Les phases 3 et 4 de la session 166 ont ajouté des capacités pour lesquelles la plupart des bases de données facturent un supplément. Requêtes graphe -- plus court chemin, PageRank, composantes connexes, détection de cycles, tri topologique. Recherche sémantique -- embeddings vectoriels, classement par mots-clés BM25, recherche hybride.
FlinDB a les deux. Intégrés dans la même base de données embarquée. Pas de services supplémentaires. Pas d'appels réseau.
Requêtes graphe
Le système de références d'entités de FlinDB forme naturellement un graphe. Chaque référence d'une entité à une autre est une arête.
Plus court chemin : BFS entre entités. Cas d'usage : réseaux sociaux, hiérarchies organisationnelles, graphes de dépendances.
Traversée multi-sauts : traverse() parcourt le graphe de relations à une profondeur configurable.
PageRank : calcul de scores d'influence à travers les graphes d'entités.
Composantes connexes : identifie les groupes d'entités connectées par des références.
Détection de cycles : détecte les références circulaires dans les graphes d'entités.
Tri topologique : ordonne les entités pour que les dépendances viennent avant les dépendants.
Recherche sémantique
Classement BM25 par mots-clés
FlinDB implémente BM25 -- le même algorithme de classement utilisé par Elasticsearch et Solr.
rustdb.keyword_search("comfortable office chair", "Product", "description", 10)?;Recherche par similarité vectorielle
Pour la compréhension sémantique au-delà de la correspondance par mots-clés, FlinDB génère des embeddings vectoriels pour les champs semantic text.
flinentity Product {
name: text
description: semantic text
}
// Search by meaning
results = db.semantic_search("comfortable seating for work", "Product", "description", 10)Recherche hybride : le meilleur des deux mondes
La recherche hybride combine les deux en utilisant la fusion par rang réciproque (RRF) :
RRF_score(d) = 1/(k + rank_keyword(d)) + 1/(k + rank_semantic(d))Pourquoi ces fonctionnalités vont ensemble
Une architecture traditionnelle pour une application alimentée par l'IA nécessiterait : PostgreSQL pour les données relationnelles, Neo4j pour les requêtes graphe, Elasticsearch pour la recherche par mots-clés, Pinecone pour la recherche vectorielle.
Quatre bases de données. Quatre chaînes de connexion. Quatre schémas. FlinDB fournit les quatre capacités dans une seule base de données embarquée.
Ceci est la partie 9 de la série « How We Built FlinDB ».
Navigation de la série : - [062] Relationships and Eager/Lazy Loading - [063] Transactions and Continuous Backup - [064] Graph Queries and Semantic Search (vous êtes ici) - [065] The EAVT Storage Model - [066] Database Encryption and Configuration