HASH：自构建知识图谱与多租户智能体平台

图1：HASH 平台官方 Banner

一、一个「会自己长知识」的数据库

想象这样一个场景：你的公司每天产生大量数据——CRM 里的客户资料、工单系统里的支持记录、ERP 里的供应链数据、公开的新闻报道和行业报告。这些数据散落在十几个互不相通的系统里，格式各异，更新频率不同，你甚至不知道哪些数据已经过时了。

传统方案是花大量时间 ETL（抽取-转换-加载）——写脚本清洗数据、导入数仓、搭 BI 报表。但这套流程有个根本问题：数据是死的，人工维护的成本永远追不上业务变化的速度。

HASH 尝试回答一个更有野心的问题：如果数据库能自己长知识呢？

HASH 是一个自构建（self-building）知识图谱平台。它的核心思路是：系统不仅存储数据，还能理解数据之间的关系，自动构建语义图谱，并且派驻 AI 智能体持续巡逻网络和内部数据源，自动更新图谱、检测冲突、补全缺失信息。开发者不需要手动定义所有实体和关系，AI 会在运行时帮你「长出来」。

二、背景：从 HashiCorp 内部工具到开源平台

HASH 最初是基础设施公司 HashiCorp 内部的数据管理实验项目，2019 年独立为 HASH 公司，2025 年被集成开发平台 Relay 收购并继续开源。其创始人在分布式系统领域有深厚积累，HASH 的类型系统设计深受函数式编程影响，核心图数据库则采用 Rust 实现。

项目 topics 包括：ai、database、graph、hash、rust、simulation、type-system、typescript，定位横跨知识图谱数据库、AI 智能体和多租户 SaaS 三个领域。

三、核心技术架构

3.1 图数据库层（Graph Layer）—— Rust 实现的高性能存储

HASH 的核心是一个用 Rust 编写的图数据库服务（apps/hash-graph），负责存储和管理知识图谱。这是整个系统最底层的存储引擎，提供：

• 属性图模型：节点和边都可以携带多值属性，支持复杂的数据结构
• Bitemporality（双时态）：原生支持「事务时间」和「有效时间」的区分，天然适合审计、合规和因果追溯场景。这在图数据库领域非常罕见。
• Type System（类型系统）：libs/@blockprotocol/type-system/rust 实现了复杂的类型层次结构，实体类型和关系类型都支持继承和多态。
• PostgreSQL 存储后端：通过 libs/@local/graph/postgres-store 将图数据持久化到 PostgreSQL，利用其 JSONB 字段存储动态属性，同时借用关系数据库的事务能力。

Rust 实现带来了几个显著优势：内存安全（杜绝了 C++ 图数据库常见的 dangling pointer 问题）、高性能（并发图遍历性能优于 Python/Go 同类方案），以及编译时保证的并发安全。

3.2 API 层 —— TypeScript/Node.js 的企业级后端

apps/hash-api 是用 TypeScript 编写的企业级 RESTful + GraphQL API 服务，连接图数据库和前端。API 层承担以下职责：

• 权限与授权：libs/@local/graph/authorization 模块实现了细粒度的访问控制，支持多租户隔离（每个租户有独立的命名空间）。
• 身份认证：集成 Ory Kratos（身份管理）和 Ory Hydra（OAuth2/OIDC 代理），支持 SSO、SAML 等企业认证方案。
• 工作流引擎：通过 Temporal 实现复杂的异步工作流编排，支持长时间运行的业务事务（如 AI 智能体任务、外部 API 调用链）。
• 集成能力：支持从外部数据源（Salesforce、Google Drive、自定义 API）拉取数据，经过 AI 处理后写入图谱。

3.3 前端 —— React + TypeScript 的可视化界面

apps/hash-frontend 是 HASH 的 Web 可视化界面，基于 React 和 TypeScript 构建。主要功能：

• 实体浏览器：非技术用户可以可视化地浏览和编辑图谱中的实体（entities）和类型（types）。
• 类型编辑器：拖拽式定义实体类型和关系类型，配置属性约束。
• 查询构建器：通过图形界面构建图查询，不需要写 Cypher 或 Gremlin。
• AI 助手面板：集成 AI 智能体交互界面，用户可以向 AI 下达自然语言查询。

