ruvnet/RuVector

# RuVector — 自学习、代理型操作系统 [](https://cognitum.one) [](https://github.com/ruvnet/ruvector) [](https://crates.io/crates/ruvector-core) [](https://www.npmjs.com/package/ruvector) [](https://www.npmjs.com/package/ruvector) [](https://www.npmjs.com/package/ruvector) [](https://ruv.io) [](https://opensource.org/licenses/MIT) ### **具备图智能、本地 AI 和内置 PostgreSQL 的自学习、自优化向量数据库。** ``` npx ruvector ``` #### 大多数向量数据库存储和搜索数据的方式——每次都一成不变。 #### **RuVector** 则截然不同。它会观察您的使用方式并变得更聪明：搜索结果自动改进，系统根据您的工作负载进行自我调整，并直接在您的硬件上运行 AI 模型——无需云 API，无按查询计费，GPU 可选，首选 CPU。它可直接嵌入 PostgreSQL，在浏览器中运行，并打包为单一文件。 开源。❤️ 永久免费。 ``` User Query → [SONA Engine] → Model Response → User Feedback ↑ │ └─────── Learning Signal ─────────┘ (< 1ms adaptation) ```

🔍 RuVector 与典型向量数据库对比（20 项差异）

| | RuVector | 典型向量数据库 | |---|---|---| | **自学习与优化** | | | | [搜索质量](./crates/ruvector-gnn) | 🧠 GNN 从每次查询中学习——结果随时间推移而改进 | 静态——每次结果相同 | | [自优化](./crates/sona) | ⚡ SONA 自动调整路由、排序和压缩以适应您的工作负载 | 需要手动调整 | | [46 种注意力机制](./crates/ruvector-attention) | 🎯 Flash、线性、图、双曲、[mincut-gated](./crates/ruvector-attn-mincut)（减少 50% 计算） | 仅基础相似度 | | [迁移学习](./crates/ruvector-domain-expansion) | 🔄 知识跨域迁移——新任务从过往学习中引导 | 每次从头开始 | | **图与关系** | | | | [图查询](./crates/ruvector-graph) | 🔗 完整 Cypher 引擎——`MATCH (a)-[:KNOWS]->(b)` 类似 Neo4j | 扁平的结果列表 | | [图变换器](./crates/ruvector-graph-transformer) | 🔬 8 个已验证模块：物理、生物、流形、时间、经济 | 无图支持 | | [超边](./crates/ruvector-graph) | 🕸️ 一次连接 3 个以上节点——原生建模群组关系 | 仅限成对 | | **AI 与计算** | | | | [本地 LLM](./crates/ruvllm) | 🤖 在您的硬件上运行模型——Metal、CUDA、WebGPU，无 API 成本 | 需云 API（按次付费） | | [次线性求解器](./crates/ruvector-solver) | 📐 O(log n) PageRank、谱方法、稀疏线性系统 | 不可用 | | [基因组学](./examples/dna) | 🧬 变异检测、蛋白质翻译、HNSW k-mer 搜索仅需 12 ms | 不可用 | | [量子相干性](./crates/ruqu) | ⚛️ 通过动态 min-cut 优化进行纠错 | 不可用 | | **数据库与平台** | | | | [PostgreSQL](./crates/ruvector-postgres) | 🐘 230+ SQL 函数——直接嵌入现有数据库，[pgvector 替代方案](./docs/postgres/) | 需管理独立服务 | | [随处部署](./crates/rvf/README.md) | 🌐 单一文件——服务器、浏览器、手机、IoT、裸机、WASM (58 KB) | 需云服务器 | | [认知容器](./crates/rvf/README.md) | 🚀 单个 `.rvf` 文件在 125 ms 内作为服务启动——包含向量、模型、内核 | 配置集群 | | [实时更新](./crates/ruvector-core) | ⚡ 立即更新向量和图连接，零停机 | 重建索引或等待 | | **运维** | | | | [防篡改审计](./crates/rvf/rvf-crypto) | 🔐 加密见证链自动记录每项操作 | 手动日志 | | [数据分支](./crates/rvf/rvf-cow) | 🌿 类 Git 的 COW 分支——100 万向量、100 次编辑 = ~2.5 MB 分支 | 复制所有内容 | | [扩展](./crates/ruvector-replication) | 📈 Raft 共识、多主复制、自动分片 | 付费层级、按向量定价 | | [后量子加密](./crates/rvf/rvf-crypto) | 🛡️ 每个分段上的 ML-DSA-65 和 Ed25519 签名 | 不可用 | | 成本 | 💰 永久免费——开源 (MIT) | 按查询或按向量定价 |

📋 查看完整功能（10 大类 75 项特性）

**核心向量数据库** | # | 功能 | 作用 | |---|------------|--------------| | 1 | [**存储向量**](./crates/ruvector-core) | 来自 OpenAI、Cohere、本地 ONNX 的 Embeddings，支持 HNSW 索引和 SIMD 加速 | | 2 | [**使用 Cypher 查询**](./crates/ruvector-graph) | 类似 Neo4j 的图查询——`MATCH (a)-[:SIMILAR]->(b)` 支持超边 | | 3 | [**索引自学习**](./crates/ruvector-gnn) | GNN 层使搜索结果随时间改进——每次查询都在教导系统 | | 4 | [**双曲 HNSW**](./crates/ruvector-hyperbolic-hnsw) | Poincare 球空间中的层级感知搜索——更适合树和分类 | | 5 | [**自动压缩**](./crates/ruvector-temporal-tensor) | 通过自适应分层压缩和时间张量复用，内存减少 2-32 倍 | | 6 | [**元数据过滤**](./crates/ruvector-filter) | 在扫描向量之前按任何字段过滤搜索结果——快速混合查询 | | 7 | [**集合**](./crates/ruvector-collections) | 多租户、Schema 管理的集合——按客户或项目隔离数据 | | 8 | [**快照**](./crates/ruvector-snapshot) | 时间点备份——将数据库恢复到任何先前的状态 | **分布式系统** | # | 功能 | 作用 | |---|------------|--------------| | 9 | [**Raft 共识**](./crates/ruvector-raft) | 领导选举和日志复制——即使部分节点失败，节点也能对状态达成一致 | | 10 | [**多主复制**](./crates/ruvector-replication) | 向量时钟、冲突解决、跨数据中心的地理分布式同步 | | 11 | [**集群管理**](./crates/ruvector-cluster) | 使用一致性哈希进行水平扩展——添加节点无需重新平衡所有内容 | | 12 | [**Delta 共识**](./crates/ruvector-delta-consensus) | 使用 CRDT 和因果排序跟踪分布式节点间的行为变化 | | 13 | **突发扩容** | 针对流量高峰的 10-50 倍容量扩展——吸收负载后缩减 | | 14 | **自动分片** | 根据访问模式自动跨节点进行数据分区 | **AI 与机器学习** | # | 功能 | 作用 | |---|------------|--------------| | 15 | [**本地运行 LLM**](./crates/ruvllm) | 加载 GGUF 模型并在您的硬件上运行推理——Metal、CUDA、ANE、WebGPU | | 16 | [**RuvLTRA 模型**](https://huggingface.co/ruv/ruvltra) | 预训练 GGUF，用于路由和 Embeddings，耗时不到 10 ms | | 17 | [**SONA 学习**](./crates/sona) | 自优化神经架构——LoRA 微调 + EWC++ 记忆保持 | | 18 | [**46 种注意力机制**](./crates/ruvector-attention) | Flash、线性、图、双曲、mincut-gated（减少 50% 计算） | | 19 | [**语义路由**](./crates/ruvector-router-core) | 使用 FastGRNN 神经推理将 AI 请求路由到正确的模型或处理器 | | 20 | [**稀疏推理**](./crates/ruvector-sparse-inference) | PowerInfer 风格引擎——仅激活所需的神经元，边缘端速度提升 2-10 倍 | | 21 | [**Tiny Dancer**](./crates/ruvector-tiny-dancer-core) | 使用 FastGRNN 的生产级代理路由——轻量级替代完整 LLM | | 22 | [**域扩展**](./crates/ruvector-domain-expansion) | 跨域迁移学习——新任务自动从过往学习中引导 | | 23 | [**高级数学**](./crates/ruvector-math) | 最优传输、Sinkhorn 距离、KL 散度、谱聚类 | | 24 | [**相干性测量**](./crates/ruvector-coherence) | 测量信号质量并客观比较注意力机制 | **图变换器**（[8 个已验证模块](./crates/ruvector-graph-transformer)) | # | 功能 | 作用 | |---|------------|--------------| | 25 | [**证明门控突变**](./crates/ruvector-verified) | 每次写入图状态都需要形式化证明——Bug 无法破坏数据 | | 26 | **次线性注意力** | 通过 LSH 分桶、PPR 采样和谱稀疏化实现 O(n log n) | | 27 | **物理信息层** | Hamiltonian 动力学、规范等变消息传递——构造上能量守恒 | | 28 | **生物层** | 脉冲注意力、Hebbian/STDP 学习、树突分支 | | 29 | **自组织层** | 形态发生场、反应扩散生长——自我重组的图 | | 30 | **已验证训练** | 训练证书、delta-apply 回滚——错误的梯度步骤自动回退 | | 31 | **流形几何** | 积流形 S^n x H^m x R^k——在弯曲空间中工作，不仅仅是平面 | | 32 | **时间-因果层** | 因果掩码、Granger 因果提取、连续时间 ODE 积分 | | 33 | **经济层** | Nash 均衡注意力、Shapley 归因——多智能体图中的公平价值分配 | **认知容器**（[RVF 格式](./crates/rvf/README.md)) | # | 功能 | 作用 | |---|------------|--------------| | 34 | **作为微服务自启动** | 单个 `.rvf` 文件包含向量、模型和 Linux 内核——125 ms 内启动 | | 35 | **eBPF 加速** | 通过 XDP、套接字过滤器和 TC 程序在内核数据路径中提供热向量 | | 36 | **5.5 KB WASM 运行时** | 相同的 `.rvf` 文件在浏览器标签页中运行查询，零后端 | | 37 | [**COW 分支**](./crates/rvf) | 类 Git 的写时复制——100 万向量、100 次编辑 = ~2.5 MB 分支 | | 38 | [**见证链**](./crates/rvf/rvf-crypto) | 防篡改的哈希链接审计跟踪自动记录每项操作 | | 39 | [**后量子签名**](./crates/rvf/rvf-crypto) | ML-DSA-65 和 SLH-DSA-128s 以及 Ed25519——面向未来的加密 | | 40 | **DNA 风格谱系** | 使用加密哈希跟踪父/子派生链 | | 41 | **25 种分段类型** | VEC、INDEX、KERNEL、EBPF、WASM、COW_MAP、WITNESS、CRYPTO 等 17 种 | **PostgreSQL 扩展**（[230+ SQL 函数](./crates/ruvector-postgres)) | # | 功能 | 作用 | |---|------------|--------------| | 42 | **直接替代 pgvector** | 相同的 SQL 接口，但具备自学习搜索——无需更改应用 | | 43 | **SQL 中的次线性求解器** | PageRank、共轭梯度、Laplacian 求解器——O(log n) 到 O(sqrt(n)) | | 44 | **SQL 中的数学距离** | Wasserstein、Sinkhorn、KL 散度、谱聚类——全部通过 SQL | | 45 | **拓扑数据分析** | 持续同调、Betti 数、Embedding 漂移检测 | | 46 | **SQL 中的 SONA 学习** | 带 EWC++ 防遗忘的 Micro-LoRA 轨迹 | | 47 | **SQL 中的扩展注意力** | O(n) 线性、MoE、双曲、滑动窗口注意力——均可从 SQL 调用 | **专业处理** | # | 功能 | 作用 | |---|------------|--------------| | 48 | [**SciPix OCR**](./examples/scipix) | 从科学文档和 PDF 中提取 LaTeX 和 MathML | | 49 | [**DAG 工作流**](./crates/ruvector-dag) | 用于多步骤流水线的自学习有向无环图执行 | | 50 | [**Cognitum Gate**](./crates/cognitum-gate-kernel) | 带 TileZero 加速的认知 AI 网关，用于快速路由 | | 51 | [**FPGA 变换器**](./crates/ruvector-fpga-transformer) | 在可编程芯片上进行硬件加速的变换器推理 | | 52 | [**量子相干性**](./crates/ruQu) | 通过动态 min-cut 优化为量子电路进行纠错 | | 53 | [**次线性求解器**](./crates/ruvector-solver) | 8 种算法（Neumann、CG、Forward Push、TRUE、BMSSP）——O(log n) 到 O(sqrt(n)) | | 54 | [**Mincut-gated 变换器**](./crates/ruvector-mincut-gated-transformer) | 使用图 min-cut 修剪无关连接的动态注意力 | | 55 | [**神经系统**](./crates/ruvector-nervous-system) | 5 层生物启发自适应系统，带脉冲网络和 BTSP 学习 | | 56 | [**Prime Radiant**](./crates/prime-radiant) | 使用 Sheaf Laplacian 数学进行 AI 安全和幻觉检测的相干性引擎 | **基因组学与健康**（[rvDNA](./examples/dna)) | # | 功能 | 作用 | |---|------------|--------------| | 57 | **rvDNA 基因组分析** | 变异检测、蛋白质翻译、HNSW k-mer 搜索仅需 12 ms | | 58 | **`.rvdna` 文件格式** | AI 原生二进制，包含预计算的向量、张量和 Embeddings | | 59 | **即时诊断** | 镰状细胞、癌症突变、药物剂量——可在任何设备上运行 | | 60 | **隐私优先 WASM** | 基于浏览器的基因组学——您的 DNA 数据永远不会离开设备 | | 61 | **生物标志物引擎** | 复合多基因风险评分（20 个 SNP，6 个基因-基因相互作用，2 us） | | 62 | **流式生物标志物** | 实时异常检测、CUSUM 变点、趋势分析（>100k 读数/秒） | **平台与集成** | # | 功能 | 作用 | |---|------------|--------------| | 63 | **随处运行** | Rust、Node.js、浏览器 (WASM)、边缘、HTTP 服务器、裸机 | | 64 | [**MCP 服务器**](./crates/mcp-gate) | 用于 AI 助手的模型上下文协议——Claude、GPT 和其他代理可将 RuVector 作为工具使用 | | 65 | **云部署** | 一键部署到 [Google Cloud Run](./examples/google-cloud)、Kubernetes | | 66 | [**iOS App Clip**](./examples/app-clip) | 扫描二维码在手机上加载 RVF 认知种子——小于 15 MB | | 67 | [**Prometheus 指标**](./crates/ruvector-metrics) | 内置监控——将延迟、吞吐量和内存统计信息导出到 Grafana | | 68 | **90+ Rust crates + npm 包** | 发布于 [crates.io](https://crates.io/crates/rvf-runtime) 和 [npm](https://www.npmjs.com/package/@ruvector/rvf) | **示例与应用** | # | 功能 | 作用 | |---|------------|--------------| | 69 | [**Neural Trader**](./examples/neural-trader) | 使用 Kelly Criterion 仓位大小和 LSTM-Transformer 预测的算法交易 | | 70 | [**脉冲神经网络**](./examples/meta-cognition-spiking-neural-network) | 结合脉冲网络、SIMD 向量操作和 5 种注意力类型的混合 AI | | 71 | [**ReFrag Pipeline**](./examples/refrag-pipeline) | 压缩-感知-扩展架构——RAG 延迟降低约 30 倍 | | 72 | [**边缘网络**](./examples/edge-net) | 分布式集体 AI——跨设备共享空闲计算 | | 73 | [**Vibecast 7Sense**](./examples/vibecast-7sense) | 使用向量搜索将鸟鸣声转换为可导航的几何空间 | | 74 | [**超低延迟模拟**](./examples/ultra-low-latency-sim) | 通过 SIMD 在 CPU 上实现每秒千万亿次模拟的元模拟 | | 75 | [**已验证应用**](./examples/verified-applications) | 10 个奇特的证明携带应用：武器过滤器、法律取证、医疗诊断 |

### 由 rUv 构建，由 [Cognitum.one](https://cognitum.one) 提供支持

Cognitum 硬件 — 代理型设备与芯片

**Cognitum v0 — 代理型设备**：运行数以万计的常驻代理，除设备本身外无额外成本。在任何信号附近学习——传感器、网络、机器——近乎零功耗（每次推理约 5 uW，总计 <15W）。亚毫秒响应，比云 AI 便宜 500 倍。无云账单，无按代理收费。像神经系统，而不是大脑。 **Cognitum v1 — 代理型芯片**：相同架构，集成在单颗 257 核定制芯片上。运行功耗低于 2W——一节 AA 电池。空闲到 8 GHz 按需爆发，2 TB/s 互连，每核内置加密。

### 完整的代理型 AI 操作系统 RuVector 不是您添加到技术栈中的数据库——它就是整个技术栈。自学习、自优化、自部署。AI 应用运行所需的一切，从裸机硬件到应用层，集于一身： **智能** | | 层 | 替代 | 作用 | |---|-------|----------|--------------| | 🔄 | [**自学习**](./crates/sona/README.md) | 手动重训练、MLOps | SONA 在 <1 ms 内适应——每次请求进行 LoRA 微调 + EWC++ 记忆 | | ⚡ | [**自优化**](./crates/ruvector-gnn/README.md) | 手动调整、配置文件 | 自动调整路由、排序、压缩和索引参数 | | 🎯 | [**Embeddings**](./crates/ruvllm/README.md) | OpenAI API、Cohere、静态模型 | 对比训练、三元组损失、实时微调——Embeddings 随使用而改进 | | ✅ | [**已验证训练**](./crates/ruvector-verified/README.md) | 手动验证 | 每个训练步骤的形式化证明 + 统计测试——仅在不变量通过时应用梯度 | **数据与搜索** | | 层 | 替代 | 作用 | |---|-------|----------|--------------| | 🔍 | [**搜索**](./crates/ruvector-core/README.md) | Pinecone、Weaviate、Qdrant | 自学习 HNSW——GNN 从每次查询中改进结果 | | 🗄️ | [**存储**](./crates/ruvector-core/README.md) | 独立数据库 + 缓存 | 向量存储、图数据库、键值缓存——统一引擎 | | 🐘 | [**PostgreSQL**](./crates/ruvector-postgres/README.md) | pgvector、pg_embedding | 直接替代——230+ SQL 函数，接口相同但搜索随时间变聪明 | | 🔗 | [**图**](./crates/ruvector-graph/README.md) | Neo4j、Amazon Neptune | Cypher、W3C SPARQL 1.1、超边——全部内置 | **AI 与 ML** | | 层 | 替代 | 作用 | |---|-------|----------|--------------| | 🤖 | [**AI 运行时**](./crates/ruvllm/README.md) | llama.cpp、vLLM、Ollama | ruvllm——GGUF 模型、MicroLoRA (<1 ms)、推测解码、连续批处理、WASM | | 🧠 | [**ML 框架**](./crates/ruvector-attention/README.md) | PyTorch、TensorFlow | 46 种注意力类型、8 个图变换器、脉冲网络、稀疏推理、次线性求解器 | | 🔬 | [**相干性**](./crates/ruvector-mincut/README.md) | 手动测试、护栏 | Min-cut 找出任何网络中的薄弱环节——检测 AI 漂移、修剪浪费的计算（减少 50%）、保持代理同步 | | 🧬 | [**领域模型**](./crates/ruvector-domain-expansion/README.md) | 自定义 ML 流水线 | 基因组学（DNA 变异检测）、物理模拟、经济建模、生物网络 | **基础设施** | | 层 | 替代 | 作用 | |---|-------|----------|--------------| | 🔧 | [**硬件**](./crates/ruvector-fpga-transformer/README.md) | CUDA 工具包、驱动配置 | 稀疏/脉冲 CPU (AVX-512、NEON)——GPU 用于突发（Metal、CUDA、ANE、WebGPU、FPGA） | | 🐧 | [**内核**](./crates/rvf/README.md) | Linux + Docker + eBPF | `.rvf` 文件在 125 ms 内启动自己的内核——eBPF 加速热路径 | | 🌐 | [**协调**](./crates/ruvector-raft/README.md) | etcd、ZooKeeper、Consul | Raft 共识、多主复制、CRDT delta 同步、自动分片 | | 📦 | [**打包**](./crates/rvf/README.md) | Docker、Kubernetes | 一个 `.rvf` 文件 = 您的整个服务——服务器、浏览器、手机、IoT、裸机 | **路由与可观测性** | | 层 | 替代 | 作用 | |---|-------|----------|--------------| | 🚦 | [**路由**](./crates/ruvector-tiny-dancer-core/README.md) | API 网关、LLM 路由器 | 语义路由、MCP 协议网关、代理到代理发现 | | 📊 | [**可观测性**](./crates/ruvector-profiler/README.md) | Datadog、Prometheus | 延迟/功耗/内存分析、相干性评分、实时指标 | | 🛡️ | [**安全**](./crates/cognitum-gate-tilezero/README.md) | 手动审查、护栏 | Cognitum Gate——256-tile WASM 架构，<1 ms 内 Permit/Defer/Deny，见证收据 | **安全与信任** | | 层 | 替代 | 作用 | |---|-------|----------|--------------| | 🔐 | [**加密**](./crates/rvf/rvf-crypto/README.md) | Vault、手动审计日志 | 后量子 (ML-DSA-65、Ed25519)、SHAKE-256、见证链、硬件认证 | | 📜 | [**谱系**](./crates/rvf/rvf-crypto/README.md) | 无同类 | 每项操作记录在防篡改链中——从创建到部署的完整溯源 | [RVF 认知容器](./crates/rvf/README.md) 将这一切联系在一起：一个打包了向量、模型、数据和可启动内核的单一文件。将其放在任何机器上，它会在 125 ms 内开始服务——无需安装，无依赖。它像 Git 一样分支（仅复制更改），在防篡改链中记录每项操作，并在从浏览器到裸机的任何地方运行。 ## GNN 如何工作 传统向量搜索： ``` Query → HNSW Index → Top K Results ``` 带 GNN 的 RuVector： ``` Query → HNSW Index → GNN Layer → Enhanced Results ↑ │ └──── learns from ─────┘ ``` GNN 层： 1. 获取您的查询及其最近邻 2. 应用多头注意力来权衡哪些邻居更重要 3. 根据图结构更新表示 4. 返回排序更好的结果——全程在 1ms 以内 这就是**时间学习**——系统从查询的顺序和时间中学习，而不仅仅是内容。紧随另一个查询之后的查询带有上下文。重复的模式得到加强。通向良好结果的路径随时间变强。结果：使用次数越多，搜索速度越快、准确度越高，实时适应而无需重训练。

深入探讨：自学习搜索的实际运作方式

### 普通搜索的问题 每个向量数据库都做同样的事情：您给它一个查询，它通过距离找到最接近的匹配项，然后返回它们。结果永远不会改变。搜索同一事物一千次，您会得到一千次相同的答案——即使第一个结果是错误的，而您总是点击第三个。 RuVector 则不同。它会观察搜索*之后*发生的事情，并利用这一点来改善下一次搜索。 ### GNN 实际上做什么 把您的数据想象成一张城市地图。每个向量是一座建筑物，HNSW 索引在相似的建筑物之间创建道路。普通搜索只是走最近的路来寻找附近的建筑物。 GNN 就像一个知道捷径的当地人。它查看目的地周围的邻居，并说：“是的，那座建筑物很近，但那边的*这座*才是您真正想要的。”它通过观察人们实际使用的结果来学习这些捷径。 **技术上，它分三工作：** | 步骤 | 发生什么 | 通俗解释 | |------|-------------|---------------| | **1. 消息传递** | 每个节点从其 HNSW 邻居收集信息 | “询问邻居他们知道什么” | | **2. 注意力加权** | 多头注意力为该特定查询评估哪些邻居最重要 | “有些邻居比其他邻居更有帮助——弄清楚是哪些” | | **3. 表示更新** | 节点表示根据邻居所说的话进行转移 | “根据所学内容更新您的理解” | 得益于 SIMD 加速（一次处理 4-8 个数字而不是一个），整个过程耗时**不到 1ms**。 ### 时间学习：时间很重要 大多数 AI 系统将每个输入视为独立的——它们不知道也不关心 5 秒前发生了什么。RuVector 跟踪查询的*顺序*和*时间*，这揭示了单个查询无法揭示的模式： | 模式 | 揭示内容 | RuVector 如何适应 | |---------|----------------|---------------------| | 同一用户在几秒钟内搜索 A 然后 B | A 和 B 是相关的，即使它们在向量空间中相距甚远 | 加强 A 和 B 之间的路径 | | 许多用户跳过结果 #1 并点击结果 #3 | 结果 #3 实际上更相关 | GNN 学习下次将 #3 排名更高 | | 围绕某个主题在特定时间出现查询爆发 | 时间相关性——某些事物在特定时间更重要 | 提升最近活跃的路径 | | 遵循特定序列的查询 | 先前查询的上下文改变了“良好结果”的含义 | 注意力权重根据会话上下文转移 | ### 三种学习类型 RuVector 以三种不同的速度同时学习： | 速度 | 机制 | 作用 | 延迟 | |-------|-----------|-------------|---------| | **即时** | MicroLoRA 适应 | 根据即时反馈为此特定请求调整权重 | <1ms | | **会话** | GNN 注意力更新 | 加强本次会话中通向良好结果的路径 | ~10ms（后台） | | **长期** | EWC++ 巩固 | 永久加强重要模式而不遗忘旧模式 | ~100ms（后台） | 关键创新是**EWC++（弹性权重巩固）**——它解决了“灾难性遗忘”问题。没有它，学习新模式会抹去旧模式。EWC++ 识别哪些权重对现有知识很重要并保护它们，同时仍允许新学习。 ### 为什么快：HNSW 捷径 GNN 不在您的整个数据集上运行。它只在与此当前查询相关的 HNSW 邻居的小子图上运行——通常是数百万个节点中的 10-50 个。这就是为什么它增加了不到 1ms 的延迟而不是几秒钟： ``` 1M vectors in your database → HNSW finds ~50 candidate neighbors (0.3ms) → GNN re-ranks those 50 with attention (0.4ms) → Return top K results (0.1ms) ────────────────────────────────────────── Total: <1ms, and results improve over time ``` ### 随时间改进的内容** | **Recall@10** | 基线（仅 HNSW） | +5-8% | +12.4% | | **查询延迟** | ~0.8ms | ~0.7ms（热路径已缓存） | ~0.5ms（优化路由） | | **相关性** | 仅基于距离 | 学习用户偏好 | 按查询模式个性化 | ### 三种 GNN 架构（选择一种或堆叠它们） | 架构 | 最适合 | 如何工作 | |-------------|----------|-------------| | **GCN**（图卷积网络） | 通用重排序 | 平均邻居信息——简单、快速、有效 | | **GAT**（图注意力网络） | 某些邻居更重要的查询 | 学习每个查询*关注哪些*邻居 | | **GraphSAGE** | 频繁变化的数据集（经常添加新向量） | 可以对其从未见过的新向量进行评分，而无需重训练 | ### 随处运行 相同的 GNN 代码在 Rust 中原生运行，通过 NAPI-RS 绑定在 Node.js 中运行，以及通过 WebAssembly 在浏览器中运行。在服务器上训练的模型可以导出并在客户端运行——用户的浏览器可以进行个性化重排序，而无需向服务器发送查询。

