项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-08-10 · 当前星标 ★ 4675
使用教程
环境要求
- Node.js 环境(使用 npx / npm 安装 ruvector)
- 原生 npm 二进制支持 glibc Linux x64/arm64、macOS x64/arm64、Windows x64
- 浏览器等环境需改用单独的 @ruvector/wasm 包
- 默认检索在本地运行,无需数据库服务器,也无需 API Key
安装与启动步骤
-
1写入一条记忆
在项目目录下执行,语义模式会先下载并缓存本地 all-MiniLM-L6-v2 模型,记忆保存在当前项目内,后续进程仍可读取。
npx ruvector hooks remember --semantic --type decision \ "The customer requires all inference to remain in Canada." -
2按语义召回记忆
用自然语言提问,--top-k 控制返回条数;同样的语义检索路径,无需数据库服务。
npx ruvector hooks recall --semantic --top-k 3 \ "Where may customer data be processed?" -
3查看存储统计
检查当前项目下的记忆存储状态与条目情况,便于确认写入是否成功。
npx ruvector hooks stats -
4在 Node.js 中嵌入使用
安装 npm 包后,用 OnnxEmbedder 初始化本地嵌入模型,再创建 VectorDB 实例;数据边界为本进程与本地文件。
npm install ruvector -
5编写 Node.js 示例代码
初始化嵌入器并创建向量库,维度需与嵌入模型保持一致(示例为 384 维)。
const { OnnxEmbedder, VectorDB } = require('ruvector'); async function main() { const embedder = new OnnxEmbedder(); await embedder.init(); const db = new VectorDB({ dimensions: 384, distanceMetric: 'cosine' }); } main(); -
6校验后端可用性
用 info 命令确认当前选择的后端(原生核心或 RVF)能否正常加载,排查环境不匹配问题。
npx ruvector info
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
dimensions | 是 | 向量维度,必须与所用嵌入模型一致 | 384 |
distanceMetric | 否 | 向量距离度量方式 | cosine |
如何确认成功
执行 npx ruvector info 能正常输出所选后端信息,且 npx ruvector hooks stats 能查到刚写入的记忆条目,即为可用。
常见问题
Q:必须自己部署数据库或申请 API Key 吗?
A:不需要。默认检索路径在本地运行,无需数据库服务器和 API Key,托管服务是可选的,并且属于独立的数据边界。
Q:第一次使用语义命令为什么比较慢?
A:首次执行语义命令会下载并缓存本地 all-MiniLM-L6-v2 模型,之后复用缓存即可,属于正常现象。
Q:想更换嵌入模型或从 hash 换成语义嵌入怎么办?
A:使用 npx ruvector hooks reembed 重建既有存储;同时要保证每个存储只使用一种嵌入模型和维度。
Q:浏览器里能直接用 ruvector 吗?
A:浏览器环境请显式使用 @ruvector/wasm 包进行向量操作,它与 Node.js 原生核心是不同的包和存储边界。
Q:原生核心加载失败会怎样?
A:当原生核心和 RVF 都无法加载时,根包的降级模式能力有限,建议用 npx ruvector info 检查后端选择。
注意事项
- 记忆默认存储在“当前项目”目录下,换目录运行会读到不同的存储。
- 学习来自已记录的结果与反馈,而不是单纯读取,所以要保持反馈写入习惯。
- 不要在同一存储中混用多个嵌入模型或维度,切换前先执行 reembed。
- 可通过 ruvector、ruvector-core、ruvector-server、ruvector-postgres 等不同形态部署,各自的数据边界不同。
核心亮点
- 基于 Rust 实现,内存安全且性能极高,适合低延迟场景
- 集成图神经网络,支持复杂关系数据的自学习推理
- 内置 OCR 和注意力机制,扩展了传统向量数据库的 AI 能力
不足之处
- 项目较新,文档和社区生态尚不完善
- GNN 和记忆数据库功能可能增加使用复杂度,上手门槛较高
适用场景
- 实时推荐系统,需要结合用户行为图进行动态向量检索
- 智能问答机器人,利用记忆数据库存储对话上下文并自学习
- 图像识别流水线,结合 OCR 和向量检索进行内容关联分析
替代项目
Milvus、Qdrant、Weaviate
同类项目推荐
sglang-omni
开源
让语音和多模态模型服务快如闪电,吞吐翻倍
High Performance Serving Runtime For Interactive Super Intelligence System
claude-code-local
开源
在 Mac 上离线跑 Claude Code,代码不出本机
Hit your Claude Code usage limit? Keep going free and offline on a local model: Qwen···
LLM-Hub
开源
本地跑大模型,图像语音问答全搞定
Local LLM, image&video&music generator
kubeflow-chart
开源
用 Helm 一键部署 Kubeflow,省去复杂配置。
Kubeflow helm chart
rainbond
开源
一键把 AI 项目跑在 Kubernetes 上,自动运维不折腾
Rainbond is an open-source container platform that requires no Kubernetes expertise.···
last9-mcp-server
开源
让AI助手看懂系统监控,用自然语言排查故障
Last9 MCP Server
mlops-v2
开源
用模板在 Azure 上快速搭建企业级机器学习自动化流水线
Azure MLOps (v2) solution accelerators. Enterprise ready templates to deploy your ma···
mistral.rs
开源
用 Rust 快速跑大模型,本地部署低延迟
Fast, flexible LLM inference
inference-gateway
开源
一个网关统一接入本地与云端大模型
An open-source, cloud-native, high-performance gateway unifying multiple LLM provide···
