NornicDB是一款开源的图数据库，原生支持向量检索与图遍历的混合查询，兼容Neo4j Bolt/Cypher协议，同时保留Qdrant gRPC接口，实现亚毫秒级写入和亚10毫秒级HNSW向量搜索，为Graph-RAG和智能体记忆系统提供统一存储方案。

NornicDB：为AI原生应用打造的图向量融合数据库\n\n## 背景：为什么需要图向量融合数据库？\n\n在构建基于大语言模型的智能应用时，开发者往往面临一个架构难题：语义搜索需要向量数据库，而关系推理需要图数据库。传统的解决方案是将两者分开部署——用向量数据库存储嵌入向量进行相似性检索，用图数据库维护实体关系。这种架构不仅增加了系统复杂度，还导致跨库查询时产生显著的网络延迟。\n\nNornicDB的出现正是为了解决这一痛点。它是一款从零设计的原生融合数据库，将图遍历、向量检索和历史版本控制整合到单一执行引擎中，为知识图谱、智能体记忆、Graph-RAG等场景提供了统一的存储基础设施。\n\n## 项目概览：NornicDB是什么\n\nNornicDB是一款低延迟的图向量数据库，采用MVCC（多版本并发控制）架构，实现了亚毫秒级的写入性能和亚10毫秒级的HNSW向量搜索加图遍历性能。它最引人注目的特点是完全兼容Neo4j的Bolt协议和Cypher查询语言，同时保留了Qdrant风格的gRPC接口，让现有应用可以零改动迁移。\n\n该项目由orneryd团队开源，采用Go语言开发，支持多种硬件加速路径（Metal/CUDA/Vulkan），并提供完整的Docker镜像方案，包括预装嵌入模型的全功能版和自带模型(BYOM)的精简版。\n\n## 核心技术架构解析\n\n### 混合执行模型\n\nNornicDB采用了独特的混合执行策略。对于常见的遍历和聚合模式，系统使用专门优化的流式执行器；而对于复杂的查询，则回退到通用Cypher执行路径。这种设计在保证性能的同时，也确保了查询的完整性和正确性。\n\n在解析器层面，NornicDB提供了两种模式：默认的nornic解析器针对低延迟热路径进行了优化，而ANTLR模式则在需要严格语法验证和调试诊断时提供完整的解析树支持。内部测试表明，在某些查询场景下，两种解析路径的性能差异显著，这也是生产环境默认采用自定义解析器的原因。\n\n### MVCC与快照隔离\n\nNornicDB在存储层实现了快照隔离机制。每个事务都锚定到特定的MVCC版本，这意味着点查询、标签扫描和快照可见的图遍历都在同一提交视图上解析。这种设计带来了几个关键优势：\n\n- 事务内的可重复读：事务能看到自己缓冲的写入，但看不到读快照之后提交的其他事务的修改\n- 提交时的冲突检测：对相同逻辑状态的并发图变更会返回标准化的ErrConflict错误，而不是静默覆盖新数据\n- 显式的历史读取：MVCC剪枝策略保留每个逻辑键的当前头部和保留下限，低于保留下限的请求会安全地返回ErrNotFound\n\n值得注意的是，向量搜索专注于当前状态，与历史MVCC状态是分离的，这种设计符合语义搜索通常只关心最新数据的实际需求。\n\n### GPU加速与硬件适配\n\nNornicDB原生支持GPU加速，提供了Metal（Apple Silicon）、CUDA（NVIDIA）和Vulkan三种硬件加速路径。这对于需要高吞吐量的图计算和语义工作负载尤为重要。项目提供了针对不同硬件优化的Docker镜像：\n\n- timothyswt/nornicdb-arm64-metal-bge:latest —— Apple Silicon（含bge-m3嵌入模型）\n- timothyswt/nornicdb-amd64-cuda-bge:latest —— NVIDIA GPU环境\n- timethyswt/nornicdb-amd64-vulkan-bge:latest —— Vulkan兼容设备\n- timothyswt/nornicdb-amd64-cpu-bge:latest —— 纯CPU环境\n\n## 性能表现：基准测试数据\n\n### LDBC社交网络基准测试\n\n在M3 Max（64GB内存）设备上进行的LDBC社交网络基准测试显示，NornicDB相比Neo4j有显著的性能提升：\n\n| 查询类型 | NornicDB | Neo4j | 加速比 |\n|---------|---------|-------|--------|\n| 消息内容查找 | 6,389 ops/sec | 518 ops/sec | 12x |\n| 好友近期消息 | 2,769 ops/sec | 108 ops/sec | 25x |\n| 城市平均好友数 | 4,713 ops/sec | 91 ops/sec | 52x |\n| 标签共现分析 | 2,076 ops/sec | 65 ops/sec | 32x |\n\n### 混合检索性能\n\n混合检索是NornicDB区别于纯向量数据库的核心能力。