## 快速开始 ### 一行安装 ``` # 交互式安装程序 - 列出所有包 npx ruvector install # 或直接安装 npm install ruvector npx ruvector # Claude Code 自学习 hooks npx @ruvector/cli hooks init npx @ruvector/cli hooks install # LLM 运行时 (SONA learning, HNSW memory) npm install @ruvector/ruvllm ``` ### Node.js / 浏览器 ``` # 安装 npm install ruvector # 或立即试用 npx ruvector ``` ### 生态系统：AI 代理编排 RuVector 为两个主要的 AI 编排平台提供支持： | 平台 | 用途 | 安装 | 下载量 | |----------|---------|---------|-----------| | [**ruFlo**](https://github.com/ruvnet/claude-flow) | Claude Code 的企业级多代理编排 | `npx ruvflo@latest` | [](https://www.npmjs.com/package/claude-flow) | | [**Agentic-Flow**](https://github.com/ruvnet/agentic-flow) | 使用任何模型在任何云上运行 AI 代理——Claude、GPT、Gemini 或本地 | `npx agentic-flow@latest` | [](https://www.npmjs.com/package/agentic-flow) | | [**AgentDB**](https://github.com/ruvnet/agentdb) | 为 AI 代理提供随时间变聪明的长期记忆 | `npm install agentdb@alpha` | [](https://www.npmjs.com/package/agentdb) |

Claude-Flow v3 — 将 Claude Code 变成协作 AI 团队

**54+ 专业代理**协同处理复杂的软件工程任务： ``` # 安装 npx ruvflo@latest init --wizard # 生成 swarm npx ruvflo@latest swarm init --topology hierarchical --max-agents 8 ``` **关键特性：** - **SONA 学习**：亚 50ms 自适应路由，随时间学习最佳模式 - **蜂群式 Swarm**：具有 5 种协议（Raft、Gossip、CRDT）的拜占庭容错共识 - **HNSW 记忆**：通过 RuVector 实现 150 倍-12,500 倍更快的模式检索 - **175+ MCP 工具**：原生模型上下文协议集成 - **成本优化**：3 层路由将 Claude Code 配额延长 2.5 倍 - **安全性**：AIDefence 威胁检测（<10ms）、提示注入拦截

Agentic-Flow v2 — 面向任何云的生产级 AI 代理

**66 个自学习代理**，采用 Claude Agent SDK，可部署到任何云： ``` # 安装 npx agentic-flow@latest # 或使用 npm npm install agentic-flow ``` **关键特性：** - **SONA 架构**：<1ms 自适应学习，+55% 质量提升 - **Flash Attention**：2.49 倍 JS 加速，使用 NAPI 绑定时 7.47 倍 - **213 MCP 工具**：Swarm 管理、记忆、GitHub 集成 - **代理加速器**：用于简单转换的 352 倍更快代码编辑 - **多提供商**：Claude、GPT、Gemini、Cohere、本地模型及故障转移 - **图推理**：GNN 查询优化，Recall 提升 +12.4%

rvDNA — AI 原生基因组诊断，即时且人人可用

**使用 AI 让世界变得更健康。** rvDNA 将基因组诊断带到任何设备上——手机、笔记本电脑、浏览器标签页——仅需 12 毫秒。无云、无 GPU、无订阅。默认隐私保护。 ``` cargo add rvdna # Rust npm install @ruvector/rvdna # JavaScript / TypeScript ``` | 功能 | 方式 | |---|---| | 发现突变（镰状细胞、癌症） | 贝叶斯变异检测，155 ns/SNP | | 将 DNA 翻译成蛋白质 | 完整密码子表 + GNN 接触图 | | 预测生物学年龄 | Horvath 时钟，353 个 CpG 位点 | | 推荐药物剂量 | CYP2D6 星号等位基因 + CPIC 指南 | | 评估健康风险 | 20 个 SNP，6 个基因-基因相互作用，2 us 内复合风险评分 | | 流式生物标志物数据 | 实时异常检测、CUSUM 变点、>100k 读数/秒 | | 按相似性搜索基因组 | HNSW k-mer 向量，O(log N) | | 存储预计算的 AI 特征 | `.rvdna` 二进制格式——开放且即时 | - **Rust crate**：[crates.io/crates/rvdna](https://crates.io/crates/rvdna) - **npm 包**：[@ruvector/rvdna](https://www.npmjs.com/package/@ruvector/rvdna)（NAPI-RS 原生 + JS 回退） - **源码**：[examples/dna](./examples/dna)

RVF 认知容器 — 一个存储、启动并证明一切的文件

**[RVF (RuVector Format)](./crates/rvf/README.md)** 是一种通用二进制基质，将数据库、模型、图引擎、内核和认证合并为一个可部署的文件。`.rvf` 文件可以存储向量 Embeddings、携带 LoRA 适配器增量、嵌入 GNN 图状态、包含可启动的 Linux 微内核、在 5.5 KB WASM 运行时中运行查询，并通过加密见证链证明每项操作——所有这一切都在一个文件中，该文件可在从浏览器到裸机的任何地方运行。 这不是数据库格式。它是一个**可执行知识单元**。 ``` cargo install rvf-cli # CLI tool cargo add rvf-runtime # Rust library npm install @ruvector/rvf # TypeScript SDK npx @ruvector/rvf-mcp-server --transport stdio # MCP server for AI agents ``` | 功能 | 方式 | |---|---| | 作为微服务自启动 | 文件中包含真正的 Linux 内核，在 QEMU/KVM 上 125 ms 内启动 | | 硬件级速度查找 | eBPF 程序（XDP、TC、套接字过滤器）完全绕过用户空间 | | 在任何浏览器中运行 | 5.5 KB WASM 运行时，零后端 | | 类 Git 分支 | 簇粒度的 COW——100 万向量、100 次编辑 = ~2.5 MB 子节点 | | 防篡改审计 | 每次插入、查询和删除的哈希链接见证链 | | 后量子签名 | 每个分段上的 ML-DSA-65 和 Ed25519 签名 | | DNA 风格谱系 | 带加密验证的父/子派生链 | | 28 种分段类型 | VEC、INDEX、KERNEL、EBPF、WASM、COW_MAP、WITNESS、CRYPTO、FEDERATED_MANIFEST 等 19 种 | **Rust crates**（23 个）：[`rvf-types`](https://crates.io/crates/rvf-types) `rvf-wire` `rvf-manifest` `rvf-quant` `rvf-index` `rvf-crypto` [`rvf-runtime`](https://crates.io/crates/rvf-runtime) `rvf-kernel` `rvf-ebpf` [`rvf-federation`](./crates/rvf/rvf-federation) `rvf-launch` `rvf-server` `rvf-import` [`rvf-cli`](https://crates.io/crates/rvf-cli) `rvf-wasm` `rvf-solver-wasm` `rvf-node` + 6 个适配器（claude-flow、agentdb、ospipe、agentic-flow、rvlite、sona） **npm 包**（6 个）：[`@ruvector/rvf`](https://www.npmjs.com/package/@ruvector/rvf) [`@ruvector/rvf-node`](https://www.npmjs.com/package/@ruvector/rvf-node) [`@ruvector/rvf-wasm`](https://www.npmjs.com/package/@ruvector/rvf-wasm) [`@ruvector/rvf-mcp-server`](https://www.npmjs.com/package/@ruvector/rvf-mcp-server) [`@ruvector/ruvllm-wasm`](https://www.npmjs.com/package/@ruvector/ruvllm-wasm) [`@ruvector/neural-trader-wasm`](https://www.npmjs.com/package/@ruvector/neural-trader-wasm) - **安全加固 RVF**（[`examples/security_hardened.rvf`](./examples/security_hardened.rvf)) — 2.1 MB 密封制品，具有 22 项已验证功能：TEE 认证 (SGX/SEV-SNP/TDX/ARM CCA)、AIDefence（注入/越狱/PII/渗漏）、加固 Linux 微内核、eBPF 防火墙、Ed25519 签名、6 角色 RBAC、相干性门控、30 条目见证链、Paranoid 策略、COW 分支、已审计 k-NN。参见 [ADR-042](./docs/adr/ADR-042-Security-RVF-AIDefence-TEE.md)。 - **完整文档**：[crates/rvf/README.md](./crates/rvf/README.md) - **ADR-030**：[认知容器架构](./docs/adr/ADR-030-rvf-cognitive-container.md) - **ADR-031**：[COW 分支与真实容器](./docs/adr/ADR-031-rvcow-branching-and-real-cognitive-containers.md) - **ADR-042**：[安全 RVF — AIDefence + TEE](./docs/adr/ADR-042-Security-RVF-AIDefence-TEE.md) - **56 个可运行示例**：[examples/rvf/examples/](./examples/rvf/examples/)

次线性时间求解器 — 数据越大计算越快的数学

**[ruvector-solver](./crates/ruvector-solver/README.md)** 以传统求解器所需时间的一小部分解决大型数学问题（如网页排名、查找图中的连接或计算 AI 注意力）。标准方法随规模增长急剧变慢（数据翻倍 = 慢 8 倍），而 RuVector 的 8 种专用算法几乎感觉不到增长（数据翻倍 = 几乎不变慢）。这就是学习引擎的动力——快速图数学让搜索实时改进，而不是等待几分钟进行重训练。 ``` cargo add ruvector-solver --features all-algorithms ``` | 算法 | 复杂度 | 最适合 | |-----------|-----------|----------| | **Neumann Series** | O(k · nnz) | 对角占优，快速收敛 | | **Conjugate Gradient** | O(√κ · log(1/ε) · nnz) | 黄金标准 SPD 求解器 | | **Forward Push** | O(1/ε) | 单源 PageRank | | **Backward Push** | O(1/ε) | 反向相关性计算 | | **Hybrid Random Walk** | O(√n/ε) | 成对相关性，蒙特卡洛 | | **TRUE** | O(log n) 摊销 | 大规模 Laplacian 系统 | | **BMSSP** | O(nnz · log n) | 多网格分层求解 | | **Auto Router** | 自动 | 选择最佳算法 | **关键优化**：AVX2 SIMD SpMV、融合残差内核、边界检查消除、Arena 分配器 **支持 crates**： - [`ruvector-attn-mincut`](./crates/ruvector-attn-mincut/README.md) — 作为 softmax 注意力替代方案的 Min-cut 门控 - [`ruvector-coherence`](./crates/ruvector-coherence/README.md) — 用于注意力比较的相干性测量 - [`ruvector-profiler`](./crates/ruvector-profiler/README.md) — 内存、功耗和延迟基准测试 - **177 项测试** | 5 个 Criterion 基准 | WASM + NAPI 绑定 - **ADR 文档**：[docs/research/sublinear-time-solver/](./docs/research/sublinear-time-solver/)

## RuVector 对比 查看 RuVector 与流行的向量数据库在 40 多项功能上的比较——从延迟和图查询到自学习、认知容器和 PostgreSQL 集成。

📊 与其他向量数据库的比较

按 10 个类别分组比较。RuVector 是唯一从使用中学习、本地运行 AI 并打包为单一自启动文件的向量数据库。 **性能与存储** | 功能 | RuVector | Pinecone | Qdrant | Milvus | ChromaDB | Weaviate | |---------|----------|----------|--------|--------|----------|----------| | 延迟 (p50) | **61 us** | ~2 ms | ~1 ms | ~5 ms | ~50 ms | ~5 ms | | 内存（100 万向量） | **200 MB*** | 2 GB | 1.5 GB | 1 GB | 3 GB | 1.5 GB | | SIMD 加速 | AVX-512, NEON | 部分 | ✅ | ✅ | ❌ | 部分 | | 自动压缩 | 2-32 倍自适应 | ❌ | ❌ | ✅ | ❌ | 仅 PQ | | 时间张量压缩 | 4-10 倍复用 | ❌ | ❌ | ❌ | ❌ | ❌ | | 稀疏向量 (BM25/TF-IDF) | ✅ | ✅ | ✅ | ✅ | ❌ | ✅ | **搜索与查询** | 功能 | RuVector | Pinecone | Qdrant | Milvus | ChromaDB | Weaviate | |---------|----------|----------|--------|--------|----------|----------| | 向量相似度搜索 | ✅ HNSW | ✅ | ✅ HNSW | ✅ HNSW | ✅ | ✅ HNSW | | 元数据过滤 | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | | 图查询 | ✅ 完整引擎 | ❌ | ❌ | ❌ | ❌ | ❌ | | SPARQL/RDF (W3C 1.1) | ✅ | ❌ | ❌ | ❌ | ❌ | ❌ | | 超边（3 个以上节点） | ✅ | ❌ | ❌ | ❌ | ❌ | ❌ | | 双曲 Embeddings | Poincare + Lorentz | ❌ | ❌ | ❌ | ❌ | ❌ | | 多租户 | ✅ 集合 | ✅ 命名空间 | ✅ | ✅ | ✅ | ✅ | **自学习与 AI** — RuVector 独有的功能 | 功能 | RuVector | 所有其他 | |---------|----------|------------| | HNSW 上的 GNN——搜索随使用改进 | ✅ 每次查询都在教导索引 | ❌ 静态索引 | | SONA 运行时适应 | ✅ LoRA + EWC++ 自动调整 | ❌ 手动调整 | | 46 种注意力机制 | Flash、线性、图、双曲、mincut-gated | ❌ | | 语义路由 | FastGRNN 神经代理路由 | ❌ | | 稀疏推理（PowerInfer 风格） | 边缘设备速度提升 2-10 倍 | ❌ | | 域扩展 | 带盗贼的跨域迁移学习 | ❌ | | 自学习钩子 | Q-learning、神经模式、HNSW 记忆 | ❌ | | ReasoningBank | 带裁决判断的轨迹学习 | ❌ | **本地 AI — 无需云 API** | 功能 | RuVector | Pinecone | Qdrant | Milvus | ChromaDB | Weaviate | |---------|----------|----------|--------|--------|----------|----------| | 内置 LLM 运行时 | ✅ ruvllm (GGUF) | ❌ | ❌ | ❌ | ❌ | ❌ | | 硬件加速 | Metal, CUDA, ANE, WebGPU | 不适用 | 不适用 | GPU 索引 | 不适用 | 不适用 | | 预训练模型 | [RuvLTRA](https://huggingface.co/ruv/ruvltra) (<10 ms) | ❌ | ❌ | ❌ | ❌ | ❌ | | 本地 ONNX Embeddings | 8+ 模型，无 API 调用 | ❌ | ❌ | ❌ | ❌ | text2vec 模块 | | 用于 AI 代理的 MCP 服务器 | ✅ mcp-gate | ❌ | ❌ | ❌ | ❌ | ❌ | **图变换器** — 已验证的图神经网络模块 | 功能 | RuVector | 所有其他 | |---------|----------|------------| | 证明门控突变 | 每次写入都需要形式化证明——Bug 无法破坏数据 | ❌ | | 次线性注意力 | 通过 LSH、PPR、谱稀疏化实现 O(n log n) | ❌ | | 物理信息层 | Hamiltonian 动力学，构造上能量守恒 | ❌ | | 生物层 | 脉冲、Hebbian/STDP、树突分支 | ❌ | | 流形几何 | 积流形 S^n x H^m x R^k | ❌ | | 时间-因果层 | Granger 因果关系、连续时间 ODE | ❌ | | 经济层 | Nash 均衡、Shapley 归因 | ❌ | | 已验证训练 | 证书、delta-apply 回滚、失败即关闭 | ❌ | **数学与求解器** | 功能 | RuVector | Pinecone | Qdrant | Milvus | ChromaDB | Weaviate | |---------|----------|----------|--------|--------|----------|----------| | 次线性求解器（8 种算法） | O(log n) 到 O(sqrt(n)) | ❌ | ❌ | ❌ | ❌ | ❌ | | 动态 min-cut | n^0.12 复杂度 | ❌ | ❌ | ❌ | ❌ | ❌ | | 最优传输距离 | Wasserstein、Sinkhorn、KL | ❌ | ❌ | ❌ | ❌ | ❌ | | 拓扑数据分析 | 持续同调、Betti 数 | ❌ | ❌ | ❌ | ❌ | ❌ | | 相干性测量 | Prime Radiant sheaf Laplacian | ❌ | ❌ | ❌ | ❌ | ❌ | | 量子纠错 | ruQu 动态 min-cut | ❌ | ❌ | ❌ | ❌ | ❌ | **分布式系统** | 功能 | RuVector | Pinecone | Qdrant | Milvus | ChromaDB | Weaviate | |---------|----------|----------|--------|--------|----------|----------| | Raft 共识 | ✅ | ❌ 托管 | ✅ | ❌ | ❌ | ✅ | | 多主复制 | ✅ 向量时钟 | ❌ | ❌ | ✅ | ❌ | ✅ | | 自动分片 | ✅ 一致性哈希 | ✅ 托管 | ✅ | ✅ | ❌ | ✅ | | Delta 共识 (CRDT) | ✅ 因果排序 | ❌ | ❌ | ❌ | ❌ | ❌ | | 突发扩容（10-50 倍） | ✅ | ✅ 托管 | ❌ | ✅ | ❌ | ❌ | | 快照 / 备份 | ✅ | ✅ | ✅ | ✅ | ❌ | ✅ | | 流式 API | ✅ | ✅ | ✅ | ✅ | ❌ | ✅ | **认知容器 (RVF)** — RuVector 独有的单文件部署 | 功能 | RuVector | 所有其他 | |---------|----------|------------| | 自启动微服务 | `.rvf` 文件在 125 ms 内随 Linux 内核启动 | ❌ 需服务器设置 | | eBPF 加速 | XDP、套接字过滤器、TC 内核数据路径 | ❌ | | COW 分支 | 类 Git——100 万向量、100 次编辑 = ~2.5 MB 分支 | ❌ 复制所有内容 | | 见证链 | 防篡改哈希链接审计跟踪 | ❌ 手动日志记录 | | 后量子签名 | ML-DSA-65, SLH-DSA-128s, Ed25519 | ❌ | | 25 种分段类型 | VEC、INDEX、KERNEL、EBPF、WASM、COW_MAP 等 19 种 | ❌ | **平台与部署** | 功能 | RuVector | Pinecone | Qdrant | Milvus | ChromaDB | Weaviate | |---------|----------|----------|--------|--------|----------|----------| | 浏览器 / WASM | ✅ WebGPU, 58 KB | ❌ | ❌ | ❌ | ❌ | ❌ | | 边缘独立版 | ✅ rvLite | ❌ | ❌ | ❌ | ❌ | ❌ | | Node.js 原生 | ✅ NAPI-RS | ❌ | 仅客户端 | 仅客户端 | ✅ | 仅客户端 | | PostgreSQL 扩展 | ✅ 230+ SQL 函数 | ❌ | ❌ | ❌ | ❌ | ❌ | | iOS App Clip | ✅ QR → RVF <15 MB | ❌ | ❌ | ❌ | ❌ | ❌ | | 云部署 | Cloud Run, Kubernetes | 仅托管 | Docker, K8s | Docker, K8s | Docker | Docker, K8s | | FPGA 加速 | ✅ | ❌ | ❌ | ❌ | ❌ | ❌ | | Prometheus 指标 | ✅ 内置 | 仪表板 | ✅ | ✅ | ❌ | ✅ | **专业应用** | 功能 | RuVector | 所有其他 | |---------|----------|------------| | 基因组学 | 变异检测、k-mer 搜索 12 ms 内完成，浏览器 WASM | ❌ | | 神经交易 | Kelly Criterion + LSTM-Transformer 预测 | ❌ | | 科学 OCR (SciPix) | 从论文中提取 LaTeX/MathML | ❌ | | 脉冲神经网络 | 神经形态计算、BTSP 学习 | ❌ | | 生物启发神经系统 | 带 EWC 可塑性的 5 层自适应系统 | ❌ | | DAG 工作流 | 自学习有向图执行 | ❌ | | Cognitum Gate | 带 TileZero 加速的认知 AI 网关 | ❌ | **许可与成本** | | RuVector | Pinecone | Qdrant | Milvus | ChromaDB | Weaviate | |---|----------|----------|--------|--------|----------|----------| | 许可证 | MIT（永久免费） | 专有 | Apache 2.0 | Apache 2.0 | Apache 2.0 | BSD-3 | | 自托管 | ✅ | ❌ 仅托管 | ✅ | ✅ | ✅ | ✅ | | 定价模式 | 免费 | 按向量/查询 | 免费 + 云 | 免费 + 托管 | 免费 + 云 | 免费 + 云 | \* 使用 PQ8 压缩的内存。Apple M2 / Intel i7 上的基准测试。

