LatticeDB：嵌入式属性图数据库，让本地应用也能"图"起来

一款让 AI 应用轻松驾驭关系数据的本地数据库

想象这样一个场景：你在开发一个个人知识助手，需要管理论文、作者、概念之间的复杂关系——某篇论文由谁撰写、属于哪个研究方向、不同概念之间有什么关联。当你向助手提问"找找和 Transformer 架构相关的论文，以及它们的作者"时，传统方案需要拼接 PostgreSQL + pgvector + 全文搜索引擎三个系统。

LatticeDB 告诉你：不用这么复杂，一个文件就够了。

起源故事：一个开发者的"为什么"

LatticeDB 的作者 jeffhajewski 在 Hacker News 上分享了他的动机：当他尝试为 AI 应用构建本地记忆系统时，发现自己需要同时维护图数据库（处理关系）、向量数据库（语义检索）和全文索引（关键词搜索）。这种"三合一"的需求让他开始思考——为什么没有一个本地数据库能同时搞定这三种查询？

于是他用 Zig 语言从零实现了这个数据库，定位非常明确：像 SQLite 一样简单，像 Neo4j 一样强大。

核心技术：三合一查询引擎

LatticeDB 的核心创新在于它的统一查询层，同时支持三种查询模式：

1. 图遍历（Graph Traversal）

这是 LatticeDB 的灵魂。使用类似 Cypher 的查询语法，可以高效遍历多跳关系：

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

这个查询同时用了向量相似度（<=> 操作符）和图遍历（-[:PART_OF]->）两种能力。在深度遍历（5跳以上）场景下，LatticeDB 的性能比 SQLite 的递归 CTE 快 2819 倍——实测 3.79 秒的 SQL 查询在 LatticeDB 中只需 500 微秒。

2. HNSW 向量搜索

内置 HNSW（Hierarchical Navigable Small World）近似最近邻算法，官方声称在 100 万向量规模下实现 100% 召回率。支持内置哈希嵌入，也支持接入 Ollama 或 OpenAI 生成嵌入向量。

3. BM25 全文搜索

集成 BM25 排序算法（Elasticsearch 和 Lucene 背后的技术），支持多字段权重配置。

技术架构：Zig 语言的选择

LatticeDB 选择 Zig 语言有几个深意：

• 无运行时依赖：编译后是静态二进制，部署极度简单
• 内存控制精确：数据库需要精细的内存管理，Zig 的 @ptrCast 和显式内存布局非常适合
• 编译速度：比 Rust 快很多，开发迭代效率高

数据库内部结构：

• B+Tree：索引和属性存储
• HNSW：向量索引层
• BM25：全文索引层
• 事务日志：确保 durability

使用体验：绑定丰富，上手容易

LatticeDB 提供了多语言绑定，Python 开发者一行 pip 就能用：

pip install latticedb

from latticedb import Database

with Database("knowledge.db") as db:
    db.create_index("Person", "name")
    alice = db.create_node("Person", {"name": "Alice"})
    doc = db.create_node("Document", {"title": "Attention Is All You Need"})
    db.create_edge(alice, "AUTHORED_BY", doc)

示例项目包括知识图谱可视化、多跳推理等场景。

LatticeDB 图结构示意

行业意义：AI 原生数据库的新思路

GraphRAG（基于知识图谱的检索增强生成）是 2024 年大模型应用的重要方向，而 LatticeDB 恰好踩中了这个趋势。它将图数据库的能力压缩到一个嵌入式单文件中，让：

• 个人开发者可以在本地跑完整的知识图谱应用
• 边缘设备可以运行轻量级 AI 记忆系统
• 原型验证不再需要搭一套 Neo4j + Milvus + Elasticsearch 集群

局限与挑战

当然，LatticeDB 也有它的边界：

1. 不支持集群：目前只支持单进程访问，不适合分布式场景
2. Zig 生态尚新：相关工具链和社区还在成长中
3. 成熟度有限：生产环境使用需要自行评估数据安全需求
4. 无云服务：没有托管版本，大规模部署需要自己运维

总结

LatticeDB 是一个很有想法的项目。它用 Zig 语言重新思考了"嵌入式数据库"这个品类——不追求功能大而全，而是专注于本地 AI 应用的图 + 向量 + 全文三合一场景。对于构建知识图谱、GraphRAG、推荐系统本地原型，它是一个非常值得尝试的工具。

如果你正在寻找一个轻量级的图数据库来为 AI 应用添加"记忆"能力，LatticeDB 值得关注。

LatticeDB 文档截图

LatticeDB 架构图