在本地基准测试中（67,280节点、40,921边、67,298嵌入向量，CPU-only HNSW索引）：\n\nHTTP传输层：\n- 纯向量检索：14,950 req/s，平均延迟663微秒\n- 向量+1跳图遍历：11,523 req/s，平均延迟859微秒\n\nBolt传输层：\n- 纯向量检索：8,802 req/s，平均延迟1.13毫秒\n- 向量+1跳图遍历：7,977 req/s，平均延迟1.24毫秒\n\n远程基准测试（GCP 8 vCPU、32GB RAM）显示，P50延迟约为110毫秒左右，端到端延迟主要受网络RTT限制而非计算瓶颈。\n\n### HNSW构建优化\n\n通过BM25种子插入顺序优化，NornicDB将100万嵌入向量的HNSW索引构建时间从约27分钟缩短到约10分钟，实现了2.7倍的加速。这一优化通过减少构建过程中的遍历浪费实现，且没有改变核心质量参数。\n\n## 关键特性与差异化优势\n\n### 协议兼容性\n\nNornicDB提供了多协议支持，让不同背景的开发团队都能找到熟悉的接口：\n\n- Bolt + Cypher：完全兼容Neo4j协议，现有Neo4j驱动（Python、JavaScript、Go、Java、.NET）可直接使用\n- Qdrant gRPC：保留Qdrant风格的gRPC工作流，方便从Qdrant迁移\n- REST API：标准HTTP接口，便于Web应用集成\n- GraphQL：支持图查询的GraphQL接口\n\n### 智能功能原生集成\n\n与传统数据库"后期加装AI功能"不同，NornicDB将智能能力作为一等公民：\n\n- LLM推理：内置大语言模型推理能力\n- 嵌入生成：支持文本自动向量化\n- HNSW + 重排序：向量搜索结合BM25融合和可选重排序\n- 记忆衰减：模拟人类记忆的遗忘曲线，自动管理长期记忆\n- 自动TLP：自动事务生命周期管理\n- MCP支持：Model Context Protocol原生支持\n\n### 规范图账本模型\n\n对于需要严格审计和合规的场景，NornicDB提供了规范图账本模型，支持：\n\n- 版本化事实存储\n- 时间有效性窗口\n- 三时态事实建模\n- 历史时点读取（as-of reads）\n- 面向审计的变更追踪\n\n## 部署与使用\n\n### Docker快速启动\n\nApple Silicon用户可以通过以下命令快速启动：\n\nbash\ndocker run -d --name nornicdb \\\n -p 7474:7474 -p 7687:7687 \\\n -v nornicdb-data:/data \\\n timothyswt/nornicdb-arm64-metal-bge:latest\n\n\n启动后访问http://localhost:7474即可进入管理界面。\n\n### 代码示例\n\n使用Neo4j Python驱动连接NornicDB：\n\npython\nfrom neo4j import GraphDatabase\n\ndriver = GraphDatabase.driver(\"bolt://localhost:7687\")\nwith driver.session() as session:\n session.run(\"CREATE (n:Memory {content: 'Hello NornicDB'})\")\n\n\n## 适用场景\n\nNornicDB特别适合以下应用场景：\n\nGraph-RAG系统：结合向量语义检索和图关系推理，实现更准确的检索增强生成。相比传统的纯向量RAG，Graph-RAG可以利用实体关系进行多跳推理，回答需要综合多个信息源的复杂问题。\n\n智能体记忆系统：为AI智能体提供结构化的短期会话状态和长期语义记忆，支持记忆的自动衰减和关联检索。\n\n知识图谱应用：构建大规模知识图谱，支持复杂的图遍历查询和语义搜索的结合。\n\n审计密集型系统：利用规范图账本模型，实现不可篡改的数据变更历史追踪，满足金融、医疗等行业的合规要求。\n\n## 总结与展望\n\nNornicDB代表了数据库技术向AI原生架构演进的一个重要方向。它不是简单地将向量搜索插件化到图数据库中，而是从根本上重新设计了存储引擎，让图遍历、向量检索、时态查询和审计追踪能够在同一执行路径上高效运行。\n\n对于正在构建下一代智能应用的开发者来说，NornicDB提供了一个值得认真考虑的选项。它既保留了成熟图数据库的查询能力和生态兼容性，又原生集成了现代AI应用所需的向量检索和语义理解能力，在性能、功能和易用性之间取得了很好的平衡。\n\n随着项目的持续迭代，我们可以期待更多企业级特性（如分布式部署、更丰富的安全控制）的完善，届时NornicDB有望成为AI基础设施领域的重要玩家。