## 功能 RuVector 能做的所有事情——按类别组织。向量搜索、图查询、LLM 推理、分布式系统、部署目标以及将所有内容联系在一起的自学习技术栈。

⚡ 核心功能与能力

### 核心能力** |---------|--------------|----------------| **向量搜索** | HNSW 索引、<0.5ms 延迟、SIMD 加速 | 足够快，适用于实时应用 | | **Cypher 查询** | `MATCH`、`WHERE`、`CREATE`、`RETURN` | 熟悉的 Neo4j 语法 | | **GNN 层** | 索引拓扑上的神经网络 | 搜索随使用改进 | | **超边** | 一次连接 3 个以上节点 | 建模复杂关系 | | **元数据过滤** | 按属性过滤向量 | 结合语义 + 结构化搜索 | | **集合** | 命名空间隔离、多租户 | 按项目/用户组织向量 | | **双曲 HNSW** | 用于层级结构的 Poincaré 球索引 | 更好的树/分类 Embeddings | | **稀疏向量** | BM25/TF-IDF 混合搜索 | 结合关键词 + 语义 | ### LLM 运行时** |---------|--------------|----------------| | **ruvllm** | 带 GGUF 模型的本地 LLM 推理 | 运行 AI 无需云 API | | **Metal/CUDA/ANE** | Mac/NVIDIA/Apple 上的硬件加速 | 10-50 倍更快的推理 | | **[ruvllm-wasm](./crates/ruvllm-wasm)** | 浏览器 WASM 运行时：KV 缓存、HNSW 路由器、MicroLoRA、SONA、聊天模板 (435 KB) | [`npm`](https://www.npmjs.com/package/@ruvector/ruvllm-wasm) | | **RuvLTRA 模型** | 预训练 GGUF，用于路由 & Embeddings | <10ms 推理 → [HuggingFace](https://huggingface.co/ruv/ruvltra) | | **流式 Token** | 实时 Token 生成 | 响应式聊天用户体验 | | **量化** | Q4、Q5、Q8 模型支持 | 在 4GB RAM 中运行 7B 模型 | ``` npm install @ruvector/ruvllm # Node.js npm install @ruvector/ruvllm-wasm # Browser (WASM) cargo add ruvllm # Rust ``` ### 平台与边缘** |---------|--------------|----------------| | **[RVF 认知容器](./crates/rvf/README.md)** | 单个 `.rvf` 文件：存储、启动、分支、证明 | 替代 Docker + DB + 审计系统 | | **rvLite** | 独立 2MB 边缘数据库 | IoT、移动、嵌入式 | | **PostgreSQL 扩展** | 77+ SQL 函数、pgvector 替代品 | 现有数据库的直接升级 | | **MCP 服务器** | 模型上下文协议集成 | AI 助手工具调用 | | **WASM/浏览器** | 完整的客户端向量搜索 | 离线优先应用 | | **Node.js 绑定** | 原生 napi-rs、零拷贝 | 无序列化开销 | | **HTTP/gRPC 服务器** | 带流式传输的 REST API | 轻松微服务集成 | ``` cargo install rvf-cli # RVF CLI (17 commands) cargo add rvf-runtime # RVF Rust library npm install @ruvector/rvf # RVF TypeScript SDK docker pull ruvnet/ruvector-postgres # PostgreSQL npm install rvlite # Edge DB npx ruvector mcp start # MCP Server ``` ### 分布式系统** |---------|--------------|----------------| | **Raft 共识** | 领导选举、日志复制 | 元数据的强一致性 | | **自动分片** | 一致性哈希、分片迁移 | 扩展到数十亿向量 | | **多主复制** | 写入任何节点、冲突解决 | 高可用性、无单点故障 | | **快照** | 时间点备份、增量 | 灾难恢复 | | **集群指标** | Prometheus 兼容监控 | 大规模可观测性 | | **突发扩容** | 针对流量高峰的 10-50 倍容量 | 应对病毒式传播时刻 | ``` cargo add ruvector-raft ruvector-cluster ruvector-replication ``` ### AI 与 ML** |---------|--------------|----------------| | **张量压缩** | f32→f16→PQ8→PQ4→Binary | 2-32 倍内存减少 | | **可微搜索** | 软注意力 k-NN | 端到端可训练 | | **语义路由器** | 将查询路由到最佳端点 | 多模型 AI 编排 | | **混合路由** | 关键词优先 + Embedding 回退 | 代理路由**90% 准确率** | | **Tiny Dancer** | FastGRNN 神经推理 | 优化 LLM 推理成本 | | **自适应路由** | 学习最佳路由策略 | 最小化延迟，最大化准确性 | | **SONA** | 双层 LoRA + EWC++ + ReasoningBank | 无需重训练的运行时学习 | | **本地 Embeddings** | 内置 8+ ONNX 模型 | 无需外部 API | | **[已验证证明](./crates/ruvector-verified)** | 每次向量操作 82 字节证明认证 | 结构信任，而非断言 | | **[图变换器](./crates/ruvector-graph-transformer)** | 8 个证明门控模块：物理、生物、流形、时间、经济 | 每个图突变都经过数学验证 | ### 专业处理** |---------|--------------|----------------| | **SciPix OCR** | 从科学文档中提取 LaTeX/MathML | 索引研究论文 | | **DAG 工作流** | 自学习有向无环图 | 复杂的流水线编排 | | **Cognitum Gate** | 认知 AI 网关 + TileZero | 统一的 AI 模型路由 | | **FPGA 变换器** | 硬件加速推理 | 超低延迟服务 | | **ruQu 量子** | 通过 min-cut 进行量子纠错 | 面向未来的算法 | | **Mincut-Gated 变换器** | 通过图优化的动态注意力 | **50% 计算减少** | | **稀疏推理** | 高效的稀疏矩阵运算 | 稀疏数据快 10 倍 | | **次线性求解器** | 8 种稀疏算法，O(log n) | 驱动相干性、GNN、谱 | ### 自学习与适应** |---------|--------------|----------------| | **自学习钩子** | Q-learning + 神经模式 + HNSW | 系统自动改进 | | **ReasoningBank** | 带裁决判断的轨迹学习 | 从成功/失败中学习 | | **经济系统** | Tokenomics、基于 CRDT 的分布式状态 | 激励代理行为 | | **神经系统** | 事件驱动的反应式架构 | 实时适应 | | **代理合成** | 多代理工作流组合 | 涌现式问题解决 | | **EWC++** | 弹性权重巩固 | 防止灾难性遗忘 | ``` npx @ruvector/cli hooks init # Install self-learning hooks npx @ruvector/cli hooks install # Configure for Claude Code ``` ### 注意力机制（`@ruvector/attention`）** |---------|--------------|----------------| | **46 种机制** | 点积、多头、flash、线性、稀疏、交叉注意力、CGT sheaf | 涵盖所有变换器和 GNN 用例 | | **图注意力** | RoPE、边特征、局部-全局、邻域 | 专为图神经网络设计 | | **双曲注意力** | Poincaré 球运算、弯曲空间数学 | 层次数据的更好 Embeddings | | **SIMD 优化** | 带 AVX2/NEON 加速的原生 Rust | 比纯 JS 快 2-10 倍 | | **流式与缓存** | 基于块的处理、KV 缓存 | 恒定内存，推理快 10 倍 | #### 核心注意力机制 用于序列建模和变换器的标准注意力层。 | 机制 | 复杂度 | 内存 | 最适合 | |-----------|------------|--------|----------| | **DotProductAttention** | O(n²) | O(n²) | 用于中小序列的基础注意力 | | **MultiHeadAttention** | O(n²·h) | O(n²·h) | BERT、GPT 风格的变换器 | | **FlashAttention** | O(n²) | O(n) | GPU 内存有限的长序列 | | **LinearAttention** | O(n·d) | O(n·d) | 8K+ token 序列、实时流式 | | **HyperbolicAttention** | O(n²) | O(n²) | 树状数据：分类、组织结构图 | | **MoEAttention** | O(n·k) | O(n·k) | 带有稀疏专家路由的大型模型 | #### 图注意力机制 专为图结构数据和 GNN 设计的注意力层。 | 机制 | 复杂度 | 最适合 | |-----------|------------|----------| | **GraphRoPeAttention** | O(n²) | 位置感知图变换器 | | **EdgeFeaturedAttention** | O(n²·e) | 分子、带有边数据的知识图谱 | | **DualSpaceAttention** | O(n²) | 混合平面 + 层次 Embeddings | | **LocalGlobalAttention** | O(n·k + n) | 100K+ 节点图、可扩展 GNN | #### 专用机制 用于效率和多模态学习的任务特定注意力变体。 | 机制 | 类型 | 最适合 | |-----------|------|----------| | **SparseAttention** | 效率 | 长文档、低内存推理 | | **CrossAttention** | 多模态 | 图像-文本、编码器-解码器模型 | | **NeighborhoodAttention** | 图 | GNN 中的局部消息传递 | | **HierarchicalAttention** | 结构 | 多级文档（章节 → 段落） | | **CGTSheafAttention** | 相干性 | 一致性门控图变换器 | #### 双曲数学函数 用于 Poincaré 球 Embeddings 的运算——自然表示层次结构的弯曲空间。 | 函数 | 描述 | 用例 | |----------|-------------|----------| | `expMap(v, c)` | 映射到双曲空间 | 初始化 Embeddings | | `logMap(p, c)` | 映射到平面空间 | 计算梯度 | | `mobiusAddition(x, y, c)` | 在弯曲空间中相加向量 | 聚合特征 | | `poincareDistance(x, y, c)` | 测量双曲距离 | 计算相似度 | | `projectToPoincareBall(p, c)` | 确保坐标有效 | 防止数值错误 | #### 异步与批处理操作 用于高吞吐量推理和训练优化的实用程序。 | 操作 | 描述 | 性能 | |-----------|-------------|-------------| | `asyncBatchCompute()` | 并行处理批次 | 快 3-5 倍 | | `streamingAttention()` | 分块处理 | 固定内存使用量 | | `HardNegativeMiner` | 查找困难训练样本 | 更好的对比学习 | | `AttentionCache` | 缓存键值对 | 推理快 10 倍 | ``` # 安装 attention module npm install @ruvector/attention # CLI 命令 npx ruvector attention list # List all 39 mechanisms npx ruvector attention info flash # Details on FlashAttention npx ruvector attention benchmark # Performance comparison npx ruvector attention compute -t dot -d 128 # Run attention computation npx ruvector attention hyperbolic -a distance -v "[0.1,0.2]" -b "[0.3,0.4]" ``` ### 相干性门控（`prime-radiant`）** |---------|--------------|----------------| | **Sheaf Laplacian** | 通过 E(S) = Σ wₑ · ‖ρᵤ(xᵤ) - ρᵥ(xᵥ)‖² 测量一致性 | 相干性的数学证明 | | **计算阶梯** | 反射 (<1ms) → 检索 (~10ms) → 重型 (~100ms) → 人工 | 按置信度级别路由 | | **LLM 幻觉门控** | 带见证阻止不一致的响应 | 当数学表明存在矛盾时拒绝生成 | | **GPU/SIMD 加速** | wgpu + AVX-512/NEON + vec4 WGSL 内核 | 相干性检查加速 4-16 倍 | | **治理审计** | Blake3 哈希链、加密见证 | 每个决策都是可证明的 | #### 相干性 vs 置信度** |----------------|---------------| | “我有 85% 的信心” | “发现零矛盾” | | 可能自信地犯错 | 知道何时不知道 | | 猜测未来 | 现在证明一致性 | | 信任模型 | 信任数学 | #### 计算阶梯路由** |--------|------|---------|--------| | < 0.1 | 反射 | < 1ms | 立即批准 | | 0.1-0.4 | 检索 | ~10ms | 获取更多证据 | | 0.4-0.7 | 重型 | ~100ms | 深度分析 | | > 0.7 | 人工 | 异步 | 升级审查 | ``` # 安装 coherence engine cargo add prime-radiant # 支持 GPU 加速 cargo add prime-radiant --features gpu,simd ```

## 部署 在您的应用程序所在的任何地方运行 RuVector——作为服务器、PostgreSQL 扩展、浏览器库、边缘数据库或自启动容器。

🚀 部署选项

| 功能 | 作用 | 重要性 | |---------|--------------|----------------| | **HTTP/gRPC 服务器** | REST API、流式支持 | 轻松集成 | | **WASM/浏览器** | 完整的客户端支持 | 离线运行 AI 搜索 | | **Node.js 绑定** | 原生 napi-rs 绑定 | 无序列化开销 | | **FFI 绑定** | C 兼容接口 | 从 Python、Go 等使用 | | **CLI 工具** | 基准测试、测试管理 | DevOps 友好 |

## 性能 来自真实基准测试的真实数字——在 Apple M4 Pro（48GB RAM）上使用 Criterion.rs 统计采样测量。

📈 性能基准

### 向量搜索（HNSW） | 配置 | QPS | p50 延迟 | p99 延迟 | Recall | 数据集 | |---------------|-----|-------------|-------------|--------|---------| | **单线程** | 394 | 1.80ms | 1.84ms | 100% | 50K 向量，384D | | **多线程 (16)** | 3,597 | 2.86ms | 8.47ms | 100% | 50K 向量，384D | | **优化 (SIMD)** | 1,216 | 0.78ms | 0.78ms | 100% | 10K 向量，384D | | Python 基线 | 77 | 11.88ms | 11.88ms | 100% | 10K 向量，384D | | 暴力搜索 | 12 | 77.76ms | 77.76ms | 100% | 10K 向量，384D | **比 Python 快 15.7 倍**——每种配置下均为 100% Recall。 | 搜索 k | p50 延迟 | 吞吐量 | |----------|-------------|------------| | k=1 | 18.9µs | 53K QPS | | k=10 | 25.2µs | 40K QPS | | k=100 | 77.9µs | 13K QPS | ### SIMD 距离计算（NEON） | 指标 | 128D | 384D | 768D | 1536D | |--------|------|------|------|-------| | **欧几里得** | 14.9ns (67M/s) | 55.3ns (18M/s) | 115.3ns (8.7M/s) | 279.6ns (3.6M/s) | | **余弦** | 16.4ns (61M/s) | 60.4ns (17M/s) | 128.8ns (7.8M/s) | 302.9ns (3.3M/s) | | **点积** | 12.0ns (83M/s) | 52.7ns (19M/s) | 112.2ns (8.9M/s) | 292.3ns (3.4M/s) | SIMD 加速：**2.9 倍**（欧几里得/点积），**5.95 倍**（余弦）。 ### 量化 | 模式 | 压缩 | 编码 (384D) | 距离 (384D) | 每 100 万向量内存 | |------|-------------|---------------|-----------------|----------------------| | **无 (f32)** | 1x | — | 55.3ns | 1.46 GB | | **标量 (INT8)** | 4x | 213ns | 31ns | 366 MB | | **INT4** | 8x | — | — | 183 MB | | **二进制** | 32x | 208ns | 0.9ns | 46 MB | 二进制量化：**亚纳秒**级距离计算。 ### 插入吞吐量** |-----------|---------|------------| | **单次插入 (384D)** | 4.63ms | 216/s | | **批量 100** | 34.1ms | 2,928/s | | **批量 500** | 72.8ms | 6,865/s | | **批量 1000** | 152.0ms | 6,580/s | 批量插入：比单次插入**快 30 倍**。 ### LLM 推理** |-----------|---------------|---------|-----------| | **Flash Attention** | 256 seq | 840µs | 比 2ms 目标好 2.4 倍 | | **RMSNorm** | 4096 dim | 620ns | 比 10µs 目标好 16 倍 | | **GEMV** | 4096x4096 | 1.36ms | 比 5ms 目标好 3.7 倍 | | **MicroLoRA 前向** | rank=2, 4096 dim | 8.56µs (标量) / 2.61µs (SIMD) | 比 1ms 目标好 117 倍–383 倍 | | **RoPE** | 128 dim, 32 tokens | 1.33µs | 比 50µs 目标好 9.6 倍 | | GEMV 扩展 (M4 Pro) | 线程 | 加速 | |------------------------|---------|---------| | | 1 | 1.0x | | | 4 | 3.4x | | | 8 | 6.1x | | | 10 | **12.7x** | ### ef_search 调优** |-----------|-----|-------------|--------| | 50 | 674 | 1.35ms | 100% | | 100 | 596 | 1.37ms | 100% | | 200 | 572 | 1.40ms | 100% | | 400 | | **多区域高可用** | Raft 共识，多主复制，自动故障转移 | [docs/cloud-architecture](./docs/cloud-architecture/) | | **突发扩缩容** | 10-50x 自动扩缩容，支持 Quorum 写入与负载均衡 | [examples/google-cloud](./examples/google-cloud) | | **认知容器** | 单个 `.rvf` 文件在 125ms 内作为微服务启动 — 数据 + 代码 + 血缘 | [crates/rvf](./crates/rvf) | ``` -- Drop-in PostgreSQL replacement with self-improving search CREATE EXTENSION ruvector; CREATE TABLE documents (id SERIAL PRIMARY KEY, content TEXT, embedding VECTOR(384)); CREATE INDEX ON documents USING hnsw_gnn (embedding); SELECT * FROM documents ORDER BY embedding <-> query_vector LIMIT 10; ``` ### Agentic 工作流 | 用例 | RuVector 的功能 | 示例 | |----------|-------------------|---------| | **AI 版本控制** | Agentic Jujutsu — 对 AI 模型状态进行分支、合并和 Diff | [examples/agentic-jujutsu](./examples/agentic-jujutsu) | | **自学习流水线** | 随时间学习最优执行路径的 DAG 工作流 | [crates/ruvector-dag](./crates/ruvector-dag) | | **网页抓取 → Embedding** | Apify 集成 — 在一条流水线中完成抓取、嵌入和索引 | [examples/apify](./examples/apify) | | **合成数据** | 用于训练数据的 Agentic 合成与生成 | [Agentic-Flow](https://github.com/ruvnet/agentic-flow) |

## 安装 RuVector 可在 Node.js、Rust、浏览器、PostgreSQL 和 Docker 上运行。选择适合您技术栈的包。 | 平台 | 命令 | |----------|---------| | **npm** | `npm install ruvector` | | **npm (SONA)** | `npm install @ruvector/sona` | | **npm (Genomics)** | `npm install @ruvector/rvdna` | | **npm (RVF)** | `npm install @ruvector/rvf` | | **Browser/WASM** | `npm install ruvector-wasm` | | **Rust** | `cargo add ruvector-core ruvector-graph ruvector-gnn` | | **Rust (RVF)** | `cargo add rvf-runtime` | | **Rust (Genomics)** | `cargo add rvdna` | | **Rust (SONA)** | `cargo add ruvector-sona` | | **Rust (LLM)** | `cargo add ruvllm` | | **RVF CLI** | `cargo install rvf-cli` | | **RVF MCP** | `npx @ruvector/rvf-mcp-server --transport stdio` | ## 包参考

📖 文档

#### 入门指南 | 主题 | 链接 | |-------|------| | 入门指南 | [docs/guides/GETTING_STARTED.md](./docs/guides/GETTING_STARTED.md) | | API 参考 | [docs/api/](./docs/api/) | | Cypher 参考 | [docs/api/CYPHER_REFERENCE.md](./docs/api/CYPHER_REFERENCE.md) | | 性能调优 | [docs/optimization/PERFORMANCE_TUNING_GUIDE.md](./docs/optimization/PERFORMANCE_TUNING_GUIDE.md) | #### 核心组件 | 主题 | 链接 | |-------|------| | GNN 架构 | [docs/gnn/](./docs/gnn/) | | HNSW 索引 | [docs/hnsw/](./docs/hnsw/) | | DAG 系统 | [docs/dag/](./docs/dag/) | | 神经系统 | [docs/nervous-system/](./docs/nervous-system/) | | 稀疏推理 | [docs/sparse-inference/](./docs/sparse-inference/) | #### 绑定与集成 | 主题 | 链接 | |-------|------| | Node.js API | [crates/ruvector-gnn-node/README.md](./crates/ruvector-gnn-node/README.md) | | WASM API | [crates/ruvector-gnn-wasm/README.md](./crates/ruvector-gnn-wasm/README.md) | | PostgreSQL | [docs/postgres/](./docs/postgres/) | | 自学习钩子 | [docs/hooks/](./docs/hooks/) | | 集成指南 | [docs/integration/](./docs/integration/) | #### LLM 与 AI | 主题 | 链接 | |-------|------| | RuvLLM | [docs/ruvllm/](./docs/ruvllm/) | | 训练指南 | [docs/training/](./docs/training/) | #### 运维 | 主题 | 链接 | |-------|------| | 架构 | [docs/architecture/](./docs/architecture/) | | 云端部署 | [docs/cloud-architecture/](./docs/cloud-architecture/) | | 安全 | [docs/security/](./docs/security/) | | 基准测试 | [docs/benchmarks/](./docs/benchmarks/) | | 测试 | [docs/testing/](./docs/testing/) | #### 研究 | 主题 | 链接 | |-------|------| | 研究论文 | [docs/research/](./docs/research/) | | GNN V2 功能 | [docs/research/gnn-v2/](./docs/research/gnn-v2/) | | Min-Cut 算法 | [docs/research/mincut/](./docs/research/mincut/) | | SPARQL 支持 | [docs/research/sparql/](./docs/research/sparql/) | | 潜在空间 | [docs/research/latent-space/](./docs/research/latent-space/) | ### 架构决策记录 (ADR) | ADR | 状态 | 描述 | |-----|--------|-------------| | [ADR-001](./docs/adr/ADR-001-ruvector-core-architecture.md) | 已采纳 | 核心架构设计 | | [ADR-002](./docs/adr/ADR-002-ruvllm-integration.md) | 已采纳 | RuvLLM 集成 | | [ADR-003](./docs/adr/ADR-003-simd-optimization-strategy.md) | 已采纳 | SIMD 优化策略 | | [ADR-004](./docs/adr/ADR-004-kv-cache-management.md) | 已采纳 | KV 缓存管理 | | [ADR-005](./docs/adr/ADR-005-wasm-runtime-integration.md) | 已采纳 | WASM 运行时集成 | | [ADR-006](./docs/adr/ADR-006-memory-management.md) | 已采纳 | 内存管理 | | [ADR-007](./docs/adr/ADR-007-security-review-technical-debt.md) | 已采纳 | 安全审查 | | [ADR-008](./docs/adr/ADR-008-mistral-rs-integration.md) | **新增** | Mistral-rs 后端集成 | | [ADR-009](./docs/adr/ADR-009-structured-output.md) | **新增** | 结构化输出 (SOTA) | | [ADR-010](./docs/adr/ADR-010-function-calling.md) | **新增** | 函数调用 (SOTA) | | [ADR-011](./docs/adr/ADR-011-prefix-caching.md) | **新增** | 前缀缓存 (SOTA) | | [ADR-012](./docs/adr/ADR-012-security-remediation.md) | **新增** | 安全修复 | | [ADR-013](./docs/adr/ADR-013-huggingface-publishing.md) | **新增** | HuggingFace 发布 | | [ADR-030](./docs/adr/ADR-030-rvf-cognitive-container.md) | **已采纳** | RVF 认知容器架构 | | [ADR-031](./docs/adr/ADR-031-rvcow-branching-and-real-cognitive-containers.md) | **已采纳** | RVCOW 分支与真实容器 | | [ADR-045](./docs/adr/ADR-045-lean-agentic-integration.md) | **已采纳** | Lean-agentic 形式化验证集成 |

📦 npm 包 (49+ 包)

#### 核心包 | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [ruvector](https://www.npmjs.com/package/ruvector) | 多合一 CLI 与包 | [](https://www.npmjs.com/package/ruvector) | [](https://www.npmjs.com/package/ruvector) | | [@ruvector/core](https://www.npmjs.com/package/@ruvector/core) | 带 HNSW 的核心向量数据库 | [](https://www.npmjs.com/package/@ruvector/core) | [](https://www.npmjs.com/package/@ruvector/core) | | [@ruvector/node](https://www.npmjs.com/package/@ruvector/node) | 统一 Node.js 绑定 | [](https://www.npmjs.com/package/@ruvector/node) | [](https://www.npmjs.com/package/@ruvector/node) | | [ruvector-extensions](https://www.npmjs.com/package/ruvector-extensions) | 高级功能：embeddings、UI | [](https://www.npmjs.com/package/ruvector-extensions) | [](https://www.npmjs.com/package/ruvector-extensions) | #### 图与 GNN | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [@ruvector/gnn](https://www.npmjs.com/package/@ruvector/gnn) | 图神经网络层 | [](https://www.npmjs.com/package/@ruvector/gnn) | [](https://www.npmjs.com/package/@ruvector/gnn) | | [@ruvector/graph-node](https://www.npmjs.com/package/@ruvector/graph-node) | 支持 Cypher 查询的超图 | [](https://www.npmjs.com/package/@ruvector/graph-node) | [](https://www.npmjs.com/package/@ruvector/graph-node) | | [@ruvector/graph-wasm](https://www.npmjs.com/package/@ruvector/graph-wasm) | 浏览器图查询 | [](https://www.npmjs.com/package/@ruvector/graph-wasm) | [](https://www.npmjs.com/package/@ruvector/graph-wasm) | | [@ruvector/graph-data-generator](https://www.npmjs.com/package/@ruvector/graph-data-generator) | AI 驱动的合成图数据 | [](https://www.npmjs.com/package/@ruvector/graph-data-generator) | [](https://www.npmjs.com/package/@ruvector/graph-data-generator) | #### AI 路由与注意力 | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [@ruvector/tiny-dancer](https://www.npmjs.com/package/@ruvector/tiny-dancer) | FastGRNN 神经路由 | [](https://www.npmjs.com/package/@ruvector/tiny-dancer) | [](https://www.npmjs.com/package/@ruvector/tiny-dancer) | | [@ruvector/router](https://www.npmjs.com/package/@ruvector/router) | 语义路由器 + HNSW | [](https://www.npmjs.com/package/@ruvector/router) | [](https://www.npmjs.com/package/@ruvector/router) | | [@ruvector/attention](https://www.npmjs.com/package/@ruvector/attention) | 46 种注意力机制 | [](https://www.npmjs.com/package/@ruvector/attention) | [](https://www.npmjs.com/package/@ruvector/attention) | #### 学习与神经 | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [@ruvector/sona](https://www.npmjs.com/package/@ruvector/sona) | 自优化神经架构 | [](https://www.npmjs.com/package/@ruvector/sona) | [](https://www.npmjs.com/package/@ruvector/sona) | | [@ruvector/spiking-neural](https://www.npmjs.com/package/@ruvector/spiking-neural) | 脉冲神经网络 (SNN) | [](https://www.npmjs.com/package/@ruvector/spiking-neural) | [](https://www.npmjs.com/package/@ruvector/spiking-neural) | #### LLM 运行时 | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [@ruvector/ruvllm](https://www.npmjs.com/package/@ruvector/ruvllm) | LLM 编排 + SONA | [](https://www.npmjs.com/package/@ruvector/ruvllm) | [](https://www.npmjs.com/package/@ruvector/ruvllm) | | [@ruvector/ruvllm-cli](https://www.npmjs.com/package/@ruvector/ruvllm-cli) | LLM CLI：推理、基准测试 | [](https://www.npmjs.com/packageruvector/ruvllm-cli) | [](https://www.npmjs.com/package/@ruvector/ruvllm-cli) | | [@ruvector/ruvllm-wasm](https://www.npmjs.com/package/@ruvector/ruvllm-wasm) | 浏览器 LLM 推理 | [](https://www.npmjs.com/package/@ruvector/ruvllm-wasm) | [](https://www.npmjs.com/package/@ruvector/ruvllm-wasm) | #### 分布式系统 | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [@ruvector/cluster](https://www.npmjs.com/package/@ruvector/cluster) | 分布式集群 | [](https://www.npmjs.com/package/@ruvector/cluster) | [](https://www.npmjs.com/package/@ruvector/cluster) | | [@ruvector/server](https://www.npmjs.com/package/@ruvector/server) | HTTP/gRPC 服务器 | [](https://www.npmjs.com/package/@ruvector/server) | [](https://www.npmjs.com/package/@ruvector/server) | | [@ruvector/raft](https://www.npmjs.com/package/@ruvector/raft) | Raft 共识 | [](https://www.npmjs.com/package/@ruvector/raft) | [](https://www.npmjs.com/package/@ruvector/raft) | | [@ruvector/replication](https://www.npmjs.com/package/@ruvector/replication) | 多主复制 | [](https://www.npmjs.com/package/@ruvector/replication) | [](https://www.npmjs.com/package/@ruvector/replication) | | [@ruvector/burst-scaling](https://www.npmjs.com/package/@ruvector/burst-scaling) | 10-50x 突发扩缩容 | [](https://www.npmjs.com/package/@ruvector/burst-scaling) | [](https://www.npmjs.com/package/@ruvector/burst-scaling) | #### 边缘与独立 | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [rvlite](https://www.npmjs.com/package/rvlite) | SQLite 风格边缘数据库 | [](https://www.npmjs.com/package/rvlite) | [](https://www.npmjs.com/package/rvlite) | | [@ruvector/rudag](https://www.npmjs.com/package/@ruvector/rudag) | 自学习 DAG | [](https://www.npmjs.com/package/@ruvector/rudag) | [](https://www.npmjs.com/package/@ruvector/rudag) | #### 基因组与健康 | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [@ruvector/rvdna](https://www.npmjs.com/package/@ruvector/rvdna) | AI 原生基因组分析 + .rvdna 格式 | [](https://www.npmjs.com/package/@ruvector/rvdna) | [](https://www.npmjs.com/package/@ruvector/rvdna) | #### RVF 认知容器 | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [@ruvector/rvf](https://www.npmjs.com/package/@ruvector/rvf) | 统一 TypeScript SDK | [](https://www.npmjs.com/package/@ruvector/rvf) | [](https://www.npmjs.com/package/@ruvector/rvf) | | [@ruvector/rvf-node](https://www.npmjs.com/package/@ruvector/rvf-node) | Node.js N-API 原生绑定 | [](https://www.npmjs.com/package/@ruvector/rvf-node) | [](https://www.npmjs.com/package/@ruvector/rvf-node) | | [@ruvector/rvf-wasm](https://www.npmjs.com/package/@ruvector/rvf-wasm) | WASM 浏览器包 | [](https://www.npmjs.com/package/@ruvector/rvf-wasm) | [](https://www.npmjs.com/package/@ruvector/rvf-wasm) | | [@ruvector/rvf-mcp-server](https://www.npmjs.com/package/@ruvector/rvf-mcp-server) | 用于 AI 智能体的 MCP 服务器 | [](https://www.npmjs.com/package/@ruvector/rvf-mcp-server) | [](https://www.npmjs.com/package/@ruvector/rvf-mcp-server) | #### Agentic 与合成数据 | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [@ruvector/agentic-synth](https://www.npmjs.com/package/@ruvector/agentic-synth) | AI 合成数据生成器 | [](https://www.npmjs.com/package/@ruvector/agentic-synth) | [](https://www.npmjs.com/package/@ruvector/agentic-synth) | | [@ruvector/agentic-integration](https://www.npmjs.com/package/@ruvector/agentic-integration) | 分布式智能体协调 | [](https://www.npmjs.com/package/@ruvector/agentic-integration) | [](https://www.npmjs.com/package/@ruvector/agentic-integration) | | [@cognitum/gate](https://www.npmjs.com/package/@cognitum/gate) | AI 一致性门控 | [](https://www.npmjs.com/package/@cognitum/gate) | [](https://www.npmjs.com/package/@cognitum/gate) | #### CLI 工具 | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [@ruvector/cli](https://www.npmjs.com/package/@ruvector/cli) | CLI + 自学习钩子 | [](https://www.npmjs.com/package/@ruvector/cli) | [](https://www.npmjs.com/package/@ruvector/cli) | | [@ruvector/postgres-cli](https://www.npmjs.com/package/@ruvector/postgres-cli) | PostgreSQL 扩展 CLI | [](https://www.npmjs.com/package/@ruvector/postgres-cli) | [](https://www.npmjs.com/package/@ruvector/postgres-cli) | | [@ruvector/scipix](https://www.npmjs.com/package/@ruvector/scipix) | 科学 OCR 客户端 | [](https://www.npmjs.com/package/@ruvector/scipix) | [](https://www.npmjs.com/package/@ruvector/scipix) | #### WASM 包 | 包名 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [@ruvector/wasm](https://www.npmjs.com/package/@ruvector/wasm) | 统一 WASM 元包 | [](https://www.npmjs.com/package/@ruvector/wasm) | [](https://www.npmjs.com/package/@ruvector/wasm) | | [@ruvector/wasm-unified](https://www.npmjs.com/package/@ruvector/wasm-unified) | 统一 TypeScript API | [](https://www.npmjs.com/package/@ruvector/wasm-unified) | [](https://www.npmjs.com/package/@ruvector/wasm-unified) | | [@ruvector/gnn-wasm](https://www.npmjs.com/package/@ruvector/gnn-wasm) | GNN WASM 绑定 | [](https://www.npmjs.com/package/@ruvector/gnn-wasm) | [](https://www.npmjs.com/package/@ruvector/gnn-wasm) | | [@ruvector/attention-wasm](https://www.npmjs.com/package/@ruvector/attention-wasm) | 注意力 WASM 绑定 | [](https://www.npmjs.com/package/@ruvector/attention-wasm) | [](https://www.npmjs.com/package/@ruvector/attention-wasm) | | [@ruvector/attention-unified-wasm](https://www.npmjs.com/package/@ruvector/attention-unified-wasm) | 全部 46 种注意力机制 | [](https://www.npmjs.com/package/@ruvector/attention-unified-wasm) | [](https://www.npmjs.com/package/@ruvector/attention-unified-wasm) | | [@ruvector/tiny-dancer-wasm](https://www.npmjs.com/package/@ruvector/tiny-dancer-wasm) | AI 路由 WASM | [](https://www.npmjs.com/package/@ruvector/tiny-dancer-wasm) | [](https://www.npmjs.com/package/@ruvector/tiny-dancer-wasm) | | [@ruvector/router-wasm](https://www.npmjs.com/package/@ruvector/router-wasm) | 语义路由器 WASM | [](https://www.npmjs.com/package/@ruvector/router-wasm) | [](https://www.npmjs.com/package/@ruvector/router-wasm) | | [@ruvector/learning-wasm](https://www.npmjs.com/package/@ruvector/learning-wasm) | 学习模块 WASM | [](https://www.npmjs.com/package/@ruvector/learning-wasm) | [](https://www.npmjs.com/package/@ruvector/learning-wasm) | | [@ruvector/economy-wasm](https://www.npmjs.com/package/@ruvector/economy-wasm) | 代币经济学 WASM | [](https://www.npmjs.com/package/@ruvector/economy-wasm) | [](https://www.npmjs.com/package/@ruvector/economy-wasm) | | [@ruvector/exotic-wasm](https://www.npmjs.com/package/@ruvector/exotic-wasm) | 异构特性 WASM | [](https://www.npmjs.com/package/@ruvector/exotic-wasm) | [](https://www.npmjs.com/package/@ruvector/exotic-wasm) | | [@ruvector/nervous-system-wasm](https://www.npmjs.com/package/@ruvector/nervous-system-wasm) | 神经系统 WASM | [](https://www.npmjs.com/package/@ruvector/nervous-system-wasm) | [](https://www.npmjs.com/package/@ruvector/nervous-system-wasm) | | [ruvector-attention-wasm](https://www.npmjs.com/package/ruvector-attention-wasm) | WASM 注意力 (Flash, MoE, 双曲, CGT Sheaf) | [](https://www.npmjs.com/package/ruvector-attention-wasm) | [](https://www.npmjs.com/package/ruvector-attention-wasm) |

