een aparte server te draaien.
Agent-geheugen en RAG-pipelines: Een voorbeeldklasse van workloads gebouwd op de graph/vector/text substraat.
Lokale ontwikkeling: Lichtgewicht alternatief voor Neo4j of Weaviate voor prototyping op één machine.

Wanneer een ander hulpmiddel gebruiken

LatticeDB is snel, maar snelheid is niet het enige dat telt. In de volgende gevallen is een ander hulpmiddel een betere keuze:

Meerdere applicaties die gelijktijdig naar dezelfde database schrijven: LatticeDB is embedded met een single-writer model. Eén proces opent het bestand en bezit het. Gebruik Neo4j, PostgreSQL of een andere client-server database voor netwerkverbindingen.
Fundamenteel tabulaire data: Als uw data natuurlijk in rijen en kolommen past (verkooprecords, gebruikersaccounts, tijdreeksen), is een relationele database zoals SQLite of PostgreSQL eenvoudiger en net zo snel.
Schalen voorbij één machine: LatticeDB slaat alles op in één bestand op één machine. Voor sharding, replicatie of gedistribueerde queries over miljarden nodes kunt u kijken naar Neo4j cluster, Dgraph of een managed service zoals Neptune.
Volledige Cypher-taal ondersteuning: LatticeDB ondersteunt het grootste deel van Cypher, maar niet alles. Functies zoals OPTIONAL MATCH en CALL procedures zijn nog niet geïmplementeerd.
Volwassen tooling en ecosysteem: Neo4j en PostgreSQL hebben decennia aan tooling, visualisatietools en community-resources. LatticeDB is nieuw en lean.

Bouwen vanuit broncode

Geschreven in Zig. Geen afhankelijkheden.

git clone https://github.com/jeffhajewski/latticedb.git
cd latticedb
zig build                  # Alles bouwen
zig build test             # Tests uitvoeren
zig build -Doptimize=ReleaseFast   # Geoptimaliseerde build

Licentie

MIT

article_shortcut	Samenvatting laten zien
receipt_long	Volledige tekst laten zien
favorite	Artikel opslaan als favoriet
keep	Artikel vastzetten in linker kantlijn
settings	Categorie-instellingen beheren