NornicDB：为AI原生应用打造的图向量融合数据库\n\n背景：为什么需要图向量融合数据库？\n\n在构建基于大语言模型的智能应用时，开发者往往面临一个架构难题：语义搜索需要向量数据库，而关系推理需要图数据库。传统的解决方案是将两者分开部署——用向量数据库存储嵌入向量进行相似性检索，用图数据库维护实体关系。这种架构不仅增加了系统复杂度，还导致跨库查询时产生显著的网络延迟。\n\nNornicDB的出现正是为了解决这一痛点。它是一款从零设计的原生融合数据库，将图遍历、向量检索和历史版本控制整合到单一执行引擎中，为知识图谱、智能体记忆、Graph-RAG等场景提供了统一的存储基础设施。\n\n项目概览：NornicDB是什么\n\nNornicDB是一款低延迟的图向量数据库，采用MVCC（多版本并发控制）架构，实现了亚毫秒级的写入性能和亚10毫秒级的HNSW向量搜索加图遍历性能。它最引人注目的特点是完全兼容Neo4j的Bolt协议和Cypher查询语言，同时保留了Qdrant风格的gRPC接口，让现有应用可以零改动迁移。\n\n该项目由orneryd团队开源，采用Go语言开发，支持多种硬件加速路径（Metal/CUDA/Vulkan），并提供完整的Docker镜像方案，包括预装嵌入模型的全功能版和自带模型(BYOM)的精简版。\n\n核心技术架构解析\n\n混合执行模型\n\nNornicDB采用了独特的混合执行策略。对于常见的遍历和聚合模式，系统使用专门优化的流式执行器；而对于复杂的查询，则回退到通用Cypher执行路径。这种设计在保证性能的同时，也确保了查询的完整性和正确性。\n\n在解析器层面，NornicDB提供了两种模式：默认的nornic解析器针对低延迟热路径进行了优化，而ANTLR模式则在需要严格语法验证和调试诊断时提供完整的解析树支持。内部测试表明，在某些查询场景下，两种解析路径的性能差异显著，这也是生产环境默认采用自定义解析器的原因。\n\nMVCC与快照隔离\n\nNornicDB在存储层实现了快照隔离机制。每个事务都锚定到特定的MVCC版本，这意味着点查询、标签扫描和快照可见的图遍历都在同一提交视图上解析。这种设计带来了几个关键优势：\n\n- 事务内的可重复读：事务能看到自己缓冲的写入，但看不到读快照之后提交的其他事务的修改\n- 提交时的冲突检测：对相同逻辑状态的并发图变更会返回标准化的ErrConflict错误，而不是静默覆盖新数据\n- 显式的历史读取：MVCC剪枝策略保留每个逻辑键的当前头部和保留下限，低于保留下限的请求会安全地返回ErrNotFound\n\n值得注意的是，向量搜索专注于当前状态，与历史MVCC状态是分离的，这种设计符合语义搜索通常只关心最新数据的实际需求。\n\nGPU加速与硬件适配\n\nNornicDB原生支持GPU加速，提供了Metal（Apple Silicon）、CUDA（NVIDIA）和Vulkan三种硬件加速路径。这对于需要高吞吐量的图计算和语义工作负载尤为重要。项目提供了针对不同硬件优化的Docker镜像：\n\n- timothyswt/nornicdb-arm64-metal-bge:latest —— Apple Silicon（含bge-m3嵌入模型）\n- timothyswt/nornicdb-amd64-cuda-bge:latest —— NVIDIA GPU环境\n- timethyswt/nornicdb-amd64-vulkan-bge:latest —— Vulkan兼容设备\n- timothyswt/nornicdb-amd64-cpu-bge:latest —— 纯CPU环境\n\n性能表现：基准测试数据\n\nLDBC社交网络基准测试\n\n在M3 Max（64GB内存）设备上进行的LDBC社交网络基准测试显示，NornicDB相比Neo4j有显著的性能提升：\n\n| 查询类型 | NornicDB | Neo4j | 加速比 |\n|---------|---------|-------|--------|\n| 消息内容查找 | 6,389 ops/sec | 518 ops/sec | 12x |\n| 好友近期消息 | 2,769 ops/sec | 108 ops/sec | 25x |\n| 城市平均好友数 | 4,713 ops/sec | 91 ops/sec | 52x |\n| 标签共现分析 | 2,076 ops/sec | 65 ops/sec | 32x |\n\n混合检索性能\n\n混合检索是NornicDB区别于纯向量数据库的核心能力。