🦀 Rust Crate (87 个包)

所有 crate 均发布在 [crates.io](https://crates.io) 的 `ruvector-*` 和 `rvf-*` 命名空间下。 ### 核心 Crate | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-core](./crates/ruvector-core) | 带 HNSW 索引的向量数据库引擎 | [](https://crates.io/crates/ruvector-core) | | [ruvector-collections](./crates/ruvector-collections) | 集合与命名空间管理 | [](https://crates.io/crates/ruvector-collections) | | [ruvector-filter](./crates/ruvector-filter) |量过滤与元数据查询 | [](https://crates.io/crates/ruvector-filter) | | [ruvector-metrics](./crates/ruvector-metrics) | 性能指标与监控 | [](https://crates.io/crates/ruvector-metrics) | | [ruvector-snapshot](./crates/ruvector-snapshot) | 快照与持久化管理 | [](https://crates.io/crates/ruvector-snapshot) | | [ruvector-node](./crates/ruvector-node) | 通过 NAPI-RS 的 Node.js 绑定 | [](https://crates.io/crates/ruvector-node) | | [ruvector-wasm](./crates/ruvector-wasm) | 用于浏览器/边缘的 WASM 绑定 | [](https://crates.io/crates/ruvector-wasm) | | [ruvector-cli](./crates/ruvector-cli) | CLI 与 MCP 服务器 | [](https://crates.io/crates/ruvector-cli) | | [ruvector-bench](./crates/ruvector-bench) | 基准测试套件 | [](https://crates.io/crates/ruvector-bench) | ### 图与 GNN | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-graph](./crates/ruvector-graph) | 支持 Neo4j 风格 Cypher 的超图数据库 | [](https://crates.io/crates/ruvector-graph) | | [ruvector-graph-node](./crates/ruvector-graph-node) | 图操作的 Node.js 绑定 | [](https://crates.io/crates/ruvector-graph-node) | | [ruvector-graph-wasm](./crates/ruvector-graph-wasm) | 浏览器图查询的 WASM 绑定 | [](https://crates.io/crates/ruvector-graph-wasm) | | [ruvector-gnn](./crates/ruvector-gnn) | 图神经网络层与训练 | [](https://crates.io/crates/ruvector-gnn) | | [ruvector-gnn-node](./crates/ruvector-gnn-node) | GNN 推理的 Node.js 绑定 | [](https://crates.io/crates/ruvector-gnn-node) | | [ruvector-gnn-wasm](./crates/ruvector-gnn-wasm) | 浏览器 GNN 的 WASM 绑定 | [](https://crates.io/crates/ruvector-gnn-wasm) | ### 注意力机制 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-attention](./crates/ruvector-attention) | 46 种注意力机制 (Flash, 双曲, MoE, Graph) | [](https://crates.io/crates/ruvector-attention) | | [ruvector-attention-node](./crates/ruvector-attention-node) | 注意力机制的 Node.js 绑定 | [](https://crates.io/crates/ruvector-attention-node) | | [ruvector-attention-wasm](./crates/ruvector-attention-wasm) | 浏览器注意力的 WASM 绑定 | [](https://crates.io/crates/ruvector-attention-wasm) | | [ruvector-attention-cli](./crates/ruvector-attention-cli) | 用于注意力测试与基准测试的 CLI | [](https://crates.io/crates/ruvector-attention-cli) | ### LLM 运行时 (ruvllm) | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvllm](./crates/ruvllm) | LLM 服务运行时，支持 SONA、分页注意力、KV 缓存、BitNet | [](https://crates.io/crates/ruvllm) | | [ruvllm-cli](./crates/ruvllm-cli) | 模型推理与基准测试的 CLI | [](https://crates.io/crates/ruvllm-cli) | | [ruvllm-wasm](./crates/ruvllm-wasm) | 浏览器 LLM 推理的 WASM 绑定 | [](https://crates.io/crates/ruvllm-wasm) | **功能特性：** Candle 后端、Metal/CUDA 加速、Apple Neural Engine、GGUF 支持、SONA 学习、**BitNet 1.58 位量化** (TL1 内核、AVX2/WASM)。 ``` cargo add ruvllm --features inference-metal # Mac with Metal cargo add ruvllm --features inference-cuda # NVIDIA GPU ``` **RuvLTRA 模型** — 为 Claude Code 工作流优化的预训练 GGUF 模型： | 模型 | 大小 | 用例 | 链接 | |-------|------|----------|------| | ruvltra-claude-code-0.5b-q4_k_m | 398 MB | 智能体路由 | [HuggingFace](https://huggingface.co/ruv/ruvltra) | | ruvltra-small-0.5b-q4_k_m | 398 MB | Embedding | [HuggingFace](https://huggingface.co/ruv/ruvltra) | | ruvltra-medium-1.1b-q4_k_m | 800 MB | 分类 | [HuggingFace](https://huggingface.co/ruv/ruvltra) | ``` # 下载并使用 wget https://huggingface.co/ruv/ruvltra/resolve/main/ruvltra-small-0.5b-q4_k_m.gguf ``` ### 分布式系统 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-cluster](./crates/ruvector-cluster) | 集群管理与协调 | [](https://crates.io/crates/ruvector-cluster) | | [ruvector-raft](./crates/ruvector-raft) | Raft 共识实现 | [](https://crates.io/crates/ruvector-raft) | | [ruvector-replication](./crates/ruvector-replication) | 数据复制与同步 | [](https://crates.io/crates/ruvector-replication) | | [ruvector-server](./crates/ruvector-server) | REST/gRPC API 服务器 | [](https://crates.io/crates/ruvector-server) | ### AI 智能体路由 (Tiny Dancer) | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-tiny-dancer-core](./crates/ruvector-tiny-dancer-core) | 用于 AI 路由的 FastGRNN 神经推理 | [](https://crates.io/crates/ruvector-tiny-dancer-core) | | [ruvector-tiny-dancer-node](./crates/ruvector-tiny-dancer-node) | AI 路由的 Node.js 绑定 | [](https://crates.io/crates/ruvector-tiny-dancer-node) | | [ruvector-tiny-dancer-wasm](./crates/ruvector-tiny-dancer-wasm) | 浏览器 AI 路由的 WASM 绑定 | [](https://crates.io/crates/ruvector-tiny-dancer-wasm) | ### 路由器 (语义路由) | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-router-core](./crates/ruvector-router-core) | 核心语义路由引擎 | [](https://crates.io/crates/ruvector-router-core) | | [ruvector-router-cli](./crates/ruvector-router-cli) | 用于路由器测试与基准测试的 CLI | [](https://crates.io/crates/ruvector-router-cli) | | [ruvector-router-ffi](./crates/ruvector-router-ffi) | 用于其他语言的 FFI 绑定 | [](https://crates.io/crates/ruvector-router-ffi) | | [ruvector-router-wasm](./crates/ruvector-router-wasm) | 浏览器路由的 WASM 绑定 | [](https://crates.io/crates/ruvector-router-wasm) | **混合路由**采用关键词优先策略配合 Embedding 回退，在智能体路由中实现 **90% 准确率**。基准测试见 [Issue #122](https://github.com/ruvnet/ruvector/issues/122)，微调指南见[训练教程](#-ruvllm-training--fine-tuning-tutorials)。 ### 神经交易员 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [neural-trader-core](./crates/neural-trader-core) | 市场事件类型、摄入流水线、图 Schema | `publish = false` | | [neural-trader-coherence](./crates/neural-trader-coherence) | 带 CUSUM 漂移检测的 MinCut 一致性门控 | `publish = false` | | [neural-trader-replay](./crates/neural-trader-replay) | 带证明门控写入的水库回放存储 | `publish = false` | | [neural-trader-wasm](./crates/neural-trader-wasm) | 用于浏览器一致性门控与回放的 WASM 绑定 | `publish = false` | 将限价订单簿视为动态异构类型图的六层流水线。架构详见 [ADR-085](./docs/adr/ADR-085-neural-trader-ruvector.md)，WASM 绑定详见 [ADR-086](./docs/adr/ADR-086-neural-trader-wasm.md)。 ### 动态 Min-Cut (2025 年 12 月突破) | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-mincut](./crates/ruvector-mincut) | 亚多项式完全动态 min-cut ([arXiv:2512.13105](https://arxiv.org/abs/2512.13105)) | [](https://crates.io/crates/ruvector-mincut) | | [ruvector-mincut-node](./crates/ruvector-mincut-node) | min-cut 的 Node.js 绑定 | [](https://crates.io/crates/ruvector-mincut-node) | | [ruvector-mincut-wasm](./crates/ruvector-mincut-wasm) | 浏览器 min-cut 的 WASM 绑定 | [](https://crates.io/crates/ruvector-mincut-wasm) | **首个确定性精确完全动态 min-cut**，经验证的 **n^0.12 亚多项式**更新扩展： - **大脑连接性** — 通过在毫秒级追踪神经通路变化来检测阿尔茨海默病标志物 - **网络弹性** — 在故障发生前预测中断，即时绕过故障路由 - **AI 智能体协调** — 发现多智能体系统中的通信瓶颈 - **神经网络剪枝** — 识别哪些连接可以在不损失精度的情况下移除 - **448+ 测试**，256 核并行优化，每核 8KB (编译时验证) ``` use ruvector_mincut::{DynamicMinCut, Graph}; let mut graph = Graph::new(); graph.add_edge(0, 1, 10.0); graph.add_edge(1, 2, 5.0); let mincut = DynamicMinCut::new(&graph); let (value, cut_edges) = mincut.compute(); // Updates in subpolynomial time as edges change ``` ### 量子一致性 (ruQu) | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruqu](./crates/ruQu) | 量子机器的经典神经系统 - 通过 min-cut 实现一致性 | [](https://crates.io/crates/ruqu) | | [cognitum-gate-kernel](./crates/cognitum-gate-kernel) | 任意时间有效的一致性门控内核 | [](https://crates.io/crates/cognitum-gate-kernel) | | [cognitum-gate-tilezero](./crates/cognitum-gate-tilezero) | 用于一致性决策的 TileZero 仲裁器 | [](https://crates.io/crates/cognitum-gate-tilezero) | | [mcp-gate](./crates/mcp-gate) | 用于一致性门控集成的 MCP 服务器 | [](https://crates.io/crates/mcp-gate) | | [prime-radi](./crates/prime-radiant) | 通用一致性引擎 - 层拉普拉斯 AI 安全与幻觉检测 | [](https://crates.io/crates/prime-radiant) | **ruQu 功能：** 实时量子一致性评估、MWPM 解码器集成、mincut 门控注意力 (减少 50% FLOPs)。 ``` use ruqu::{CoherenceGate, SyndromeFilter}; let gate = CoherenceGate::new(); let syndrome = gate.assess_coherence(&quantum_state)?; ``` ### 高级数学与推理 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-math](./crates/ruvector-math) | 核心数学工具、SIMD 操作 | [](https://crates.io/crates/ruvector-math) | | [ruvector-math-wasm](./crates/ruvector-math-wasm) | 数学操作的 WASM 绑定 | [](https://crates.io/crates/ruvector-math-wasm) | | [ruvector-sparse-inference](./crates/ruvector-sparse-inference) | 稀疏张量推理引擎 | [](https://crates.io/crates/ruvector-sparse-inference) | | [ruvector-sparse-inference-wasm](./crates/ruvector-sparse-inference-wasm) | 稀疏推理的 WASM 绑定 | [](https://crates.io/crates/ruvector-sparse-inference-wasm) | | [ruvector-hyperbolic-hnsw](./crates/ruvector-hyperbolic-hnsw) | 双曲空间中的 HNSW (Poincaré/Lorentz) | [](https://crates.io/crates/ruvector-hyperbolic-hnsw) | | [ruvector-hyperbolic-hnsw-wasm](./crates/ruvector-hyperbolic-hnsw-wasm) | 双曲 HNSW 的 WASM 绑定 | [](https://crates.io/crates/ruvector-hyperbolic-hnsw-wasm) | | [ruvector-dither](./crates/ruvector-dither) | 用于量化的确定性黄金比例和 Pi 数字抖动 (`no_std`) | [](https://crates.io/crates/ruvector-dither) | ### FPGA 与硬件加速 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-fpga-transformer](./crates/ruvector-fpga-transformer) | FPGA 优化的 Transformer 推理 | [](https://crates.io/crates/ruvector-fpga-transformer) | | [ruvector-fpga-transformer-wasm](./crates/ruvector-fpga-transformer-wasm) | FPGA Transformer 的 WASM 模拟 | [](https://crates.io/crates/ruvector-fpga-transformer-wasm) | | [ruvector-mincut-gated-transformer](./crates/ruvector-mincut-gated-transformer) | MinCut 门控注意力，减少 50% 计算 | [](https://crates.io/crates/ruvector-mincut-gated-transformer) | | [ruvector-mincut-gated-transformer-wasm](./crates/ruvector-mincut-gated-transformer-wasm) | mincut 门控 Transformer 的 WASM 绑定 | [](https://crates.io/crates/ruvector-mincut-gated-transformer-wasm) | ### 神经形态与仿生学习 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-nervous-system](./crates/ruvector-nervous-system) | 带 BTSP 学习与 EWC 可塑性的脉冲神经网络 | [](https://crates.io/crates/ruvector-nervous-system) | | [ruvector-nervous-system-wasm](./crates/ruvector-nervous-system-wasm) | 神经形态学习的 WASM 绑定 | [](https://crates.io/crates/ruvector-nervous-system-wasm) | | [ruvector-learning-wasm](./crates/ruvector-learning-wasm) | MicroLoRA 适配 (<100µs 延迟) | [](https://crates.io/crates/ruvector-learning-wasm) | | [ruvector-economy-wasm](./crates/ruvector-economy-wasm) | 基于 CRDT 的自主信用经济 | [](https://crates.io/crates/ruvector-economy-wasm) | | [ruvector-exotic-wasm](./crates/ruvector-exotic-wasm) | 异构 AI 原语 (奇异环、时间晶体) | [](https://crates.io/crates/ruvector-exotic-wasm) | | [ruvector-attention-unified-wasm](./crates/ruvector-attention-unified-wasm) | 统一 18+ 注意力机制 (神经、DAG、Mamba SSM) | [](https://crates.io/crates/ruvector-attention-unified-wasm) | | [micro-hnsw-wasm](./crates/micro-hnsw-wasm) | 带脉冲神经元的神经形态 HNSW (11.8KB WASM) | [](https://crates.io/crates/micro-hnsw-wasm) | | [thermorust](./crates/thermorust) | 热力学神经基元引擎 — Ising/soft-spin 哈密顿量、朗之万动力学、兰道尔耗散 | [](https://crates.io/crates/thermorust) | **仿生特性：** - **脉冲神经网络 (SNN)** — 比传统 ANN 能效高 10-50 倍 - **BTSP 学习** — 行为时间尺度突触可塑性，实现快速适应 - **MicroLoRA** — 亚微秒级微调，实现按算子学习 - **Mamba SSM** — 线性时间序列的状态空间模型注意力 ### 认知机器人

面向自主机器人的感知、规划、行为树和群体协调

| Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-robotics](./crates/ruvector-robotics) | 认知机器人平台 — 感知、A* 规划、行为树、群体协调 | [](https://crates.io/crates/ruvector-robotics) | **模块：** | 模块 | 功能 | |--------|--------------| | **bridge** | OccupancyGrid、PointCloud、SensorFrame、SceneGraph 数据类型，支持空间 kNN | | **perception** | 从点云构建场景图、障碍物检测流水线 | | **planning** | A* 网格搜索 (octile 启发式) 和势场速度命令 | | **cognitive** | 感知-思考-行动-学习循环，基于效用推理 | | **domain_expansion** | 通过 Meta Thompson Sampling 和 Beta 先验进行跨域迁移学习 | **关键特性：** 290 个测试、clippy-clean、`no_std` 友好类型、可选的 `domain-expansion` feature flag 用于跨域迁移、可插拔的 `PotentialFieldConfig` 用于避障、通过 `ruvector-domain-expansion` 实现拜占庭容错的群体协调。 ``` use ruvector_robotics::planning::{astar, potential_field, PotentialFieldConfig}; use ruvector_robotics::bridge::OccupancyGrid; let grid = OccupancyGrid::new(100, 100, 0.1); let path = astar(&grid, (5, 5), (90, 90))?; let cmd = potential_field(&[0.0, 0.0, 0.0], &[5.0, 3.0, 0.0], &[], &PotentialFieldConfig::default()); ```

### 自学习 (SONA) | Crate | 描述 | crates.io | |-------|-------------|-----------| | [sona](./crates/sona) | 自优化神经架构 - LoRA, EWC++, ReasoningBank | [](https://crates.io/crates/ruvector-sona) | **SONA 功能：** 两级 LoRA 适配、弹性权重巩固 (EWC++)、用于轨迹学习的 ReasoningBank、LLM 路由器的运行时自适应学习。 ### 基因组与健康 (rvDNA) | Crate | 描述 | crates.io | |-------|-------------|-----------| | [rvdna](./examples/dna) | AI 原生基因组分析 — 变异检测、蛋白质翻译、HNSW k-mer 搜索、`.rvdna` 格式 | [](https://crates.io/crates/rvdna) | **rvDNA 功能：** 5 个真实人类基因全流水线 12 ms、贝叶斯变异检测 (155 ns/SNP)、Horvath 表观遗传时钟、CYP2D6 药物基因组学、带预计算 AI 特征的 `.rvdna` 二进制格式、支持基于浏览器的诊断的 WASM。[完整 README](./examples/dna/README.md) ### RVF 认知容器 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [rvf-types](./crates/rvf/rvf-types) | 20 个段头、COW/成员关系/delta 类型 (`no_std`) | [](https://crates.io/crates/rvf-types) | | [rvf-wire](./crates/rvf/rvf-wire) | 线格式读写 (`no_std`) | [](https://crates.io/crates/rvf-wire) | | [rvf-manifest](./crates/rvf/rvf-manifest) | 两级清单、FileIdentity、COW 指针 | [](https://crates.io/crates/rvf-manifest) | | [rvf-quant](./crates/rvf/rvf-quant) | 标量、乘积、二进制量化 | [](https://crates.io/crates/rvf-quant) | | [rvf-index](./crates/rvf/rvf-index) | HNSW 渐进式索引 (Layer A/B/C) | [](https://crates.io/crates/rvf-index) | | [rvf-crypto](./crates/rvf/rvf-crypto) | SHAKE-256、Ed25519、见证链、认证 | [](https://crates.io/crates/rvf-crypto) | | [rvf-runtime](./crates/rvf/rvf-runtime) | 完整存储 API、COW 引擎、压缩 | [](https://crates.io/crates/rvf-runtime) | | [rvf-kernel](./crates/rvf/rvf-kernel) | Linux 内核构建器、initramfs、Docker 流水线 | [](https://crates.io/crates/rvf-kernel) | | [rvf-ebpf](./crates/rvf/rvf-ebpf) | 真实 BPF 程序 (XDP, socket filter, TC) | [](https://crates.io/crates/rvf-ebpf) | | [rvf-federation](./crates/rvf/rvf-federation) | 联邦迁移学习 — PII 清理、差分隐私、FedAvg/FedProx | [](https://crates.io/crates/rvf-federation) | | [rvf-launch](./crates/rvf/rvf-launch) | QEMU microvm 启动器、KVM/TCG | [](https://crates.io/crates/rvf-launch) | | [rvf-server](./crates/rvf/rvf-server) | HTTP REST + TCP 流服务器 | [](https://crates.io/crates/rvf-server) | | [rvf-import](./crates/rvf/rvf-import) | JSON、CSV、NumPy 导入器 | [](https://crates.io/crates/rvf-import) | | [rvf-cli](./crates/rvf/rvf-cli) | 带 17 个子命令的统一 CLI | [](https://crates.io/crates/rvf-cli) | **RVF 功能：** 作为 Linux 微服务启动的单文件认知容器、集群粒度的 COW 分支、eBPF 加速、见证链、后量子签名、带差分隐私的联邦迁移学习、28 种段类型。[完整 README](./crates/rvf/README.md) ### 形式化验证 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-verified](./crates/ruvector-verified) | 带 lean-agentic 类型的证明携带向量操作 (~500ns 证明) | [](https://crates.io/crates/ruvector-verified) | | [ruvector-verified-wasm](./crates/ruvector-verified-wasm) | 用于浏览器/边缘形式化验证的 WASM 绑定 | [](https://crates.io/crates/ruvector-verified-wasm) | **验证功能：** 82 字节证明认证、3 级门控证明路由 (Reflex <10ns / Standard <1us / Deep <100us)、带 O(1) 去重的 FastTermArena、批量维度验证 (~11ns/向量)、类型安全的流水线组合。[完整 README](./crates/ruvector-verified/README.md)

