FalkorDB

FalkorDB 是一款以线性代数为核心执行引擎的属性图数据库，底层利用 GraphBLAS 将图结构存储为稀疏邻接矩阵，通过矩阵运算替代传统遍历来执行 OpenCypher 查询，并结合 AVX SIMD 指令与 OpenMP 并行实现高性能计算。系统以 Redis Module（.so 共享库）方式运行，要求 Redis 7.4+，原生支持多租户图级隔离、全文搜索、向量相似度搜索与范围索引，同时提供 RESP 和 Bolt 双协议接入。

核心架构#

┌─────────────────────────────────────────────┐
│  协议层：RESP (Redis) / Bolt                 │
├─────────────────────────────────────────────┤
│  查询引擎：OpenCypher 解析器                  │
│     ↓                                        │
│  执行后端：GraphBLAS 线性代数运算             │
│     ↓                                        │
│  存储引擎：稀疏邻接矩阵（压缩存储）            │
├─────────────────────────────────────────────┤
│  索引层：全文 / 向量相似度 / 范围索引          │
├─────────────────────────────────────────────┤
│  多租户层：图级命名空间隔离                    │
├─────────────────────────────────────────────┤
│  持久化：Redis RDB/AOF                        │
└─────────────────────────────────────────────┘

图存储与查询引擎#

• 稀疏矩阵图表示：首个可查询的属性图数据库，利用稀疏矩阵表示邻接矩阵，优化存储与查询
• 线性代数查询执行：基于 GraphBLAS，以线性代数运算替代传统图遍历执行查询
• AVX SIMD 加速：利用 AVX 指令集进行性能优化
• OpenCypher 兼容：兼容 OpenCypher 查询语言，包含专有扩展
• 属性图模型：完整支持带属性的节点和关系

多租户与部署#

• 原生多租户：多图隔离，每个图独立命名空间，零开销
• 水平扩展：线性扩展能力
• 高可用：集群部署、多区域部署
• 持久化与备份：依赖 Redis RDB/AOF，云服务额外提供每 12 小时自动备份
• 安全机制：TLS、VPC、图级访问控制
• 双协议支持：RESP（Redis 协议）+ Bolt 协议

GenAI / GraphRAG#

• GraphRAG SDK：内置工具链，支持高级图推理与生成式 AI 任务
• 本体自动检测：从非结构化数据自动生成本体
• 内置 Agent 编排：原生 agent orchestration 能力
• 向量搜索集成：与图查询原生协同的向量相似度搜索

快速开始#

Docker 部署（推荐）#

docker run -p 6379:6379 -p 3000:3000 -it --rm -v ./data:/var/lib/falkordb/data falkordb/falkordb

• 端口 6379：FalkorDB Server（RESP 协议）
• 端口 3000：FalkorDB Browser（Web UI）

源码编译#

git clone --recurse-submodules -j8 https://github.com/FalkorDB/FalkorDB.git
apt-get install build-essential cmake m4 automake peg libtool autoconf python3 python3-pip libgomp1
make
# 产物：bin/<arch>/src/falkordb.so

加载为 Redis Module#

redis-server --loadmodule /path/to/module/src/falkordb.so

前置要求：Redis 7.4+

使用示例#

Python 客户端#

from falkordb import FalkorDB

db = FalkorDB(host='localhost', port=6379)
g = db.select_graph('MotoGP')
g.query("""CREATE
           (:Rider {name:'Valentino Rossi'})-[:rides]->(:Team {name:'Yamaha'}),
           (:Rider {name:'Dani Pedrosa'})-[:rides]->(:Team {name:'Honda'})""")

res = g.query("""MATCH (r:Rider)-[:rides]->(t:Team)
                 WHERE t.name = 'Yamaha' RETURN r.name""")
for row in res.result_set:
    print(row[0])

官方客户端库#

适用场景#

• GraphRAG / AI 检索增强：将 LLM 与领域知识图谱结合，减少幻觉，增强 AI 响应准确性和可追溯性
• Agentic AI：为 AI Agent 提供记忆和推理支持
• 欺诈检测：图遍历分析复杂关系链
• 安全图谱：威胁情报查询（案例：Securin 在 350ms 内完成 7 跳威胁情报查询）
• Snowflake 集成：在 Snowflake AI Data Cloud 中作为原生图数据库运行

待确认事项#

• GraphBLAS 具体实现版本与子模块细节
• 性能基准测试方法论与数据集未验证
• Securin 案例具体部署规模与配置
• Snowflake 集成具体可用性与实现方式
• SSPLv1 对企业用户的合规影响
• OpenCypher 兼容覆盖率（CTP 测试集通过率）
• GraphRAG SDK 支持的 LLM 提供商与嵌入模型范围
• Bolt 协议具体版本号