在本地基准测试中（67,280节点、40,921边、67,298嵌入向量，CPU-only HNSW索引）：\n\nHTTP传输层：\n- 纯向量检索：14,950 req/s，平均延迟663微秒\n- 向量+1跳图遍历：11,523 req/s，平均延迟859微秒\n\nBolt传输层：\n- 纯向量检索：8,802 req/s，平均延迟1.13毫秒\n- 向量+1跳图遍历：7,977 req/s，平均延迟1.24毫秒\n\n远程基准测试（GCP 8 vCPU、32GB RAM）显示，P50延迟约为110毫秒左右，端到端延迟主要受网络RTT限制而非计算瓶颈。\n\nHNSW构建优化\n\n通过BM25种子插入顺序优化，NornicDB将100万嵌入向量的HNSW索引构建时间从约27分钟缩短到约10分钟，实现了2.7倍的加速。这一优化通过减少构建过程中的遍历浪费实现，且没有改变核心质量参数。\n\n关键特性与差异化优势\n\n协议兼容性\n\nNornicDB提供了多协议支持，让不同背景的开发团队都能找到熟悉的接口：\n\n- Bolt + Cypher：完全兼容Neo4j协议，现有Neo4j驱动（Python、JavaScript、Go、Java、.NET）可直接使用\n- Qdrant gRPC：保留Qdrant风格的gRPC工作流，方便从Qdrant迁移\n- REST API：标准HTTP接口，便于Web应用集成\n- GraphQL：支持图查询的GraphQL接口\n\n智能功能原生集成\n\n与传统数据库"后期加装AI功能"不同，NornicDB将智能能力作为一等公民：\n\n- LLM推理：内置大语言模型推理能力\n- 嵌入生成：支持文本自动向量化\n- HNSW + 重排序：向量搜索结合BM25融合和可选重排序\n- 记忆衰减：模拟人类记忆的遗忘曲线，自动管理长期记忆\n- 自动TLP：自动事务生命周期管理\n- MCP支持：Model Context Protocol原生支持\n\n规范图账本模型\n\n对于需要严格审计和合规的场景，NornicDB提供了规范图账本模型，支持：\n\n- 版本化事实存储\n- 时间有效性窗口\n- 三时态事实建模\n- 历史时点读取（as-of reads）\n- 面向审计的变更追踪\n\n部署与使用\n\nDocker快速启动\n\nApple Silicon用户可以通过以下命令快速启动：\n\nbash\ndocker run -d --name nornicdb \\\n -p 7474:7474 -p 7687:7687 \\\n -v nornicdb-data:/data \\\n timothyswt/nornicdb-arm64-metal-bge:latest\n\n\n启动后访问http://localhost:7474即可进入管理界面。\n\n代码示例\n\n使用Neo4j Python驱动连接NornicDB：\n\npython\nfrom neo4j import GraphDatabase\n\ndriver = GraphDatabase.driver(\"bolt://localhost:7687\")\nwith driver.session() as session:\n session.run(\"CREATE (n:Memory {content: 'Hello NornicDB'})\")\n\n\n适用场景\n\nNornicDB特别适合以下应用场景：\n\nGraph-RAG系统：结合向量语义检索和图关系推理，实现更准确的检索增强生成。相比传统的纯向量RAG，Graph-RAG可以利用实体关系进行多跳推理，回答需要综合多个信息源的复杂问题。\n\n智能体记忆系统：为AI智能体提供结构化的短期会话状态和长期语义记忆，支持记忆的自动衰减和关联检索。\n\n知识图谱应用：构建大规模知识图谱，支持复杂的图遍历查询和语义搜索的结合。\n\n审计密集型系统：利用规范图账本模型，实现不可篡改的数据变更历史追踪，满足金融、医疗等行业的合规要求。\n\n总结与展望\n\nNornicDB代表了数据库技术向AI原生架构演进的一个重要方向。它不是简单地将向量搜索插件化到图数据库中，而是从根本上重新设计了存储引擎，让图遍历、向量检索、时态查询和审计追踪能够在同一执行路径上高效运行。\n\n对于正在构建下一代智能应用的开发者来说，NornicDB提供了一个值得认真考虑的选项。它既保留了成熟图数据库的查询能力和生态兼容性，又原生集成了现代AI应用所需的向量检索和语义理解能力，在性能、功能和易用性之间取得了很好的平衡。\n\n随着项目的持续迭代，我们可以期待更多企业级特性（如分布式部署、更丰富的安全控制）的完善，届时NornicDB有望成为AI基础设施领域的重要玩家。