形式化验证详情

**工作原理：** 每个向量操作使用 lean-agentic 依赖类型生成机器检查的证明项。证明在编译时语义构造，但在运行时以亚微秒开销执行，然后序列化为 82 字节认证，可嵌入 RVF 见证链。 | 操作 | 延迟 | 描述 | |-----------|---------|-------------| | `ProofEnvironment::new()` | ~470ns | 使用类型声明初始化证明上下文 | | `prove_dim_eq(a, b)` | ~496ns | 带 FxHash 缓存的维度相等证明 | | `verify_batch_dimensions()` | ~11ns/vec | N 个向量的批量验证 | | `compose_chain()` | ~1.2us | 类型安全的流水线组合 | | `create_attestation()` | ~180ns | 82 字节形式化证明见证 | | `FastTermArena::intern()` | ~1.6ns 命中 | 带 4 宽度线性探测的 O(1) 去重 | | `gated::route_proof()` | <10ns | 3 级路由：Reflex / Standard / Deep | **10 个异构应用领域** ([examples/verified-applications](./examples/verified-applications)): 1. **自主武器过滤器** — 认证的目标流水线阻止被篡改的传感器 2. **医疗诊断** — 带患者密钥认证的证明携带 ECG 分析 3. **金融订单路由** — 带证明哈希审计跟踪的验证交易执行 4. **多智能体合约** — 通过证明强制执行维度 + 度量 + 深度合约 5. **分布式传感器群体** — 异构节点间的一致性验证 6. **量化证明** — 认证量化误差在形式化容差范围内 7. **可验证合成记忆** — 带每个 Embedding 证明认证的 AGI 记忆 8. **加密向量签名** — 带合约匹配的模型密钥签名 9. **仿真完整性** — 每步证明收据，实现可复现的物理 10. **法律取证** — 带结构不变量的法庭可采信重放包 ``` use ruvector_verified::{ProofEnvironment, vector_types, proof_store}; let mut env = ProofEnvironment::new(); let proof = vector_types::prove_dim_eq(&mut env, 384, 384).unwrap(); let att = proof_store::create_attestation(&env, proof); assert_eq!(att.to_bytes().len(), 82); // 82-byte formal witness ```

**自启动示例** — `claude_code_appliance` 构建完整的 AI 开发环境为单个文件： ``` cd examples/rvf && cargo run --example claude_code_appliance ``` 最终文件：**5.1 MB 单个 `.rvf`** — 启动 Linux、服务查询、运行 Claude Code。单文件。在 QEMU/Firecracker 上启动。运行 SSH。服务向量。安装 Claude Code。用加密见证链证明每一步。 ### 图 Transformer [](https://crates.io/crates/ruvector-graph-transformer) | Crate | 描述 | 注册表 | |-------|-------------|----------| | [ruvector-graph-transformer](./crates/ruvector-graph-transformer) | 统一图 Transformer，带证明门控变更基质 (8 个模块，186 个测试) | [](https://crates.io/crates/ruvector-graph-transformer) | | [ruvector-graph-transformer-wasm](./crates/ruvector-graph-transformer-wasm) | 用于浏览器端图 Transformer 的 WASM 绑定 | [](https://crates.io/crates/ruvector-graph-transformer-wasm) | | [ruvector-graph-transformer-node](./crates/ruvector-graph-transformer-node) | Node.js NAPI-RS 绑定 (22+ 方法，20 个测试) | [](https://www.npmjs.com/package/@ruvector/graph-transformer) | **功能：** 每次修改图时 — 添加节点、更改边权重、更新向量 — 图 Transformer 在执行操作之前需要形式化证明该操作有效。可以把它想象成图变更的类型系统：你不会意外破坏数据，因为系统在数学上验证每个更改。 在该证明层之上，8 个专用模块处理图智能的不同方面： | 模块 | 功能 (通俗语言) | 功能标志 | |--------|------------------------------|--------------| | **证明门控变更** | 用数学证明锁定图数据 — 无证明，无访问 | 始终开启 | | **次线性注意力** | 无需检查每个节点即可找到最重要的节点 — 扩展到百万级 | `sublinear` | | **物理信息** | 将物理方程 (能量守恒、对称性) 应用于消息传递 | `physics` | | **生物** | 模拟只有在足够兴奋时才发放的神经元 — 天然稀疏、能效高 | `biological` | | **自组织** | 像生物发育一样生长和重组自身的图 | `self-organizing` | | **验证训练** | 带收据的训练 — 如果梯度步骤会破坏不变量，则自动回滚 | `verified-training` | | **流形** | 在弯曲空间 (如球面表面) 而不仅仅是平坦欧几里得空间中操作 | `manifold` | | **时序因果** | 强制信息在时间上向前流动 — 不能偷看未来 | `temporal` | | **经济** | 使用博弈论公平分配注意力 — 节点重要性的纳什均衡 | `economic` | ``` # Rust cargo add ruvector-graph-transformer --features full # Node.js npm install @ruvector/graph-transformer ``` ``` use ruvector_graph_transformer::sublinear_attention::SublinearGraphAttention; use ruvector_graph_transformer::config::SublinearConfig; let attn = SublinearGraphAttention::new(128, SublinearConfig::default()); let outputs = attn.lsh_attention(&features).unwrap(); // O(n log n) ``` ``` const { GraphTransformer } = require('@ruvector/graph-transformer'); const gt = new GraphTransformer(); // Every operation produces a proof receipt const proof = gt.proveDimension(128, 128); const attestation = gt.createAttestation(proof.proof_id); // 82 bytes ```

图 Transformer 架构详情

**证明门控变更**意味着 `state_n -> proof(invariant) -> mutation -> state_n+1`。`ProofGate` 类型包装任何值，因此如果不先生成有效证明，实际上无法访问内部数据。这在 Rust 的类型级别和 WASM/Node.js 的运行时强制执行。 **次线性注意力**使用三种策略：(1) 局部敏感哈希将相似节点分组到桶中，(2) 个性化 PageRank 通过随机游走采样最相关的邻居，(3) 谱稀疏化修剪不贡献图连通性的边。三者都将 O(n^2) 全注意力减少到 O(n log n)。 **验证训练**使用 delta-apply 架构：梯度首先进入暂存缓冲区，根据建议权重检查不变量 (损失稳定性、权重范数、Lipschitz 边界、能量门)，只有所有检查通过才提交权重。如果任何检查失败且 `fail_closed = true`，则拒绝该步骤并保留旧权重。每个成功的步骤生成带有权重、配置和数据集清单 BLAKE3 哈希的 `TrainingCertificate`。 **10 个 ADR** 记录每个设计决策：[ADR-046](./docs/adr/ADR-046-graph-transformer-architecture.md) 至 [ADR-055](./docs/adr/ADR-055-manifold-graph-layers.md)。

### 个人 AI 记忆 (OSpipe) [](https://www.npmjs.com/package/@ruvector/ospipe) [](https://www.npmjs.com/package/@ruvector/ospipe-wasm) | 包名 | 描述 | 注册表 | |---------|-------------|----------| | [ospipe](./examples/OSpipe) | 用于 Screenpipe 的 RuVector 增强个人 AI 记忆 | [](https://crates.io/crates/ospipe) | | [@ruvector/ospipe](https://www.npmjs.com/package/@ruvector/ospipe) | 带重试、超时和 AbortSignal 的 TypeScript SDK | [](https://www.npmjs.com/package/@ruvector/ospipe) | | [@ruvector/ospipe-wasm](https://www.npmjs.com/package/@ruvector/ospipe-wasm) | 用于浏览器部署的 WASM 绑定 (145 KB) | [](https://www.npmjs.com/package/@ruvector/ospipe-wasm) | ``` npm install @ruvector/ospipe # TypeScript SDK npm install @ruvector/ospipe-wasm # Browser WASM cargo add ospipe # Rust crate ``` **用语义向量搜索替换 Screenpipe 的 SQLite/FTS5 后端。** 询问你的计算机你看到、听到和做了什么 —— 具有语义理解。