3.4 AI Worker 层 —— 自主运行的智能体服务

apps/hash-ai-worker-ts 和 apps/hash-integration-worker 是两个 TypeScript 编写的后台服务，分别负责：

• AI Worker：调用大语言模型（OpenAI GPT-4、Anthropic Claude 等）进行实体抽取、关系推理、冲突检测等任务。
• Integration Worker：负责定时或事件驱动地从外部数据源拉取数据，触发 AI Worker 处理后写入图谱。

这两个服务都接入 Temporal 工作流引擎，确保跨系统的长事务能够可靠执行。

四、部署方式：完整的 Docker Compose 一键部署

HASH 提供了一个包含 36 个容器服务 的完整 Docker Compose 栈（infra/compose/compose.yml），覆盖数据层、应用层、认证层、可观测性层的所有依赖：

服务类型	主要服务	说明
数据层	postgres, redis, minio	图谱存储、缓存、对象存储
认证层	kratos, hydra	身份管理与 OAuth2
工作流	temporal, temporal-ui	异步任务编排
存储	vault	密钥管理
可观测	grafana, prometheus, loki, tempo, otel-collector	监控/日志/链路追踪
应用层	graph, api, frontend, ai-worker, integration-worker	HASH 自身服务

部署只需五步：clone → mise trust && mise install → yarn install → 创建 .env.local → yarn start（约 30 分钟首次编译 Rust）。如果不需要修改 Rust 图数据库代码，可以跳过本地编译，改用 yarn compose --profile hgres up 将 graph 服务也跑在 Docker 里。

五、上手门槛与适用人群

门槛评估：HASH 的上手难度属于中等偏高，主要门槛在于：

1. 首次编译时间：纯 native 模式下，Rust 图数据库首次编译需要 10-20 分钟（取决于机器配置）。好在 Docker 模式可以规避这一点。
2. 依赖工具多：需要同时管理 Docker、Node.js、Yarn、Rust、protoc 等多个工具链，好在 mise 会自动处理版本锁定。
3. 概念抽象：Bitemporality、多租户隔离、Type System 等概念对新手有一定认知成本，建议先阅读官方文档中的图谱概念部分。

适合人群：

• 数据工程师/AI 工程师：需要一个现成的知识图谱存储层，无需从零搭建
• 企业 CTO：需要构建内部知识库、流程自动化或决策支持系统
• LangChain/AutoGPT 等 AI 框架的开发者：需要一个结构化的记忆层来替代简单的向量数据库
• 学术研究者：研究知识图谱构建、智能体协作、图神经网络

不适合：需要轻量级 key-value 存储、无图关系需求的简单 CRUD 应用。

六、局限与争议

HASH 作为一个复杂的综合系统，也有一些值得关注的问题：

• 文档质量参差不齐：虽然是开源项目，但部分模块的文档仍然不够完整，需要通过阅读源码理解细节。
• Rust 生态绑定：核心图数据库完全依赖 Rust，意味着贡献者门槛较高，可能影响社区活跃度。
• 商业依赖：HASH 已被 Relay 收购，平台的部分发展方向可能受商业公司战略影响。
• 资源占用高：36 个容器服务对机器资源要求不低，生产部署需要认真规划资源分配。

七、行业意义与趋势

HASH 代表了一个重要趋势：从「数据湖」到「知识图谱+AI 智能体」的范式转移。传统数据湖/数据仓库只是被动存储，而 HASH 通过内置 AI Worker 实现了数据的主动理解和自我进化。

从技术角度看，HASH 的几个设计选择值得关注：

• Bitemporality 原生支持：这对企业级应用（审计、金融、医疗）意义重大，比事后打补丁要优雅得多。
• Rust + TypeScript 的混编架构：Rust 保证核心性能，TypeScript 保证开发效率，两者通过 IPC（进程间通信）协作，是兼顾性能和迭代速度的好选择。
• Block Protocol 生态：HASH 的类型系统遵循 Block Protocol 标准，理论上可以和其他兼容该协议的应用互操作。

如果你在寻找一个能够持续「自我进化」的知识库系统，HASH 是目前开源领域值得关注的选择之一。