OSpipe 功能与能力

| 功能 | 描述 | |---------|-------------| | **HNSW 向量搜索** | 通过 `ruvector-core` 实现 61us p50 查询延迟 | | **知识图谱** | 通过 `ruvector-graph` 进行实体提取 (人物、URL、电子邮件、提及) | | **注意力重排序** | 通过 `ruvector-attention` 进行内容优先级排序 | | **量子多样性** | 通过 `ruqu-algorithms` 实现 MMR + 量子启发结果选择 | | **GNN 学习** | 通过 `ruvector-gnn` 随时间提高搜索质量 | | **PII 安全门控** | 存储前自动编辑信用卡、SSN、电子邮件 | | **帧去重** | 余弦相似度滑动窗口消除近似重复 | | **查询路由器** | 自动路由到语义、关键词、图、时序或混合后端 | | **4 级量化** | f32 -> int8 -> product -> binary (随时间节省 97% 内存) | | **REST API** | 带 `/v2/search`、`/v2/route`、`/v2/stats`、`/v2/health` 的 Axum 服务器 | | **WASM 支持** | 在浏览器中运行 (145 KB)，从 11.8 KB (微型) 到 350 KB (完整) 打包 | | **跨平台** | 原生：Linux、macOS、Windows；WASM：任何浏览器 | **对比：Screenpipe vs OSpipe** | | Screenpipe (FTS5) | OSpipe (RuVector) | |---|---|---| | 搜索 | 关键词 (FTS5) | 语义 + 关键词 + 图 + 时序 | | 延迟 | ~1ms (FTS5) | 61us (HNSW p50) | | 关系 | 无 | 知识图谱 (Cypher) | | PII | 基本 | 信用卡、SSN、电子邮件编辑 | | 去重 | 无 | 余弦相似度滑动窗口 | | 浏览器 | 无 | WASM (11.8 KB - 350 KB) | | 量化 | 无 | 4 级基于年龄 (f32 -> 二进制) | **集成 10 个 RuVector crate：** ruvector-core、ruvector-filter、ruvector-cluster、ruvector-delta-core、ruvector-router-core、cognitum-gate-kernel、ruvector-graph、ruvector-attention、ruvector-gnn、ruqu-algorithms。

``` use ospipe::config::OsPipeConfig; use ospipe::pipeline::ingestion::IngestionPipeline; use ospipe::capture::CapturedFrame; let config = OsPipeConfig::default(); let mut pipeline = IngestionPipeline::new(config)?; // Ingest a screen capture let frame = CapturedFrame::new_screen("Firefox", "Meeting Notes", "auth discussion: JWT with refresh tokens", 0); pipeline.ingest(frame)?; // Semantic search let results = pipeline.search("what was the authentication discussion?", 5)?; ``` 完整文档、TypeScript/WASM 快速入门和配置参考见 [OSpipe README](./examples/OSpipe/README.md)。 ### 独立边缘数据库 (rvLite) | Crate | 描述 | crates.io | |-------|-------------|-----------| | [rvlite](./crates/rvlite) | 支持 SQL、SPARQL、Cypher 的独立 2MB 边缘数据库 | [](https://crates.io/crates/rvlite) | **rvLite 功能：** 由 RuVector WASM 驱动，支持 SQL/SPARQL/Cypher 查询，适用于 IoT、移动和嵌入式系统。 ### PostgreSQL 扩展 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-postgres](./crates/ruvector-postgres) | pgvector 替代品，带 230+ SQL 函数、SIMD、Flash Attention | [](https://crates.io/crates/ruvector-postgres) | **PostgreSQL 功能：** pgvector 直接替代品、GNN 层、混合搜索、多租户、自愈、自学习能力。 ``` docker pull ruvnet/ruvector-postgres # Docker image cargo add ruvector-postgres # Rust crate ``` ### 自学习查询 DAG (ruvector-dag) | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-dag](./crates/ruvector-dag) | 用于自动查询优化的神经自学习 DAG | [](https://crates.io/crates/ruvector-dag) | | [ruvector-dag-wasm](./crates/ruvector-dag-wasm) | 用于浏览器 DAG 优化的 WASM 绑定 (58KB gzipped) | [](https://crates.io/crates/ruvector-dag-wasm) | **让你的查询自动更快。** RuVector DAG 从每次查询执行中学习并优化性能 —— 无需手动调优。 - **7 种注意力机制**：自动选择最佳策略 (拓扑、因果锥、关键路径、MinCut 门控等) - **SONA 学习**：自优化神经架构在每查询 <100μs 内适应 - **MinCut 控制**：上升的 "张力" 触发自动策略切换和预测性愈合 - **50-80% 延迟降低**：查询随时间改进，无需代码更改 ``` use ruvector_dag::{QueryDag, OperatorNode}; use ruvector_dag::attention::{AttentionSelector, SelectionPolicy}; let mut dag = QueryDag::new(); let scan = dag.add_node(OperatorNode::hnsw_scan(0, "vectors_idx", 64)); let filter = dag.add_node(OperatorNode::filter(1, "score > 0.5")); dag.add_edge(scan, filter).unwrap(); // System learns which attention mechanism works best let selector = AttentionSelector::new(); let scores = selector.select_and_apply(SelectionPolicy::Adaptive, &dag)?; ``` 完整文档见 [ruvector-dag README](./crates/ruvector-dag/README.md)。 ### 时序张量存储 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-temporal-tensor](./crates/ruvector-temporal-tensor) | 带分层量化的时间序列张量存储 | [](https://crates.io/crates/ruvector-temporal-tensor) | | [ruvector-temporal-tensor-wasm](./crates/ruvector-temporal-tensor-wasm) | 用于浏览器时序张量的 WASM 绑定 | [](https://crates.io/crates/ruvector-temporal-tensor-wasm) | **高性能时序 Embedding 存储**，针对 AI 智能体记忆系统优化： | 功能 | 描述 | |---------|-------------| | **块存储** | 4KB 对齐块，SIMD 优化 I/O ([ADR-018](./docs/adr/temporal-tensor-store/ADR-018-block-based-storage-engine.md)) | | **分层量化** | F32 → F16 → INT8 → INT4，精度损失 <1% ([ADR-019](./docs/adr/temporal-tensor-store/ADR-019-tiered-quantization-formats.md)) | | **时序评分** | 访问频率 + 新近度衰减，用于自动层级迁移 ([ADR-020](./docs/adr/temporal-tensor-store/ADR-020-temporal-scoring-tier-migration.md)) | | **增量压缩** | 通过时间差分实现 60-80% 存储减少 ([ADR-021](./docs/adr/temporal-tensor-store/ADR-021-delta-compression-reconstruction.md)) | | **跨平台 WASM** | 浏览器、Node.js 和边缘的统一 API ([ADR-022](./docs/adr/temporal-tensor-store/ADR-022-wasm-api-cross-platform.md)) | | **AgentDB 集成** | 原生一致性评分和记忆持久化 | **性能目标：** >100K 写入/秒、<1ms p99 读取延迟、4-32x 压缩 ([ADR-023](./docs/adr/temporal-tensor-store/ADR-023-benchmarking-acceptance-criteria.md)) 架构详情见[领域驱动设计](./docs/architecture/temporal-tensor-store-ddd.md)。 ### Delta 行为 (行为变更追踪) | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-delta-core](./crates/ruvector-delta-core) | 用于行为向量变更追踪的核心 delta 类型和 trait | [](https://crates.io/crates/ruvector-delta-core) | | [ruvector-delta-graph](./crates/ruvector-delta-graph) | 图结构的 Delta 操作 — 边和节点变更 | [](https://crates.io/crates/ruvector-delta-graph) | | [ruvector-delta-index](./crates/ruvector-delta-index) | 支持增量更新和修复的 Delta 感知 HNSW 索引 | [](https://crates.io/crates/ruvector-delta-index) | | [ruvector-delta-consensus](./crates/ruvector-delta-consensus) | 使用 CRDT 和因果排序的分布式 delta 共识 | [](https://crates.io/crates/ruvector-delta-consensus) | | [ruvector-delta-wasm](./crates/ruvector-delta-wasm) | 用于向量 delta 操作的 WASM 绑定 | [](https://crates.io/crates/ruvector-delta-wasm) | **Delta 行为**追踪向量如何随时间变化 —— 拒绝崩溃的系统的数学。增量 HNSW 更新无需完全重建、基于 CRDT 的分布式共识、用于无冲突复制的因果排序。 ### 性能分析与诊断 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [profiling](./crates/profiling) | 通过动态 min-cut 进行实时一致性评估 | [](https://crates.io/crates/profiling) | ### CRV 信号线协议 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-crv](./crates/ruvector-crv) | 用于向量搜索的 6 阶段 CRV 信号线方法论 | [](https://crates.io/crates/ruvector-crv) | **将 CRV 阶段映射到 ruvector 子系统：** - 阶段 I (表意文字) → Poincaré 球双曲 Embedding - 阶段 II (感官) → 多头注意力向量 - 阶段 III (维度) → GNN 图拓扑 - 阶段 IV (情感) → SNN 时序编码 - 阶段 V (询问) → 可微搜索 - 阶段 VI (3D 模型) ``` # npm npm install @ruvector/edge-net # 或直接引入 ```

## AI 与机器学习

🎲 Agentic-Synth - AI 合成数据生成

[](https://www.npmjs.com/package/@ruvector/agentic-synth) [](https://www.npmjs.com/package/@ruvector/agentic-synth) **大规模 AI 驱动合成数据生成** — 生成无限、高质量的合成数据，用于训练 AI 模型、测试系统和构建健壮的智能体应用。 ### 为什么选择 Agentic-Synth？ | 问题 | 解决方案 | |---------|----------| | 收集真实数据**成本高昂** | 生成**无限**合成数据 | | 存在**隐私敏感**和合规风险 | **完全合成**，无 PII 顾虑 | | 大规模生成**速度慢** | 比手动创建**快 10-100 倍** | | 对边缘情况**覆盖不足** | 可为任何场景**定制** schema | | 跨环境**难以复现** | 支持种子值**可复现** | ### 关键特性 | 特性 | 描述 | |---------|-------------| | **多模型支持** | Gemini, OpenRouter, GPT, Claude，以及通过 DSPy.ts 支持的 50+ 模型 | | **上下文缓存** | 智能 LRU 缓存实现 95%+ 性能提升 | | **智能模型路由** | 自动负载均衡、故障转移和成本优化 | | **DSPy.ts 集成** | 自学习优化，质量提升 20-25% | | **流式处理** | AsyncGenerator 实现实时数据流 | | **内存高效** | 10K 条记录的数据集占用 <50MB | ### 数据生成类型 | 类型 | 用例 | |------|-----------| | **时间序列** | 金融数据、IoT 传感器、指标 | | **事件** | 日志、用户操作、系统事件 | | **结构化** | JSON, CSV, 数据库, API | | **嵌入** | RAG 系统的向量数据 | ### 快速开始 ``` # 安装 npm install @ruvector/agentic-synth # 或使用 npx 即时运行 npx @ruvector/agentic-synth generate --count 100 # 交互模式 npx @ruvector/agentic-synth interactive ``` ### 基本用法 ``` import { AgenticSynth } from '@ruvector/agentic-synth'; // Initialize with your preferred model const synth = new AgenticSynth({ model: 'gemini-pro', apiKey: process.env.GEMINI_API_KEY }); // Generate structured data const users = await synth.generate({ schema: { name: 'string', email: 'email', age: 'number:18-65', role: ['admin', 'user', 'guest'] }, count: 1000 }); // Generate time-series data const stockData = await synth.timeSeries({ fields: ['open', 'high', 'low', 'close', 'volume'], interval: '1h', count: 500, volatility: 0.02 }); // Stream large datasets for await (const batch of synth.stream({ count: 100000, batchSize: 1000 })) { await processData(batch); } ``` ### DSPy 自学习 ``` import { AgenticSynth, DSPyOptimizer } from '@ruvector/agentic-synth'; // Enable self-learning optimization const synth = new AgenticSynth({ model: 'gemini-pro', optimizer: new DSPyOptimizer({ learningRate: 0.1, qualityThreshold: 0.85 }) }); // Quality improves automatically over time const data = await synth.generate({ schema: { ... }, count: 1000, optimize: true // Enable learning }); console.log(`Quality score: ${data.metrics.quality}`); // First run: 0.72 // After 100 runs: 0.94 (+25% improvement) ``` ### 性能 | 指标 | 数值 | |--------|-------| | **启用缓存** | 快 98.2% | | **P99 延迟** | 2500ms → 45ms | | **内存** | 10K 条记录 <50MB | | **吞吐量** | 1000+ 条记录/秒 | ### 生态系统集成 | 包 | 用途 | |---------|---------| | **RuVector** | RAG 原生向量数据库 | | **DSPy.ts** | Prompt 优化 | | **Agentic-Jujutsu** | 版本控制生成 | ### 安装 ``` # npm npm install @ruvector/agentic-synth # 示例包 (50+ 生产级示例) npm install @ruvector/agentic-synth-examples ```

📈 Neural Trader - AI 交易系统

[](https://www.npmjs.com/package/neural-trader) [](https://www.npmjs.com/package/neural-trader) **生产就绪的神经交易系统**，结合最先进的 ML 用于自动交易、体育博彩和投资组合管理。零外部 ML 依赖，亚毫秒级延迟。 ### 核心 AI/ML 引擎 | 引擎 | 描述 | 性能 | |--------|-------------|-------------| | **分数凯利** | 风险调整下注缩放的最优仓位 sizing | 588,885 ops/s | | **LSTM-Transformer** | 深度学习价格预测（时序 + 注意力） | 1,468 seq/s | | **DRL 投资组合** | 强化学习集成（PPO/SAC/A2C） | 17,043 steps/s | | **情绪 Alpha** | 实时情绪分析用于 alpha 生成 | 3,764 pipeline/s | ### 为什么选择 Neural Trader？ | 传统 ML | Neural Trader | |----------------|---------------| | 需要 TensorFlow/PyTorch | **零依赖** | | 1.2MB+ 包体积 | **45KB** 包 | | 2.1ms LSTM 推理 | **0.68ms** 推理 | | 部署复杂 | **在浏览器和 Node.js 中运行** | ### 研究支持的算法 | 算法 | 研究发现 | |-----------|------------------| | **凯利判据** | 1/5 分数实现 98% ROI，破产风险降低 85% | | **LSTM-Transformer** | 时序 + 注意力融合优于单一架构 | | **DRL 集成** | PPO/SAC/A2C 投票比单一 agent 减少方差 | | **情绪 Alpha** | 学术界记录的 3% 年度超额收益 | ### 快速开始 ``` import { KellyCriterion, HybridLSTMTransformer, DRLPortfolioManager } from 'neural-trader'; // Kelly position sizing const kelly = new KellyCriterion(); const stake = kelly.calculateStake(9000, 0.55, 2.0, 0.2); // 1/5th Kelly // → $180 recommended stake (2% of bankroll) // LSTM-Transformer prediction const model = new HybridLSTMTransformer({ lstm: { hiddenSize: 64, layers: 2 }, transformer: { heads: 4, layers: 2 } }); const prediction = model.predict(candles); // → { signal: 'BUY', confidence: 0.73, direction: 'bullish' } // DRL portfolio allocation const manager = new DRLPortfolioManager({ numAssets: 10 }); await manager.train(marketData, { episodes: 100 }); const allocation = manager.getAction(currentState); // → [0.15, 0.12, 0.08, ...] optimal weights ``` ### 用例 | 用例 | 示例 | |----------|---------| | **股票交易** | 基于 DAG 的并行执行流水线 | | **体育博彩** | 带 ML 校准的凯利 sizing | | **加密货币交易** | 20+ 资产的 DRL 投资组合 | | **新闻交易** | 实时情绪流处理 | | **投资组合再平衡** | 强化学习配置 | ### 包生态系统 (20+) | 包 | 描述 | |---------|-------------| | `neural-trader` | 核心引擎，原生 HNSW, SIMD | | `@neural-trader/core` | 超低延迟 Rust + Node.js 绑定 | | `@neural-trader/strategies` | 策略管理和回测 | | `@neural-trader/execution` | 交易执行和订单管理 | | `@neural-trader/mcp` | 拥有 87+ 交易工具的 MCP 服务器 | | `@neural-trader/risk` | VaR, 压力测试, 风险指标 | | `@neural-trader/portfolio` | 马科维茨, 风险平价优化 | | `@neural-trader/neural` | 神经网络训练 | | `@neural-trader/brokers` | Alpaca, Interactive Brokers | | `@neural-trader/sports-betting` | 套利, 凯利, 赔率分析 | ### CLI 界面 ``` # 实时交易 node cli.js run --strategy=hybrid --symbol=AAPL --capital=100000 # 回测历史表现 node cli.js backtest --days=252 --capital=50000 --strategy=drl # 模拟交易 node cli.js paper --capital=100000 --strategy=sentiment # 性能基准测试 node cli.js benchmark --iterations=100 ``` ### 异构示例 | 示例 | 描述 | |---------|-------------| | **多智能体集群** | 带共识的分布式交易智能 | | **GNN 相关性网络** | 图神经网络相关性分析 | | **注意力机制检测** | 基于 Transformer 的市场机制分类 | | **量子投资组合** | QAOA & 量子退火优化 | | **双曲嵌入** | 庞加莱圆盘市场嵌入 | | **原子套利** | 带 MEV 保护的跨交易所交易 | ### 性能 | 模块 | 延迟 | 吞吐量 | 状态 | |--------|---------|------------|--------| | 凯利引擎 | 0.014ms | 71,295/s | ✓ 就绪 | | LSTM-Transformer | 0.681ms | 1,468/s | ✓ 就绪 | | DRL 投资组合 | 0.059ms | 17,043/s | ✓ 就绪 | | 情绪 Alpha | 0.266ms | 3,764/s | ✓ 就绪 | | 完整流水线 | 4.68ms | 214/s | ✓ 就绪 | ### 安装 ``` # npm npm install neural-trader # 完整生态系统 npm install @neural-trader/core @neural-trader/strategies @neural-trader/mcp ```

🥋 Agentic-Jujutsu - 抗量子版本控制

[](https://www.npmjs.com/package/agentic-jujutsu) [](https://opensource.org/licenses/MIT) ### 什么是 Agentic-Jujutsu？ Agentic-Jujutsu 是一个**抗量子、自学习版本控制系统**，专为 AI 智能体设计。它结合了无锁并发操作和 ReasoningBank 轨迹学习以实现持续改进。 | 传统 Git | Agentic-Jujutsu | |----------------|-----------------| | 基于锁的提交 | 无锁（快 23 倍） | | 手动冲突解决 | 87% 自动解决 | | 静态操作 | 从模式中自学习 | | 无量子保护 | SHA3-512 + HQC-128 | | 顺序智能体 | 并发多智能体 | ### 关键特性 | 特性 | 性能 | 描述 | |---------|-------------|-------------| | **并发提交** | 350 ops/s | 比 Git (15 ops/s) 快 23 倍 | | **上下文切换** | <100ms | 比 Git (500-1000ms) 快 10 倍 | | **冲突解决** | 87% 自动 | AI 驱动的模式匹配 | | **量子安全** | <1ms 验证 | SHA3-512 指纹, HQC-128 加密 | | **ReasoningBank** | 持续 | 带判决的轨迹学习 | ### 快速开始 ``` # 安装 npm install agentic-jujutsu # 基本用法 npx agentic-jujutsu ``` ``` import { JjWrapper } from 'agentic-jujutsu'; const jj = new JjWrapper(); // Start learning trajectory jj.startTrajectory('Implement feature X'); // Make changes and commit await jj.newCommit('Add authentication module'); jj.addToTrajectory(); // Finalize with success score jj.finalizeTrajectory(0.9, 'Feature implemented successfully'); // Get AI-powered suggestions const suggestions = await jj.getSuggestions(); ``` ### 多智能体协调 ``` // Concurrent commits without locks const agents = ['agent-1', 'agent-2', 'agent-3']; await Promise.all(agents.map(agent => jj.newCommit(`Changes from ${agent}`) )); // All commits succeed - no lock waiting! ```

🔬 SciPix - 科学文档 OCR

[](https://crates.io/crates/ruvector-scipix) [](https://docs.rs/ruvector-scipix) [](https://opensource.org/licenses/MIT) ### 什么是 SciPix？ SciPix 是一个**极速、内存安全 OCR 引擎**，使用纯 Rust 编写，专为科学文档、数学公式和技术图表定制。 | 特性 | SciPix | Tesseract | Mathpix | |---------|--------|-----------|---------| | 简单文本 OCR | **50ms** | 120ms | 200ms* | | 数学公式 | **80ms** | N/A | 150ms* | | 批量 (100 张图片) | **2.1s** | 8.5s | N/A | | 内存使用 | **45MB** | 180MB | 云端 | | LaTeX 输出 | 是 | 否 | 是 | *API 延迟，非处理时间 ### 关键特性 | 特性 | 描述 | |---------|-------------| | **ONNX Runtime** | GPU 加速，支持 CUDA, TensorRT, CoreML | | **LaTeX 输出** | 数学公式识别，支持 LaTeX, MathML, AsciiMath | | **SIMD 优化** | AVX2, SSE4, NEON 实现快 4 倍的图像预处理 | | **REST API** | 生产就绪的 HTTP 服务器，带速率限制 | | **MCP 服务器** | 通过 Model Context Protocol 与 Claude, ChatGPT 集成 | | **WebAssembly** | 直接在浏览器中运行 OCR | ### 快速开始 ``` # 添加到 Cargo.toml cargo add ruvector-scipix # 带特性 ruvector-scipix = { version = "0.1.16", features = ["ocr", "math", "optimize"] } ``` ``` use ruvector_scipix::{SciPixOcr, OcrConfig}; // Initialize OCR engine let ocr = SciPixOcr::new(OcrConfig::default())?; // Process scientific image let result = ocr.process_image("equation.png")?; println!("LaTeX: {}", result.latex); println!("Confidence: {:.2}%", result.confidence * 100.0); ``` ### 用例 - **学术论文数字化** - 从扫描的研究论文中提取文本和公式 - **数学作业辅导** - 将手写公式转换为 LaTeX 用于 AI 辅导 - **技术文档处理** - 处理工程图表和科学图表 - **AI/LLM 集成** - 通过 MCP 将科学内容提供给语言模型

🧠 Meta-Cognition SNN - 脉冲神经网络

### 什么是 Meta-Cognition SNN？ 一种混合 AI 架构，结合了**脉冲神经网络 (SNN)**、**SIMD 优化的向量操作**和**5 种注意力机制**，具备元认知自我发现能力。 | 能力 | 性能 | 描述 | |------------|-------------|-------------| | **脉冲神经网络** | 快 10-50 倍 | LIF 神经元 + STDP 学习，N-API SIMD | | **SIMD 向量操作** | 快 5-54 倍 | 循环展开的距离/点积计算 | | **5 种注意力机制** | 亚毫秒级 | Multi-Head, Flash, Linear, Hyperbolic, MoE | | **向量搜索** | 快 150 倍 | RuVector 驱动的语义搜索 | | **元认知** | 自主 | 自我发现涌现能力 | ### SIMD 性能 | 操作 | 加速比 | 备注 | |-----------|---------|-------| | LIF 更新 | **16.7x** | 泄漏积分发放神经元 | | 突触前向 | **14.9x** | 前向传播 | | STDP 学习 | **26.3x** | 脉冲时序依赖可塑性 | | 距离 (128d) | **54x** | 欧几里得距离计算 | | 完整模拟 | **18.4x** | 端到端 SNN 模拟 | ### 5 种注意力机制 | 机制 | 最适合 | 延迟 | |-----------|----------|---------| | **Flash | 长序列 | 0.023ms | | **MoE** | 专业领域 | 0.021ms | | **Multi-Head** | 复杂模式 | 0.047ms | | **Linear** | 实时处理 | 0.075ms | | **Hyperbolic** | 层次化数据 | 0.222ms | ### 快速开始 ``` # 安装并运行演示 cd examples/meta-cognition-spiking-neural-network npm install node demos/run-all.js ``` ``` const { createFeedforwardSNN, rateEncoding } = require('./demos/snn/lib/SpikingNeuralNetwork'); // Create SNN with SIMD optimization const snn = createFeedforwardSNN([100, 50, 10], { dt: 1.0, tau: 20.0, a_plus: 0.005, lateral_inhibition: true }); // Train with STDP const input = rateEncoding(pattern, snn.dt, 100); snn.step(input); ``` ### 6 项涌现发现 1. 多尺度注意力层次（新颖性: 5/5） 2. 脉冲同步模式 3. 注意力门控脉冲传播 4. 时间相干性涌现 5. 涌现稀疏性（活跃神经元减少 80%） 6. 元可塑性（后续任务学习更快）

🤖 RuvLLM - 自学习 LLM 编排

[](https://www.rust-lang.org/) [](LICENSE) [](#) ### 什么是 RuvLLM？ RuvLLM 是一个**自学习语言模型编排系统**，结合了冻结的基础模型、自适应内存和智能路由。与仅依赖静态参数的传统 LLM 不同，RuvLLM 从每次交互中持续改进。 ### SONA：3 层时间学习 | 循环 | 频率 | 延迟 | 描述 | |------|-----------|---------|-------------| | **A: 即时** | 每次请求 | <100μs | MicroLoRA 适应（rank 1-2） | | **B: 后台** | 每小时 | ~1.3ms | K-means++ 聚类，基础 LoRA（rank 4-16） | | **C: 深度** | 每周 | N/A | EWC++ 巩固，概念层次 | ### 核心组件 | 组件 | 描述 | |-----------|-------------| | **LFM2 Cortex** | 冻结推理引擎（135M-2.6B 参数） | | **Ruvector 内存** | 带 HNSW 索引的自适应突触网格 | | **FastGRNN 路由器** | 智能模型选择电路 | | **图注意力** | 8 头注意力，带边特征 | | **SONA 引擎** | LoRA + EWC++ + ReasoningBank | ### 性能（仅 CPU） | 指标 | 数值 | |--------|-------| | **初始化** | 3.71ms | | **平均查询** | 0.09ms | | **会话查询** | 0.04ms | | **吞吐量** | ~38,000 q/s | | **内存** | ~50MB | ### 快速开始 ``` use ruvllm::{RuvLLMOrchestrator, OrchestratorConfig}; // Initialize orchestrator let config = OrchestratorConfig::default(); let orchestrator = RuvLLMOrchestrator::new(config)?; // Query with automatic learning let response = orchestrator.query("Explain quantum entanglement").await?; println!("{}", response.text); // Response improves over time as SONA learns patterns ``` ### 联邦学习 ``` use rvf_federation::{ExportBuilder, DiffPrivacyEngine, FederationPolicy}; // Build a privacy-preserving federated export let mut dp = DiffPrivacyEngine::gaussian(1.0, 1e-5, 1.0, 10.0)?; let export = ExportBuilder::new("contributor_pseudo".into(), "code_review".into()) .add_priors(local_engine.extract_priors()) .add_weights(sona_weights) .with_policy(FederationPolicy::default()) // quality gate + min observations .build(&mut dp)?; // PII strip → DP noise → manifest // Import and merge federated learning from another contributor let merger = ImportMerger::new(); merger.validate(&remote_export)?; // signature + witness chain check merger.merge_priors(&mut local, &remote_export.priors, 1); // version-aware merge ``` 详见 [`rvf-federation`](./crates/rvf/rvf-federation) 了解 FedAvg/FedProx 聚合、拜占庭容错、RDP 隐私计算和 PII 脱敏管道。 ### 动态嵌入微调 RuvLLM 的自适应学习系统无需重新训练即可实现实时模型改进。 | 特性 | 描述 | 延迟 | |---------|-------------|---------| | **MicroLoRA** | 每次请求适应（rank 1-2），<50KB 适配器 | <1ms | | **对比训练** | 带硬负样本的三元组损失用于嵌入优化 | 批量 | | **任务特定适配器** | 为 Coder, Researcher, Security, Architect, Reviewer 预调优 | 热插拔 | | **EWC++ 巩固** | 防止持续学习过程中的灾难性遗忘 | 后台 | | **适配器合并** | Average, Weighted, SLERP, TIES, DARE 策略 | 按需 | ``` // Contrastive fine-tuning for agent routing import { ContrastiveTrainer } from '@ruvector/ruvllm'; const trainer = new ContrastiveTrainer({ margin: 0.5, hardNegativeRatio: 0.7 }); // Learn: task → correct agent, not wrong agent trainer.addTriplet(taskEmb, correctAgentEmb, wrongAgentEmb, true); const model = trainer.train(); ``` ``` // Task-specific adapter hot-swapping use ruvllm::lora::RuvLtraAdapters; let adapters = RuvLtraAdapters::new(); let coder = adapters.create_lora("coder", 768)?; // Rank 16, code patterns let security = adapters.create_lora("security", 768)?; // Rank 16, vulnerability detection // Hot-swap at runtime without model reload orchestrator.set_adapter(coder); let code_response = orchestrator.query("Implement binary search").await?; orchestrator.set_adapter(security); let audit_response = orchestrator.query("Audit this code for vulnerabilities").await?; ``` ### 高级特性 - **SIMD 推理**：AVX2/AVX512/SSE4.1 优化 - **Q4 量化**：4 位权重以节省内存 - **HuggingFace 导出**：导出 LoRA 权重和偏好对 - **多模型路由**：SmolLM, Qwen2, TinyLlama 选择 - **WASM 支持**：在浏览器和边缘设备中运行 SONA - **浏览器微调**：MicroLoRA WASM，带 localStorage 持久化

🗜️ REFRAG - 压缩-感知-扩展 RAG

### 什么是 REFRAG？ REFRAG 实现了 [arXiv:2509.01092](https://arxiv.org/abs/2509.01092) 的**压缩-感知-扩展架构**，通过存储预计算的表示张量而非原始文本，实现 **~30 倍 RAG 延迟降低**。 ### 架构 ``` ┌────────────────┐ ┌────────────────┐ ┌────────────────┐ │ COMPRESS │───▶│ SENSE │───▶│ EXPAND │ │ Layer │ │ Layer │ │ Layer │ └────────────────┘ └────────────────┘ └────────────────┘ Binary tensor Policy network Dimension projection storage with decides COMPRESS (768 → 4096 dims) zero-copy access vs EXPAND ``` ### 压缩策略 | 策略 | 压缩比 | 用例 | |----------|-------------|----------| | `None` | 1x | 最大精度 | | `Float16` | 2x | 良好平衡 | | `Int8` | 4x | 内存受限 | | `Binary` | 32x | 极限压缩 | ### 策略网络 | 策略 | 延迟 | 描述 | |--------|---------|-------------| | `ThresholdPolicy` | ~2μs | 余弦相似度阈值 | | `LinearPolicy` | ~5μs | 单层分类器 | | `MLPPolicy` | ~15μs | 两层神经网络 | ### 快速开始 ``` # 运行演示 cargo run --bin refrag-demo # 运行基准测试 cargo run --bin refrag-benchmark --release ``` ``` use refrag_pipeline_example::{RefragStore, RefragEntry}; // Create REFRAG-enabled store let store = RefragStore::new(384, 768)?; // Insert with representation tensor let entry = RefragEntry::new("doc_1", search_vector, "The quick brown fox...") .with_tensor(tensor_bytes, "llama3-8b"); store.insert(entry)?; // Hybrid search (policy-based COMPRESS/EXPAND) let results = store.search_hybrid(&query, 10, Some(0.85))?; for result in results { match result.response_type { RefragResponseType::Compress => { // Tensor directly injectable into LLM context println!("Tensor: {} dims", result.tensor_dims.unwrap()); } RefragResponseType::Expand => { // Original text when full context needed println!("Text: {}", result.content.unwrap()); } } } ``` ### 目标 LLM 维度 | 来源 | 目标 | LLM | |--------|--------|-----| | 768 | 4096 | LLaMA-3 8B | | 768 | 8192 | LLaMA-3 70B | | 1536 | 8192 | GPT-4 |

🐦 7sense - 生物声学智能平台

[](https://www.rust-lang.org) []() []() ### 什么是 7sense？ 7sense 利用尖端 AI 和向量搜索，将**鸟鸣声转化为可导航的几何空间**。它使用 Perch 2.0 神经网络和超快 HNSW 索引，将鸟鸣声录音转换为丰富、可搜索的嵌入。 | 传统监测 | 7sense | |----------------------|--------| | 专家人工聆听 | 即时 AI 物种识别 | | 基础频谱图分析 | 神经嵌入（1536 维） | | 规模有限 | 数百万条录音 | | 手动模式发现 | 自动化发现 | ### 性能目标 | 指标 | 目标 | 状态 | |--------|--------|--------| | HNSW 搜索加速 | 比暴力搜索快 150 倍 | 已实现 | | 查询延迟 (p99) | < 50ms | 已实现 | | Recall@10 | >= 0.95 | 已实现 | | 嵌入吞吐量 | > 100 段/秒 | 已实现 | | 每 100 万向量内存 | < 6 GB | 已实现 | ### 9 个 Rust Crate | Crate | 描述 | |-------|-------------| | `sevensense-core` | 物种分类学，时间类型 | | `sevensense-audio` | WAV/MP3/FLAC，Mel 频谱图 | | `sevensense-embedding` | Perch 2.0 ONNX，1536 维向量 | | `sevensense-vector` | HNSW，快 150 倍 | | `sevensense-learning` | GNN 训练，EWC 正则化 | | `sevensense-analysis` | HDBSCAN 聚类，马尔可夫模型 | | `sevensense-interpretation` | 证据包，物种叙述 | | `sevensense-api` | GraphQL, REST, WebSocket 流 | | `sevensense-benches` | Criterion.rs 性能套件 | ### 快速开始 ``` # 构建并运行 cd examples/vibecast-7sense cargo build --release cargo run -p sevensense-api --release ``` ``` use sevensense_audio::AudioProcessor; use sevensense_embedding::EmbeddingPipeline; use sevensense_vector::HnswIndex; // Load and process audio let processor = AudioProcessor::new(Default::default()); let segments = processor.process_file("recording.wav").await?; // Generate Perch 2.0 embeddings let pipeline = EmbeddingPipeline::new(Default::default()).await?; let embeddings = pipeline.embed_segments(&segments).await?; // Search for similar calls (150x faster) let index = HnswIndex::new(Default::default()); index.add_batch(&embeddings)?; let neighbors = index.search(&embeddings[0], 10)?; println!("Found {} similar bird calls", neighbors.len()); ``` ### 用例 - **物种识别** - 带置信度分数的即时预测 - **模式发现** - 在数百万条录音中查找相似叫声 - **行为洞察** - 检测歌唱模式、方言、异常 - **保护监测** - 大规模追踪生物多样性

🧬 EXO-AI - 高级认知基板

[](https://crates.io/crates/exo-core) [](https://docs.rs/exo-core) [](LICENSE) ### 什么是 EXO-AI？ EXO-AI 2025 是一个综合性的**认知基板**，实现了神经科学、物理学和意识研究的前沿理论。它提供 9 个相互连接的 Rust crate，总计约 15,800+ 行研究级代码。 ### SIMD 加速性能 | 操作 | 加速比 | 备注 | |-----------|---------|-------| | 距离 (128d) | **54x** | AVX2/NEON 优化 | | 余弦相似度 | **2.73x** | 批量操作 | | 模式匹配 | **8-54x** | 循环展开 | | 元模拟 | **13+ 千万亿/秒** | 来自 ultra-low-latency-sim | ### 9 个 Rust Crate | Crate | 描述 | |-------|-------------| | `exo-core` | IIT 意识 (Φ) 测量 & Landauer 热力学 | | `exo-temporal` | 时间记忆，带因果追踪和巩固 | | `exo-hypergraph` | 拓扑分析，带持续同调 | | `exo-manifold` | SIREN 网络 + SIMD 加速检索 | | `exo-exotic` | 10 项前沿认知实验 | | `exo-federation` | 后量子联邦认知网格 | | `exo-backend-classical` | SIMD 加速计算后端 | | `exo-wasm` | 浏览器 & 边缘 WASM 部署 | | `exo-node` | 通过 NAPI-RS 的 Node.js 绑定 | ### 实现的关键理论 | 理论 | 实现 | |--------|---------------| | **IIT（整合信息理论）** | 意识水平 (Φ) 测量 | | **兰道尔原理** | 计算热力学 | | **自由能原理** | Friston 的预测处理 | | **怪圈** | Hofstadter 的自指模式 | | **形态发生** | 模式形成涌现 | ### 快速开始 ``` [dependencies] exo-core = "0.1" exo-temporal = "0.1" exo-exotic = "0.1" exo-manifold = "0.1" # SIMD acceleration! ``` ``` use exo_core::consciousness::{ConsciousnessSubstrate, IITConfig}; use exo_core::thermodynamics::CognitiveThermometer; // Measure integrated information (Φ) let substrate = ConsciousnessSubstrate::new(IITConfig::default()); substrate.add_pattern(pattern); let phi = substrate.compute_phi(); println!("Consciousness level (Φ): {:.4}", phi); // Track computational thermodynamics let thermo = CognitiveThermometer::new(300.0); // Kelvin let cost = thermo.landauer_cost_bits(1024); println!("Landauer cost: {:.2e} J", cost); ``` ### SIMD 模式检索 ``` use exo_manifold::{ManifoldEngine, cosine_similarity_simd, batch_distances}; // 54x faster similarity search let query = vec![0.5; 768]; let results = engine.retrieve(&query, 10)?; // Batch distance computation let distances = batch_distances(&query, &database); // 8-54x speedup ```

## 数据库扩展

🐘 PostgreSQL 扩展

[](https://crates.io/crates/ruvector-postgres) [](https://www.npmjs.com/package/@ruvector/postgres-cli) [](https://hub.docker.com/r/ruvnet/ruvector-postgres) [](https://hub.docker.com/r/ruvnet/ruvector-postgres) **最先进的 PostgreSQL 向量扩展** — pgvector 的直接替代品，拥有 143 个 SQL 函数、硬件加速 SIMD 操作和内置 AI 能力。将现有 PostgreSQL 数据库转变为功能齐全的向量搜索引擎，具备 GNN 层、注意力机制和自学习能力。 ``` # 从 Docker Hub 快速安装 docker run -d --name ruvector \ -e POSTGRES_PASSWORD=secret \ -p 5432:5432 \ ruvnet/ruvector-postgres:latest # 连接并使用 psql -h localhost -U ruvector -d ruvector_test # 创建扩展 CREATE EXTENSION ruvector; ``` **为什么选择 RuVector Postgres？** - **零迁移** — 兼容现有 pgvector 代码，只需替换扩展 - **10 倍多函数** — 143 个 SQL 函数 vs pgvector 的 ~20 个 - **2 倍速度** — AVX-512/AVX2/NEON SIMD 加速 - **AI 原生** — GNN 层，46 种注意力机制，本地嵌入 - **自学习** — 通过 ReasoningBank 随时间提高搜索质量 | 特性 | pgvector | RuVector Postgres | |---------|----------|-------------------| | SQL 函数 | ~20 | **143** | | SIMD 加速 | 基础 | AVX-512/AVX2/NEON（约快 2 倍） | | 索引类型 | HNSW, IVFFlat | HNSW, IVFFlat + Hyperbolic | | 注意力机制 | ❌ | 46 种 | | GNN 层 | ❌ | GCN, GraphSAGE, GAT, GIN | | 稀疏向量 | ❌ | BM25, TF-IDF, SPLADE | | 自学习 | ❌ | Reasoning, 轨迹学习 | | 本地嵌入 | ❌ | 内置 6 种 fastembed 模型 | | 多租户 | ❌ | 内置命名空间隔离 | | 量化 | ❌ | Scalar, Product, Binary（4-32 倍压缩） |

🐳 Docker Hub（推荐）

**从 Docker Hub 拉取：** [hub.docker.com/r/ruvnet/ruvector-postgres](https://hub.docker.com/r/ruvnet/ruvector-postgres) ``` # 快速开始 docker run -d --name ruvector \ -e POSTGRES_PASSWORD=secret \ -p 5432:5432 \ ruvnet/ruvector-postgres:latest # 连接 psql -h localhost -U ruvector -d ruvector_test # 创建扩展 CREATE EXTENSION ruvector; ``` **环境变量：** | 变量 | 默认值 | 描述 | |----------|---------|-------------| | `POSTGRES_USER` | `ruvector` | 数据库用户 | | `POSTGRES_PASSWORD` | `ruvector` | 数据库密码 | | `POSTGRES_DB` | `ruvector_test` | 默认数据库 | **Docker Compose：** ``` version: '3.8' services: ruvector-postgres: image: ruvnet/ruvector-postgres:latest environment: POSTGRES_PASSWORD: secret POSTGRES_DB: ruvector_test ports: - "5432:5432" volumes: - pgdata:/var/lib/postgresql/data volumes: pgdata: ``` **可用标签：** - `ruvnet/ruvector-postgres:latest` - PostgreSQL + RuVector 0.3.0 - `ruvnet/ruvector-postgres:0.3.0` - 当前版本（143 个 SQL 函数） - `ruvnet/ruvector-postgres:2.0.0` - 上一版本

📦 npm CLI

``` # 全局安装 npm install -g @ruvector/postgres-cli # 或使用 npx npx @ruvector/postgres-cli --help # 命令可用作 'ruvector-pg' 或 'rvpg' ruvector-pg --version rvpg --help ``` **CLI 命令：** ``` # 安装扩展到现有 PostgreSQL ruvector-pg install # 使用 HNSW 索引创建向量表 ruvector-pg vector create table embeddings --dim 1536 --index hnsw # 从文件导入向量 ruvector-pg vector import embeddings data.json # 搜索向量 ruvector-pg vector search embeddings --query "0.1,0.2,..." --limit 10 # 基准测试性能 ruvector-pg bench --iterations 1000 # 检查扩展状态 ruvector-pg status ``` **编程式用法：** ``` import { RuvectorPG } from '@ruvector/postgres-cli'; const client = new RuvectorPG({ host: 'localhost', port: 5432, database: 'vectors', user: 'postgres', password: 'secret' }); // Create table with HNSW index await client.createTable('embeddings', { dimensions: 1536, indexType: 'hnsw', distanceMetric: 'cosine' }); // Insert vectors await client.insert('embeddings', { id: '1', vector: [0.1, 0.2, ...], metadata: { source: 'openai' } }); // Search const results = await client.search('embeddings', queryVector, { limit: 10 }); ```

🦀 Rust Crate

``` # 安装 pgrx (PostgreSQL extension framework) cargo install cargo-pgrx --version "0.12.9" --locked cargo pgrx init # 构建并安装扩展 cd crates/ruvector-postgres cargo pgrx install --release # 或安装特定 PostgreSQL 版本 cargo pgrx install --release --pg-config /usr/lib/postgresql/17/bin/pg_config ``` **Cargo.toml：** ``` [dependencies] ruvector-postgres = "2.0" # 可选特性 [features] default = ["pg17"] pg16 = ["ruvector-postgres/pg16"] pg15 = ["ruvector-postgres/pg15"] # AI 特性 (选填) ai-complete = ["ruvector-postgres/ai-complete"] # All AI features learning = ["ruvector-postgres/learning"] # Self-learning attention = ["ruvector-postgres/attention"] # 46 attention mechanisms gnn = ["ruvector-postgres/gnn"] # Graph neural networks hyperbolic = ["ruvector-postgres/hyperbolic"] # Hyperbolic embeddings embeddings = ["ruvector-postgres/embeddings"] # Local embedding generation solver = ["ruvector-postgres/solver"] # Sublinear solvers math-distances = ["ruvector-postgres/math-distances"] # Math distances & spectral tda = ["ruvector-postgres/tda"] # Topological data analysis sona-learning = ["ruvector-postgres/sona-learning"] # Sona learning domain-expansion = ["ruvector-postgres/domain-expansion"] # Domain expansion analytics-complete = ["solver", "math-distances", "tda"] # All analytics ``` **启用所有功能构建：** ``` cargo pgrx install --release --features "ai-complete,embeddings,analytics-complete,attention-extended,sona-learning,domain-expansion" ```

📝 SQL 示例

``` -- Enable extension CREATE EXTENSION ruvector; -- Create table with vector column CREATE TABLE documents ( id SERIAL PRIMARY KEY, content TEXT, embedding VECTOR(1536) ); -- Create HNSW index CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops) WITH (m = 16, ef_construction = 200); -- Insert vectors INSERT INTO documents (content, embedding) VALUES ('Hello world', '[0.1, 0.2, ...]'::vector); -- Semantic search (cosine similarity) SELECT id, content, embedding <=> '[0.1, 0.2, ...]'::vector AS distance FROM documents ORDER BY distance LIMIT 10; -- Hybrid search (vector + full-text) SELECT id, content FROM documents WHERE to_tsvector(content) @@ to_tsquery('machine & learning') ORDER BY embedding <=> query_embedding LIMIT 10; -- GNN-enhanced search (with learning) SELECT * FROM ruvector_gnn_search( 'documents', '[0.1, 0.2, ...]'::vector, 10, -- limit 'gcn' -- gnn_type: gcn, graphsage, gat, gin ); -- Generate embeddings locally (no API needed) SELECT ruvector_embed('all-MiniLM-L6-v2', 'Your text here'); -- Flash attention SELECT ruvector_flash_attention(query, key, value); ```

完整 SQL API 参考（143 个函数）见 [ruvector-postgres README](./crates/ruvector-postgres/README.md)。

## 开发者工具

🛠️ 工具与实用程序

| Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-bench](./crates/ruvector-bench) | 向量操作基准测试套件 | [](https://crates.io/crates/ruvector-bench) | | [ruvector-metrics](./crates/ruvector-metrics) | 可观测性、指标和监控 | [](https://crates.io/crates/ruvector-metrics) | | [ruvector-filter](./crates/ruvector-filter) | 元数据过滤和查询谓词 | [](https://crates.io/crates/ruvector-filter) | | [ruvector-collections](./crates/ruvector-collections) | 多租户集合管理 | [](https://crates.io/crates/ruvector-collections) | | [ruvector-snapshot](./crates/ruvector-snapshot) | 时间点快照和备份 | [](https://crates.io/crates/ruvector-snapshot) | | [micro-hnsw-wasm](./crates/micro-hnsw-wasm) | 轻量级 HNSW WASM 实现 | [](https://crates.io/crates/micro-hnsw-wasm) | ### 嵌入式与物联网 | Crate | 描述 | 目标平台 | |-------|-------------|--------| | [ruvector-esp32](./examples/edge) | ESP32/ESP-IDF 向量搜索 | ESP32, ESP32-S3 | | [rvlite](./crates/rvlite) | SQLite 风格边缘数据库（兼容 no_std） | ARM, RISC-V, WASM | | [micro-hnsw-wasm](./crates/micro-hnsw-wasm) | <50KB HNSW，适用于受限设备 | WASM, 嵌入式 | ``` // ESP32 example (no_std) #![no_std] use rvlite::RvLite; let db = RvLite::new(128); // 128-dim vectors db.insert(0, &embedding); let results = db.search(&query, 5); ```

## 浏览器与边缘 (WASM)

🌐 WASM 包（浏览器与边缘）

专为浏览器和边缘部署设计的 WebAssembly 模块。这些包将高级 AI 和分布式计算原语带到 JavaScript/TypeScript，性能接近原生。 ### 快速安装（所有浏览器 WASM） ``` # 核心向量搜索 npm install ruvector-wasm @ruvector/rvlite # AI & Neural npm install @ruvector/gnn-wasm @ruvector/attention-wasm @ruvector/sona-wasm # Graph & Algorithms npm install @ruvector/graph-wasm @ruvector/mincut-wasm @ruvector/hyperbolic-hnsw-wasm # Exotic AI npm install @ruvector/economy-wasm @ruvector/exotic-wasm @ruvector/nervous-system-wasm # LLM (浏览器推理) npm install @ruvector/ruvllm-wasm ``` | 类别 | 包 | 总大小 | |----------|----------|------------| | **核心** | ruvector-wasm, rvlite | ~200KB | | **AI/神经** | gnn, attention, sona | ~300KB | | **图** | graph, mincut, hyperbolic-hnsw | ~250KB | | **异构** | economy, exotic, nervous-system | ~350KB | | **LLM** | ruvllm-wasm | ~435KB（178KB gzipped） | ### 安装 ``` # 安装单个包 npm install @ruvector/learning-wasm npm install @ruvector/economy-wasm npm install @ruvector/exotic-wasm npm install @ruvector/nervous-system-wasm npm install @ruvector/attention-unified-wasm # 或从源码构建 cd crates/ruvector-learning-wasm wasm-pack build --target web ``` ### ruvector-learning-wasm **MicroLoRA, BTSP 和 HDC，用于自学习 AI 系统。** 超快低秩适应（LoRA），针对 WASM 执行优化，<100us 适应延迟。专为查询优化和 AI 智能体系统中的实时单操作员学习设计。 | 特性 | 性能 | 描述 | |---------|-------------|-------------| | **MicroLoRA** | <100us 延迟 | Rank-2 LoRA 矩阵，即时权重适应 | | **单操作员作用域** | 零分配热路径 | 不同操作员类型的独立适配器 | | **轨迹追踪** | 无锁缓冲区 | 记录学习轨迹以供回放 | **架构：** ``` Input Embedding (256-dim) | v +---------+ | A: d x 2 | Down projection +---------+ | v +---------+ | B: 2 x d | Up projection +---------+ | v Delta W = alpha * (A @ B) | v Output = Input + Delta W ``` **JavaScript/TypeScript 示例：** ``` import init, { WasmMicroLoRA } from '@ruvector/learning-wasm'; await init(); // Create MicroLoRA engine (256-dim, alpha=0.1, lr=0.01) const lora = new WasmMicroLoRA(256, 0.1, 0.01); // Forward pass with adaptation const input = new Float32Array(256).fill(0.5); const output = lora.forward_array(input); // Adapt based on gradient signal const gradient = new Float32Array(256).fill(0.1); lora.adapt_array(gradient); // Adapt with reward signal for RL lora.adapt_with_reward(0.8); // 80% improvement console.log(`Adaptations: ${lora.adapt_count()}`); console.log(`Delta norm: ${lora.delta_norm()}`); ``` ### ruvector-economy-wasm **基于 CRDT 的分布式计算网络自治信用经济。** 使用无冲突复制数据类型（CRDT）的 P2P 安全并发交易。具有 10 倍到 1 倍早期采用者贡献曲线和权益/罚没机制。 | 特性 | 描述 | |---------|-------------| | **CRDT 账本** | G-Counter（获得）+ PN-Counter（花费）实现 P2P 一致性 | | **贡献曲线** | 10 倍早期采用者乘数，衰减至 1 倍基准 | | **权益/罚没** | 参与要求，对不良行为者进行罚没 | | **声誉评分** | 多因子：准确度 * 正常运行时间 * 权益权重 | | **Merkle 验证** | SHA-256 状态根，快速账本验证 | **架构：** ``` +------------------------+ | CreditLedger | <-- CRDT-based P2P-safe ledger | +------------------+ | | | G-Counter: Earned| | <-- Monotonically increasing | | PN-Counter: Spent| | <-- Can handle disputes/refunds | | Stake: Locked | | <-- Participation requirement | | State Root | | <-- Merkle root for verification | +------------------+ | +------------------------+ | v +------------------------+ | ContributionCurve | <-- Exponential decay: 10x -> 1x +------------------------+ | v +------------------------+ | ReputationScore | <-- accuracy * uptime * stake_weight +------------------------+ ``` **JavaScript/TypeScript 示例：** ``` import init, { CreditLedger, ReputationScore, contribution_multiplier } from '@ruvector/economy-wasm'; await init(); // Create a new ledger for a node const ledger = new CreditLedger("node-123"); // Earn credits (with early adopter multiplier) ledger.creditWithMultiplier(100, "task:abc"); console.log(`Balance: ${ledger.balance()}`); console.log(`Multiplier: ${ledger.currentMultiplier()}x`); // Stake for participation ledger.stake(50); console.log(`Staked: ${ledger.stakedAmount()}`); // Check multiplier for network compute hours const mult = contribution_multiplier(50000.0); // 50K hours console.log(`Network multiplier: ${mult}x`); // ~8.5x // Track reputation const rep = new ReputationScore(0.95, 0.98, 1000); console.log(`Composite score: ${rep.composite_score()}`); // P2P merge with another ledger (CRDT operation) const otherEarned = new Uint8Array([/* serialized earned counter */]); const otherSpent = new Uint8Array([/* serialized spent counter */]); const mergedCount = ledger.merge(otherEarned, otherSpent); ``` ### ruvector-exotic-wasm **分布式系统涌现行为的异构 AI 机制。** 受去中心化治理、发育生物学和量子物理学启发的创新协调原语。 | 机制 | 灵感 | 用例 | |-----------|-------------|----------| | **神经自治组织 (NAO)** | DAO + 振荡同步 | 去中心化 AI 智能体治理 | | **形态发生网络** | 发育生物学 | 涌现网络拓扑 | | **时间晶体协调器** | 量子时间晶体 | 健壮的分布式协调 | **NAO 特性：** - 权益加权二次投票 - 振荡同步以保持一致性 - 基于法定人数的共识（可配置阈值） **形态发生网络特性：** - 通过形态发生梯度的细胞分化 - 通过生长/修剪的涌现网络拓扑 - 用于优化的突触修剪 **时间晶体特性：** - 倍周期振荡实现稳定协调 - Floquet 工程实现噪声弹性 - 锁相智能体同步 **JavaScript/TypeScript 示例：** ``` import init, { WasmNAO, WasmMorphogeneticNetwork, WasmTimeCrystal, ExoticEcosystem } from '@ruvector/exotic-wasm'; await init(); // Neural Autonomous Organization const nao = new WasmNAO(0.7); // 70% quorum nao.addMember("agent_1", 100); // 100 stake nao.addMember("agent_2", 50); const propId = nao.propose("Upgrade memory backend"); nao.vote(propId, "agent_1", 0.9); // 90% approval weight nao.vote(propId, "agent_2", 0.6); if (nao.execute(propId)) { console.log("Proposal executed!"); } // Morphogenetic Network const net = new WasmMorphogeneticNetwork(100, 100); // 100x100 grid net.seedSignaling(50, 50); // Seed signaling cell at center for (let i = 0; i < 1000; i++) { net.grow(0.1); // 10% growth rate } net.differentiate(); net.prune(0.1); // 10% pruning threshold // Time Crystal Coordinator const crystal = new WasmTimeCrystal(10, 100); // 10 oscillators, 100ms period crystal.crystallize(); for (let i = 0; i < 200; i++) { const pattern = crystal.tick(); // Use pattern for coordination decisions } console.log(`Synchronization: ${crystal.orderParameter()}`); // Combined Ecosystem (all three working together) const eco = new ExoticEcosystem(5, 50, 8); // 5 agents, 50x50 grid, 8 oscillators eco.crystallize(); for (let i = 0; i < 100; i++) { eco.step(); } console.log(eco.summaryJson()); ``` ### ruvector-nervous-system-wasm **受生物启发的神经系统组件，用于浏览器执行。** | 组件 | 性能 | 描述 | |-----------|-------------|-------------| | **BTSP** | 即时 | 行为时间尺度突触可塑性，用于单次学习 | | **HDC** | <50ns 绑定, <100ns 相似度 | 超维计算，10,000 位向量 | | **WTA** | <1us | 胜者通吃，即时决策 | | **K-WTA** | <10us | K-胜者通吃，稀疏分布式编码 | | **全局工作区** | <10us | 4-7 项注意力瓶颈（米勒定律） | **超维计算：** - 10,000 位二进制超向量 - 10^40 表示容量 - XOR 绑定（结合律、交换律、自逆） | 汉明距离相似度，SIMD 优化 **生物学参考：** - BTSP: Bittner et al. 2017 - 海马体位置场 - HDC: Kanerva 1988, Plate 2003 - 超维计算 - WTA: 皮层微电路 - 侧向抑制 - 全局工作区: Baars 1988, Dehaene 2014 - 意识 **JavaScript/TypeScript 示例：** ``` import init, { BTSPLayer, Hypervector, HdcMemory, WTALayer, KWTALayer, GlobalWorkspace, WorkspaceItem, } from '@ruvector/nervous-system-wasm'; await init(); // One-shot learning with BTSP const btsp = new BTSPLayer(100, 2000.0); // 100 dim, 2000ms tau const pattern = new Float32Array(100).fill(0.1); btsp.one_shot_associate(pattern, 1.0); // Immediate association const output = btsp.forward(pattern); // Hyperdimensional Computing const apple = Hypervector.random(); const orange = Hypervector.random(); const fruit = apple.bind(orange); // XOR binding const similarity = apple.similarity(orange); // ~0.0 (orthogonal) console.log(`Similarity: ${similarity}`); // Random vectors are orthogonal // HDC Memory const memory = new HdcMemory(); memory.store("apple", apple); memory.store("orange", orange); const results = memory.retrieve(apple, 0.9); // threshold 0.9 const topK = memory.top_k(fruit, 3); // top-3 similar // Instant decisions with WTA const wta = new WTALayer(1000, 0.5, 0.8); // 1000 neurons, threshold, inhibition const activations = new Float32Array(1000); // ... fill activations ... const winner = wta.compete(activations); // Sparse coding with K-WTA const kwta = new KWTALayer(1000, 50); // 1000 neurons, k=50 winners const winners = kwta.select(activations); // Attention bottleneck with Global Workspace const workspace = new GlobalWorkspace(7); // Miller's Law: 7 +/- 2 const item = new WorkspaceItem( new Float32Array([1, 2, 3]), // content 0.9, // salience 1, // source Date.now() // timestamp ); workspace.broadcast(item); ``` ### ruvector-attention-unified-wasm **跨神经、DAG、图和 SSM 领域的 18+ 种注意力机制统一 API。** 单一 WASM 接口，根据您的数据结构和需求路由到适当的注意力实现。 | 类别 | 机制 | 最适合 | |----------|------------|----------| | **神经** | Scaled Dot-Product, Multi-Head, Hyperbolic, Linear, Flash, Local-Global, MoE | Transformer, 序列 | | **DAG** | Topological, Causal Cone, Critical Path, MinCut-Gated, Hierarchical Lorentz, Parallel Branch, Temporal BTSP | 查询 DAG, 工作流 | | **图** | GAT, GCN, GraphSAGE | GNN, 知识图谱 | | **SSM** | Mamba | 长序列, 流式 | **机制选择：** ``` +------------------+ +-------------------+ | Your Data | --> | UnifiedAttention | --> Optimal Mechanism +------------------+ +-------------------+ | +----------------------+----------------------+ | | | +----v----+ +-----v-----+ +-----v----+ | Neural | | DAG | | Graph | +---------+ +-----------+ +----------+ | dot_prod| | topological| | gat | | multi_hd| | causal_cone| | gcn | | flash | | mincut_gtd | | graphsage| +---------+ +-----------+ +----------+ ``` **JavaScript/TypeScript 示例：** ``` import init, { UnifiedAttention, availableMechanisms, getStats, softmax, temperatureSoftmax, cosineSimilarity, // Neural attention ScaledDotProductAttention, MultiHeadAttention, // DAG attention TopologicalAttention, MinCutGatedAttention, // Graph attention GraphAttention, // SSM MambaSSM, } from '@ruvector/attention-unified-wasm'; await init(); // List all available mechanisms console.log(availableMechanisms()); // { neural: [...], dag: [...], graph: [...], ssm: [...] } console.log(getStats()); // { total_mechanisms: 18, neural_count: 7, dag_count: 7, ... } // Unified selector - routes to appropriate implementation const attention = new UnifiedAttention("multi_head"); console.log(`Category: ${attention.category}`); // "neural" console.log(`Supports sequences: ${attention.supportsSequences()}`); // true console.log(`Supports graphs: ${attention.supportsGraphs()}`); // false // For DAG structures const dagAttention = new UnifiedAttention("topological"); console.log(`Category: ${dagAttention.category}`); // "dag" console.log(`Supports graphs: ${dagAttention.supportsGraphs()}`); // true // Hyperbolic attention for hierarchical data const hypAttention = new UnifiedAttention("hierarchical_lorentz"); console.log(`Supports hyperbolic: ${hypAttention.supportsHyperbolic()}`); // true // Utility functions const logits = [1.0, 2.0, 3.0, 4.0]; const probs = softmax(logits); console.log(`Probabilities sum to: ${probs.reduce((a, b) => a + b)}`); // 1.0 // Temperature-scaled softmax (lower = more peaked) const sharperProbs = temperatureSoftmax(logits, 0.5); // Cosine similarity const vecA = [1.0, 0.0, 0.0]; const vecB = [1.0, 0.0, 0.0]; console.log(`Similarity: ${cosineSimilarity(vecA, vecB)}`); // 1.0 ``` ### WASM 包摘要 | 包 | 大小目标 | 关键特性 | |---------|-------------|--------------| | `@ruvector/learning-wasm` | <50KB | MicroLoRA (<100us), 轨迹追踪 | | `@ruvector/economy-wasm` | <100KB | CRDT 账本, 10x->1x 曲线, 权益/罚没 | | `@ruvector/exotic-wasm` | <150KB | NAO, Morphogenetic, Time Crystal | | `@ruvector/nervous-system-wasm` | <100KB | BTSP, HDC (10K-bit), WTA, 全局工作区 | | `@ruvector/attention-unified-wasm` | <200KB | 18+ 注意力机制, 统一 API | | `@ruvnet/ruvector-verified-wasm` | <80KB | 浏览器/边缘形式化证明验证 | **常见模式：** ``` // All packages follow the same initialization pattern import init, { /* exports */ } from '@ruvector/-wasm'; await init(); // Version check import { version } from '@ruvector/-wasm'; console.log(`Version: ${version()}`); // Feature discovery import { available_mechanisms } from '@ruvector/-wasm'; console.log(available_mechanisms()); ```

## 自学习系统

🧠 自学习智能钩子

**让您的 AI 助手随时间变得更聪明。** 当您使用 Claude Code（或任何 AI 编码助手）时，它每次会话都是从头开始。它不记得哪些方法有效、您通常一起编辑哪些文件，或者您之前见过的错误。 **RuVector Hooks 解决了这个问题。** 它是一个轻量级智能层，能够： 1. **记住有效方法** — 追踪哪些智能体类型在不同任务中成功 2. **从错误中学习** — 记录错误模式并建议您以前使用过的修复 3. **预测您的工作流程** — 知道编辑 `api.rs` 后，您通常会编辑 `api_test.rs` 4. **协调团队** — 管理复杂任务的多智能体集群 把它想象成给您的 AI 助手一个关于您代码库的记忆和直觉。 #### 工作原理 ``` ┌─────────────────┐ ┌──────────────────┐ ┌─────────────────┐ │ Claude Code │────▶│ RuVector Hooks │────▶│ Intelligence │ │ (PreToolUse) │ │ (pre-edit) │ │ Layer │ └─────────────────┘ └──────────────────┘ └─────────────────┘ │ ┌───────────────────────────────────────────────┘ ▼ ┌─────────────────┐ ┌──────────────────┐ ┌─────────────────┐ │ Q-Learning │ │ Vector Memory │ │ Swarm Graph │ │ α=0.1 γ=0.95 │ │ 64-dim embed │ │ Coordination │ └─────────────────┘ └──────────────────┘ └─────────────────┘ ``` 钩子与 Claude Code 的事件系统集成： - **PreToolUse** → 在编辑前提供指导（智能体路由、相关文件） - **PostToolUse** → 记录结果以供学习（成功/失败、模式） - **SessionStart/Stop** → 管理会话状态和指标导出 #### 技术规格 | 组件 | 实现 | 详情 | |-----------|----------------|---------| | **Q-Learning** | 时间差分 | α=0.1, γ=0.95, ε=0.1（ε-贪婪探索） | | **嵌入** | 基于哈希的向量 | 64 维，归一化，余弦相似度 | | **LRU 缓存** | `lru` crate | 1000 条目，约快 10 倍的 Q 值查找 | | **压缩** | `flate2` gzip | 70-83% 存储节省，快速压缩 | | **存储** | JSON / PostgreSQL | 自动回退，5000 条记忆条目限制 | | **跨平台** | Rust + TypeScript | Windows (USERPROFILE), Unix (HOME) | ####能 | 指标 | 数值 | |--------|-------| | Q 值查找（缓存） | <1µs | | Q 值查找（未缓存） | ~50µs | | 记忆搜索（1000 条目） | <5ms | | 存储压缩比 | 70-83% | | 会话启动开销 | <10ms | | Crate/包 | 描述 | 状态 | |---------------|-------------|--------| | [ruvector-cli hooks](./crates/ruvector-cli) | Rust CLI，34 个钩子命令 | [](https://crates.io/crates/ruvector-cli) | | [@ruvector/cli hooks](./npm/packages/cli) | npm CLI，29 个钩子命令 | [](https://www.npmjs.com/package/@ruvector/cli) | #### 快速开始 ``` # Rust CLI cargo install ruvector-cli ruvector hooks init ruvector hooks install # npm CLI npx @ruvector/cli hooks init npx @ruvector/cli hooks install ``` #### 核心能力 | 特性 | 描述 | 技术细节 | |---------|-------------|-------------------| | **Q-Learning 路由** | 以学习的置信度分数将任务路由到最佳智能体 | TD 学习，α=0.1, γ=0.95, ε-贪婪探索 | | **语义记忆** | 基于向量的记忆，带嵌入用于上下文检索 | 64 维哈希嵌入，余弦相似度，top-k 搜索 | | **错误学习** | 记录错误模式并建议修复 | E0308, E0433, TS2322 等的模式匹配 | | **文件序列** | 根据历史模式预测下一个要编辑的文件 | 马尔可夫链转换，频率加权建议 | | **集群协调** | 注册智能体，追踪协调边，优化 | 基于图的拓扑，加权边，任务分配 | | **LRU 缓存** | 1000 条目缓存，更快的 Q 值查找 | 约 10 倍加速，自动驱逐，RefCell 用于内部可变性 | | **Gzip 压缩** | 自动压缩节省存储 | flate2 快速模式，70-83% 压缩，透明加载/保存 | | **批量保存** | 脏标志追踪以减少磁盘 I/O | 仅在数据更改时写入，force_save() 覆盖 | | **Shell 补全** | 所有命令的 Tab 补全 | bash, zsh, fish, PowerShell 支持 | #### 支持的错误代码 智能层内置常见错误模式的知识： | 语言 | 错误代码 | 自动建议修复 | |----------|-------------|---------------------| | **Rust** | E0308, E0433, E0425, E0277, E0382 | 类型不匹配、缺失导入、借用检查器 | | **TypeScript** | TS2322, TS2339, TS2345, TS7006 | 类型赋值、属性访问、参数类型 | | **Python** | ImportError, AttributeError, TypeError | 模块导入、属性访问、类型错误 | | **Go** | undefined, cannot use, not enough arguments | 变量作用域、类型转换、函数调用 | #### 命令参考 ``` # 设置 ruvector hooks init [--force] [--postgres] # Initialize hooks (--postgres for DB schema) ruvector hooks install # Install into Claude settings # 核心 ruvector hooks stats # Show intelligence statistics ruvector hooks session-start [--resume] # Start/resume a session ruvector hooks session-end # End session with metrics # Memory ruvector hooks remember -t edit "content" # Store in semantic memory ruvector hooks recall "query" -k 5 # Search memory semantically # Learning ruvector hooks learn --reward 0.8 # Record trajectory ruvector hooks suggest --actions "a,b,c" # Get action suggestion ruvector hooks route "implement caching" --file src/cache.rs # Route to agent # Claude Code Hooks ruvector hooks pre-edit # Pre-edit intelligence hook ruvector hooks post-edit --success # Post-edit learning hook ruvector hooks pre-command # Pre-command hook ruvector hooks post-command --success # Post-command hook ruvector hooks suggest-context # UserPromptSubmit context injection ruvector hooks track-notification # Track notification patterns ruvector hooks pre-compact [--auto] # Pre-compact hook (auto/manual) # Claude Code v2.0.55+ 功能 ruvector hooks lsp-diagnostic --file --severity error # LSP diagnostics ruvector hooks suggest-ultrathink "complex task" # Recommend extended reasoning ruvector hooks async-agent --action spawn --agent-id # Async sub-agents # Intelligence ruvector hooks record-error # Record error pattern ruvector hooks suggest-fix E0308 # Get fix for error code ruvector hooks suggest-next -n 3 # Predict next files ruvector hooks should-test # Check if tests needed # Swarm ruvector hooks swarm-register # Register agent ruvector hooks swarm-coordinate # Record coordination ruvector hooks swarm-optimize "task1,task2" # Optimize distribution ruvector hooks swarm-recommend "rust" # Recommend agent for task ruvector hooks swarm-heal # Handle agent failure ruvector hooks swarm-stats # Show swarm statistics # 优化 (仅限 Rust) ruvector hooks compress # Compress storage (70-83% savings) ruvector hooks cache-stats # Show LRU cache statistics ruvector hooks completions bash # Generate shell completions ``` #### 教程：Claude Code 集成 **1. 初始化并安装钩子：** ``` ruvector hooks init ruvector hooks install --settings-dir .claude ``` 这将创建带有钩子配置的 `.claude/settings.json`： ``` { "hooks": { "PreToolUse": [ { "matcher": "Edit|Write|MultiEdit", "hooks": ["ruvector hooks pre-edit \"$TOOL_INPUT_FILE_PATH\""] }, { "matcher": "Bash", "hooks": ["ruvector hooks pre-command \"$TOOL_INPUT_COMMAND\""] } ], "PostToolUse": [ { "matcher": "Edit|Write|MultiEdit", "hooks": ["ruvector hooks post-edit ... --success"] }, { "matcher": "Bash", "hooks": ["ruvector hooks post-command ... --success"] } ], "SessionStart": ["ruvector hooks session-start"], "Stop": ["ruvector hooks session-end --export-metrics"], "PreCompact": ["ruvector hooks pre-compact"] } } ``` **覆盖所有 7 个 Claude Code 钩子：** | 钩子 | 触发时机 | RuVector 的操作 | |------|---------------|-------------------| | `PreToolUse` | 文件编辑、命令或任务之前 | 建议智能体，显示相关文件，验证智能体分配 | | `PostToolUse` | 文件编辑或命令之后 | 记录结果，更新 Q 值，注入上下文 | | `SessionStart` | 会话开始/恢复时 | 加载智能，显示统计（启动 vs 恢复） | | `Stop` | 会话结束时 | 保存状态，导出指标 | | `PreCompact` | 上下文压缩之前 | 保留关键记忆（自动 vs 手动） | | `UserPromptSubmit` | 处理用户提示之前 | 将学习的模式作为上下文注入 | | `Notification` | 系统通知时 | 追踪通知模式 | **高级特性：** - **Stdin JSON 解析**：钩子通过 stdin 接收完整 JSON（session_id, tool_input, tool_response） - **上下文注入**：PostToolUse 返回 `additionalContext` 注入到 Claude 的上下文 - **超时优化**：所有钩子都有优化的超时（1-5 秒 vs 默认 60 秒） **2. 使用路由进行智能智能体选择：** ``` # 将任务路由到最佳 agent $ ruvector hooks route "implement vector search" --file src/lib.rs { "recommended": "rust-developer", "confidence": 0.85, "reasoning": "learned from 47 similar edits" } ``` **3. 从结果中学习：** ``` # 记录成功结果 ruvector hooks learn "edit-rs-lib" "rust-developer" --reward 1.0 # 记录失败结果 ruvector hooks learn "edit-rs-lib" "typescript-dev" --reward -0.5 ``` **4. 获取错误修复建议：** ``` $ ruvector hooks suggest-fix E0308 { "code": "E0308", "type": "type_mismatch", "fixes": [ "Check return type matches function signature", "Use .into() or .as_ref() for type conversion", "Verify generic type parameters" ] } ``` #### 教程：集群协调 **1. 注册智能体：** ``` ruvector hooks swarm-register agent-1 rust-developer --capabilities "rust,async,testing" ruvector hooks swarm-register agent-2 typescript-dev --capabilities "ts,react,node" ruvector hooks swarm-register agent-3 reviewer --capabilities "review,security,performance" ``` **2. 记录协调模式：** ``` # Agent-1 移交给 Agent-3 进行审查 ruvector hooks swarm-coordinate agent-1 agent-3 --weight 0.9 ``` **3. 优化任务分配：** ``` $ ruvector hooks swarm-optimize "implement-api,write-tests,code-review" { "assignments": { "implement-api": "agent-1", "write-tests": "agent-1", "code-review": "agent-3" } } ``` **4. 使用自愈处理故障：** ``` # 将 agent 标记为失败并重新分配 ruvector hooks swarm-heal agent-2 ``` #### PostgreSQL 存储（可选） 对于生产部署，使用 PostgreSQL 代替 JSON 文件： ``` # 设置连接 URL export RUVECTOR_POSTGRES_URL="postgres://user:pass@localhost/ruvector" # 初始化 PostgreSQL schema (自动) ruvector hooks init --postgres # 或手动应用 schema psql $RUVECTOR_POSTGRES_URL -f crates/ruvector-cli/sql/hooks_schema.sql # 构建带 postgres 特性的 CLI cargo build -p ruvector-cli --features postgres ``` PostgreSQL 后端提供： - 带原生 `ruvector` 类型的向量嵌入 - Q-learning 函数（`ruvector_hooks_update_q`, `ruvector_hooks_best_action`） - 带外键关系的集群协调表 - 自动记忆清理（保留最近 5000 条）

## 附加模块

🔬 科学 OCR (SciPix)

| 包 | 描述 | 安装 | |---------|-------------|---------| | [ruvector-scipix](./examples/scipix) | 科学文档 Rust OCR 引擎 | `cargo add ruvector-scipix` | | [@ruvector/scipix](https://www.npmjs.com/package/@ruvector/scipix) | SciPix API 的 TypeScript 客户端 | `npm install @ruvector/scipix` | **SciPix** 从图像中提取文本和数学公式，将其转换为 LaTeX、MathML 或纯文本。 **特性：** - **多格式输出** — LaTeX, MathML, AsciiMath, 纯文本, 结构化 JSON - **批量处理** — 并行执行处理多张图片 - **内容检测** — 公式、表格、图表、混合内容 - **置信度评分** — 每区域置信度级别（高/中/低） - **PDF 支持** — 从多页 PDF 提取，支持页面选择 ``` import { SciPixClient, OutputFormat } from '@ruvector/scipix'; const client = new SciPixClient({ baseUrl: 'http://localhost:8080', apiKey: 'your-api-key', }); // OCR an image file const result = await client.ocrFile('./equation.png', { formats: [OutputFormat.LaTeX, OutputFormat.MathML], detectEquations: true, }); console.log('LaTeX:', result.latex); console.log('Confidence:', result.confidence); // Quick LaTeX extraction const latex = await client.extractLatex('./math.png'); // Batch processing const batchResult = await client.batchOcr({ images: [ { source: 'base64...', id: 'eq1' }, { source: 'base64...', id: 'eq2' }, ], defaultOptions: { formats: [OutputFormat.LaTeX] }, }); ``` ``` # Rust CLI 用法 scipix-cli ocr --input equation.png --format latex scipix-cli serve --port 3000 # 用于 Claude/AI 助手的 MCP server scipix-cli mcp claude mcp add scipix -- scipix-cli mcp ``` 完整文档见 [npm/packages/scipix/README.md](./npm/packages/scipix/README.md)。

🔗 ONNX 嵌入

| 示例 | 描述 | 路径 | |---------|-------------|------| | [ruvector-onnx-embeddings](./examples/onnx-embeddings) | 纯 Rust 生产级 ONNX 嵌入生成 | `examples/onnx-embeddings` | **ONNX Embeddings** 使用 ONNX Runtime 提供原生嵌入生成 — 无需 Python。支持 8+ 预训练模型（all-MiniLM, BGE, E5, GTE），多种池化策略，GPU 加速（CUDA, TensorRT, CoreML, WebGPU），以及直接 RuVector 索引集成用于 RAG 流水线。 ``` use ruvector_onnx_embeddings::{Embedder, PretrainedModel}; #[tokio::main] async fn main() -> anyhow::Result<()> { // Create embedder with default model (all-MiniLM-L6-v2) let mut embedder = Embedder::default_model().await?; // Generate embedding (384 dimensions) let embedding = embedder.embed_one("Hello, world!")?; // Compute semantic similarity let sim = embedder.similarity( "I love programming in Rust", "Rust is my favorite language" )?; println!("Similarity: {:.4}", sim); // ~0.85 Ok(()) } ``` **支持的模型：** | 模型 | 维度 | 速度 | 最适合 | |-------|-----------|-------|----------| | `AllMiniLmL6V2` | 384 | 快 | 通用（默认） | | `BgeSmallEnV15` | 384 | 快 | 搜索与检索 | | `AllMpnetBaseV2` | 768 | 准确 | 生产 RAG |

🔧 绑定与工具

**原生绑定和工具**，用于将 RuVector 集成到任何环境 — Node.js、浏览器、CLI 或作为 HTTP/gRPC 服务器。 | Crate | 描述 | crates.io | |-------|-------------|-----------| | [ruvector-node](./crates/ruvector-node) | 通过 napi-rs 的原生 Node.js 绑定 | [](https://crates.io/crates/ruvector-node) | | [ruvector-wasm](./crates/ruvector-wasm) | 浏览器与边缘的 WASM 绑定 | [](https://crates.io/crates/ruvector-wasm) | | [ruvllm-wasm](./crates/ruvllm-wasm) | 带 WebGPU 的浏览器 LLM 推理 | [](https://crates.io/crates/ruvllm-wasm) | | [ruvector-cli](./crates/ruvector-cli) | 命令行界面 | [](https://crates.io/crates/ruvector-cli) | | [ruvector-server](./crates/ruvector-server) | HTTP/gRPC 服务器 | [](https://crates.io/crates/ruvector-server) | **Node.js（原生性能）** ``` npm install @ruvector/node ``` ``` const { RuVector } = require('@ruvector/node'); const db = new RuVector({ dimensions: 1536 }); db.insert('doc1', embedding, { title: 'Hello' }); const results = db.search(queryEmbedding, 10); ``` **浏览器 (WASM)** ``` npm install @ruvector/wasm ``` ``` import { RuVectorWasm } from '@ruvector/wasm'; const db = await RuVectorWasm.create({ dimensions: 384 }); await db.insert('doc1', embedding); const results = await db.search(query, 5); ``` **CLI** ``` cargo install ruvector-cli ruvector init mydb --dim 1536 ruvector insert mydb --file embeddings.json ruvector search mydb --query "[0.1, 0.2, ...]" --limit 10 ``` **HTTP 服务器** ``` cargo install ruvector-server ruvector-server --port 8080 --data ./vectors # REST API curl -X POST http://localhost:8080/search \ -H "Content-Type: application/json" \ -d '{"vector": [0.1, 0.2, ...], "limit": 10}' ```

## 示例与教程

📚 生产示例

34 个生产就绪的示例，演示 RuVector 集成模式。 | 示例 | 描述 | 类型 | |---------|-------------|------| | [**security_hardened.rvf**](./examples/security_hardened.rvf) | **安全 RVF：22 项能力 — TEE, AIDefence, eBPF, RBAC, Paranoid 策略** | Rust/RVF | | [agentic-jujutsu](./examples/agentic-jujutsu) | AI 智能体的抗量子版本控制（比 Git 快 23 倍） | Rust | | [mincut](./examples/mincut) | 6 个自组织网络演示：怪圈、时间晶体、因果发现 | Rust | | [subpolynomial-time](./examples/subpolynomial-time) | n^0.12 亚多项式算法演示 | Rust | | [exo-ai-2025](./examples/exo-ai-2025) | 认知基板，9 个神经符号 crate + 11 个研究实验 | Rust/TS | | [neural-trader](./examples/neural-trader) | AI 交易，DRL + 情绪分析 + SONA 学习 | Rust | | [ultra-low-latency-sim](./examples/ultra-low-latency-sim) | SIMD 实现 13+ 千亿次/秒元模拟 | Rust | | [meta-cognition-spiking-neural-network](./examples/meta-cognition-spiking-neural-network) | 带元认知学习的脉冲神经网络（10-50 倍加速） | npm | | [spiking-network](./examples/spiking-network) | 仿生脉冲神经网络 | Rust | | [ruvLLM](./examples/ruvLLM) | RAG 和 AI 智能体的 LLM 集成模式 | Rust | | [onnx-embeddings](./examples/onnx-embeddings) | 无 Python 的生产级 ONNX 嵌入生成 | Rust | | [onnx-embeddings-wasm](./examples/onnx-embeddings-wasm) | 浏览器 WASM ONNX 嵌入 | WASM | | [refrag-pipeline](./examples/refrag-pipeline) | 带向量搜索和文档处理的 RAG 流水线 | Rust | | [scipix](./examples/scipix) | 科学 OCR：公式 → LaTeX/MathML，ONNX 推理 | Rust | | [graph](./examples/graph) | 图数据库示例，Cypher 查询 | Rust | | [edge](./examples/edge) | 364KB WASM 边缘部署 | Rust | | [edge-full](./examples/edge-full) | 全功能边缘向量数据库 | Rust | | [edge-net](./examples/edge-net) | 带零成本集群的网络化边缘部署 | Rust | | [vibecast-7sense](./examples/vibecast-7sense) | 7 感知 AI 应用 | TypeScript | | [apify](./examples/apify) | 13 个 Apify actor：交易、记忆引擎、合成数据、市场研究 | npm | | [google-cloud](./examples/google-cloud) | Cloud Run, GKE, Vertex AI 的 GCP 模板 | Terraform | | [wasm-react](./examples/wasm-react) | WASM 向量操作的 React 集成 | WASM | | [wasm-vanilla](./examples/wasm-vanilla) | 浏览器向量搜索的原生 JS WASM 示例 | WASM | | [wasm](./examples/wasm) | 核心 WASM 示例和绑定 | WASM | | [nodejs]() | Node.js 集成示例 | Node.js | | [rust](./examples/rust) | 核心 Rust 使用示例 | Rust | | [dna](./examples/dna) | rvDNA：AI 原生基因组分析，变异检测，`.rvdna` 格式 | Rust | | [delta-behavior](./examples/delta-behavior) | 拒绝崩溃系统的数学 — 行为变化追踪 | Rust | | [data](./examples/data) | 数据集发现框架 — 大规模数据集中的图模式发现 | Rust | | [prime-radiant](./examples/prime-radiant) | Prime-Radiant 相干引擎示例和用法演示 | Rust | | [benchmarks](./examples/benchmarks) | 时间推理和向量操作的综合基准测试 | Rust | | [vwm-viewer](./examples/vwm-viewer) | 可视化向量世界模型查看器 | HTML | | [**verified-applications**](./examples/verified-applications) | **10 个异构领域：武器过滤器、医学诊断、金融路由、智能体合约、传感器集群、量化证明、AGI 记忆、向量签名、模拟完整性、法律取证** | Rust | | [rvf-kernel-optimized](./examples/rvf-kernel-optimized) | 经过验证 + 超优化的 Linux 内核 RVF，带证明携带摄取 | Rust |

🎓 教程

### 教程 1：60 秒向量搜索 ``` import { VectorDB } from 'ruvector'; // Create DB with 384-dimensional vectors const db = new VectorDB(384); // Add vectors db.insert('doc1', [0.1, 0.2, ...]); // 384 floats db.insert('doc2', [0.3, 0.1, ...]); // Search (returns top 5 nearest neighbors) const results = db.search(queryVector, 5); // -> [{ id: 'doc1', score: 0.95 }, { id: 'doc2', score: 0.87 }] ``` ### 教程 2：Cypher 图查询 ``` import { GraphDB } from 'ruvector'; const graph = new GraphDB(); // Create nodes and relationships graph.query(` CREATE (a:Person {name: 'Alice', embedding: $emb1}) CREATE (b:Person {name: 'Bob', embedding: $emb2}) CREATE (a)-[:KNOWS {since: 2020}]->(b) `, { emb1: aliceVector, emb2: bobVector }); // Hybrid query: graph traversal + vector similarity const results = graph.query(` MATCH (p:Person)-[:KNOWS*1..3]->(friend) WHERE vector.similarity(friend.embedding, $query) > 0.8 RETURN friend.name, vector.similarity(friend.embedding, $query) as score ORDER BY score DESC `, { query: queryVector }); ``` ### 教程 3：SONA 自学习 ``` use ruvector_sona::{SonaEngine, SonaConfig}; // Initialize SONA with LoRA adapters let sona = SonaEngine::with_config(SonaConfig { hidden_dim: 256, lora_rank: 8, ewc_lambda: 0.4, // Elastic Weight Consolidation ..Default::default() }); // Record successful action let mut trajectory = sona.begin_trajectory(query_embedding); trajectory.add_step(result_embedding, vec![], 1.0); // reward=1.0 sona.end_trajectory(trajectory, true); // success=true // SONA learns and improves future predictions sona.force_learn(); // Later: get improved predictions let prediction = sona.predict(&new_query_embedding); ``` ### 教程 4：动态最小割（n^0.12 更新） ``` use ruvector_mincut::{DynamicMinCut, Graph}; // Build graph let mut graph = Graph::new(100); // 100 nodes graph.add_edge(0, 1, 10.0); graph.add_edge(1, 2, 5.0); graph.add_edge(0, 2, 15.0); // Compute initial min-cut let mut mincut = DynamicMinCut::new(&graph); let (value, cut_edges) = mincut.compute(); println!("Min-cut value: {}", value); // -> 15.0 // Dynamic update - subpolynomial time O(n^0.12)! graph.update_edge(1, 2, 20.0); let (new_value, _) = mincut.recompute(); // Much faster than recomputing from scratch ``` ### 教程 5：39 种注意力机制 ``` use ruvector_attention::{ Attention, FlashAttention, LinearAttention, HyperbolicAttention, GraphAttention, MinCutGatedAttention }; // FlashAttention - O(n) memory, fastest for long sequences let flash = FlashAttention::new(512, 8); // dim=512, heads=8 let output = flash.forward(&query, &key, &value); // LinearAttention - O(n) time complexity let linear = LinearAttention::new(512, 8); // HyperbolicAttention - for hierarchical data (Poincaré ball) let hyper = HyperbolicAttention::new(512, 8, Curvature(-1.0)); // GraphAttention - respects graph structure let gat = GraphAttention::new(512, 8, &adjacency_matrix); // MinCutGatedAttention - 50% compute reduction via sparsity let mincut_gated = MinCutGatedAttention::new(512, 8, sparsity: 0.5); let sparse_output = mincut_gated.forward(&query, &key, &value); ``` ### 教程 6：脉冲神经网络 ``` import { SpikingNetwork, HDCEncoder } from '@ruvector/spiking-neural'; // High-Dimensional Computing encoder (10K-bit vectors) const encoder = new HDCEncoder(10000); const encoded = encoder.encode("hello world"); // Spiking network with BTSP learning const network = new SpikingNetwork({ layers: [784, 256, 10], learning: 'btsp', // Behavioral Time-Scale Plasticity threshold: 1.0 }); // Train with spike timing network.train(spikes, labels, { epochs: 10 }); // Inference const output = network.forward(inputSpikes); ``` ### 教程 7：Claude Code 钩子集成 ``` # 1. 初始化 hooks npx @ruvector/cli hooks init # 2. 安装到 Claude 设置 npx @ruvector/cli hooks install # 3. Hooks 现在捕获： # - 文件编辑 (前/后) # - 命令 (前/后) # - 会话 (开始/结束) # - 错误和修复 # 4. 查询学习到的模式 npx @ruvector/cli hooks recall "authentication error" # -> 返回类似的过往解决方案 # 5. 获取 AI 路由建议 npx @ruvector/cli hooks route "implement caching" # -> 建议：rust-developer (置信度: 0.89) ``` ### 教程 8：使用 rvLite 边缘部署 ``` import { RvLite } from '@ruvector/rvlite'; // Create persistent edge database (IndexedDB in browser) const db = await RvLite.create({ path: 'my-vectors.db', dimensions: 384 }); // Works offline - all computation local await db.insert('doc1', embedding1, { title: 'Hello' }); await db.insert('doc2', embedding2, { title: 'World' }); // Semantic search with metadata filtering const results = await db.search(queryEmbedding, { limit: 10, filter: { title: { $contains: 'Hello' } } }); // Sync when online await db.sync('https://api.example.com/vectors'); ```

🍕 WASM 与实用工具包

| 包 | 描述 | 版本 | 下载量 | |---------|-------------|---------|-----------| | [@ruvector/wasm](https://www.npmjs.com/package/@ruvector/wasm) | WASM 核心向量数据库 | [](https://www.npmjs.com/package/@ruvector/wasm) | [](https://www.npmjs.com/package/@ruvector/wasm) | | [@ruvector/gnn-wasm](https://www.npmjs.com/package/@ruvector/gnn-wasm) | WASM GNN 层 | [](https://www.npmjs.com/package/@ruvector/gnn-wasm) | [](https://www.npmjs.com/package/@ruvector/gnn-wasm) | | [@ruvector/graph-wasm](https://www.npmjs.com/package/@ruvector/graph-wasm) | WASM 图数据库 | [](https://www.npmjs.com/package/@ruvector/graph-wasm) | [](https://www.npmjs.com/package/@ruvector/graph-wasm) | | [@ruvector/attention-wasm](https://www.npmjs.com/package/@ruvector/attention-wasm) | WASM 注意力 | [](https://www.npmjs.com/package/@ruvector/attention-wasm) | [](https://www.npmjs.com/package/@ruvector/attention-wasm) | | [@ruvector/tiny-dancer-wasm](https://www.npmjs.com/package/@ruvector/tiny-dancer-wasm) | WASM AI 路由 | [](https://www.npmjs.com/package/@ruvector/tiny-dancer-wasm) | [](https://www.npmjs.com/package/@ruvector/tiny-dancer-wasm) | | [@ruvector/router-wasm](https://www.npmjs.com/package/@ruvector/router-wasm) | WASM 语义路由 | [](https://www.npmjs.com/package/@ruvector/router-wasm) | [](https://www.npmjs.com/package/@ruvector/router-wasm) | | [@ruvector/postgres-cli](https://www.npmjs.com/package/@ruvector/postgres-cli) | Postgres 扩展 CLI | [](https://www.npmjs.com/package/@ruvector/postgres-cli) | [](https://www.npmjs.com/package/@ruvector/postgres-cli) | | [@ruvector/agentic-synth](https://www.npmjs.com/package/@ruvector/agentic-synth) | 合成数据生成器 | [](https://www.npmjs.com/package/@ruvector/agentic-synth) | [](https://www.npmjs.com/package/@ruvector/agentic-synth) | | [@ruvector/graph-data-generator](https://www.npmjs.com/package/@ruvector/graph-data-generator) | 图数据生成 | [](https://www.npmjs.com/package/@ruvector/graph-data-generator) | [](https://www.npmjs.com/package/@ruvector/graph-data-generator) | | [@ruvector/agentic-integration](https://www.npmjs.com/package/@ruvector/agentic-integration) | 智能体工作流 | [](https://www.npmjs.com/package/@ruvector/agentic-integration) | [](https://www.npmjs.com/package/@ruvector/agentic-integration) | | [rvlite](https://www.npmjs.com/package/rvlite) | SQLite 风格边缘数据库 | [](https://www.npmjs.com/package/rvlite) | [](https://www.npmjs.com/package/rvlite) | **平台特定原生绑定**（自动检测）： - `@ruvector/node-linux-x64-gnu`, `@ruvector/node-linux-arm64-gnu`, `@ruvector/node-darwin-x64`, `@ruvector/node-darwin-arm64`, `@ruvector/node-win32-x64-msvc` - `@ruvector/gnn-linux-x64-gnu`, `@ruvector/gnn-linux-arm64-gnu`, `@ruvector/gnn-darwin-x64`, `@ruvector/gnn-darwin-arm64`, `@ruvector/gnn-win32-x64-msvc` - `@ruvector/tiny-dancer-linux-x64-gnu`, `@ruvector/tiny-dancer-linux-arm64-gnu`, `@ruvector/tiny-dancer-darwin-x64`, `@ruvector/tiny-dancer-darwin-arm64`, `@ruvector/tiny-dancer-win32-x64-msvc` - `@ruvector/router-linux-x64-gnu`, `@ruvector/router-linux-arm64-gnu`, `@ruvector/router-darwin-x64`, `@ruvector/router-darwin-arm64`, `@ruvector/router-win32-x64-msvc` - `@ruvector/attention-linux-x64-gnu`, `@ruvector/attention-linux-arm64-gnu`, `@ruvector/attention-darwin-x64`, `@ruvector/attention-darwin-arm64`, `@ruvector/attention-win32-x64-msvc` - `@ruvector/ruvllm-linux-x64-gnu`, `@ruvector/ruvllm-linux-arm64-gnu`, `@ruvector/ruvllm-darwin-x64`, `@ruvector/ruvllm-darwin-arm64`, `@ruvector/ruvllm-win32-x64-msvc` 多平台 npm 包路线图见 [GitHub Issue #20](https://github.com/ruvnet/ruvector/issues/20)。 ``` # 安装一体化包 npm install ruvector # 或安装单个包 npm install @ruvector/core @ruvector/gnn @ruvector/graph-node # 列出所有可用包 npx ruvector install ``` ``` const ruvector = require('ruvector'); // Vector search const db = new ruvector.VectorDB(128); db.insert('doc1', embedding1); const results = db.search(queryEmbedding, 10); // Graph queries (Cypher) db.execute("CREATE (a:Person {name: 'Alice'})-[:KNOWS]->(b:Person {name: 'Bob'})"); db.execute("MATCH (p:Person)-[:KNOWS]->(friend) RETURN friend.name"); // GNN-enhanced search const layer = new ruvector.GNNLayer(128, 256, 4); const enhanced = layer.forward(query, neighbors, weights); // Compression (2-32x memory savings) const compressed = ruvector.compress(embedding, 0.3); // Tiny Dancer: AI agent routing const router = new ruvector.Router(); const decision = router.route(candidates, { optimize: 'cost' }); ```

🦀 Rust 使用示例

``` cargo add ruvector-graph ruvector-gnn ``` ``` use ruvector_graph::{GraphDB, NodeBuilder}; use ruvector_gnn::{RuvectorLayer, differentiable_search}; let db = GraphDB::new(); let doc = NodeBuilder::new("doc1") .label("Document") .property("embedding", vec![0.1, 0.2, 0.3]) .build(); db.create_node(doc)?; // GNN layer let layer = RuvectorLayer::new(128, 256, 4, 0.1); let enhanced = layer.forward(&query, &neighbors, &weights); ``` ``` use ruvector_raft::{RaftNode, RaftNodeConfig}; use ruvector_cluster::{ClusterManager, ConsistentHashRing}; use ruvector_replication::{SyncManager, SyncMode}; // Configure a 5-node Raft cluster let config = RaftNodeConfig { node_id: "node-1".into(), cluster_members: vec!["node-1", "node-2", "node-3", "node-4", "node-5"] .into_iter().map(Into::into).collect(), election_timeout_min: 150, // ms election_timeout_max: 300, // ms heartbeat_interval: 50, // ms }; let raft = RaftNode::new(config); // Auto-sharding with consistent hashing (150 virtual nodes per real node) let ring = ConsistentHashRing::new(64, 3); // 64 shards, replication factor 3 let shard = ring.get_shard("my-vector-key"); // Multi-master replication with conflict resolution let sync = SyncManager::new(SyncMode::SemiSync { min_replicas: 2 }); ```

🎓 RuvLLM 训练与 RLM 微调教程

#### 混合路由（90% 准确率） RuvLTRA 使用关键词优先策略配合嵌入回退实现 **90% 路由准确率**： ``` // Optimal routing: Keywords first, embeddings as tiebreaker function routeTask(task, taskEmbedding, agentEmbeddings) { const keywordScores = getKeywordScores(task); const maxKw = Math.max(...Object.values(keywordScores)); if (maxKw > 0) { const candidates = Object.entries(keywordScores) .filter(([_, score]) => score === maxKw) .map(([agent]) => agent); if (candidates.length === 1) return { agent: candidates[0] }; return pickByEmbedding(candidates, taskEmbedding, agentEmbeddings); } return embeddingSimilarity(taskEmbedding, agentEmbeddings); } ``` 运行基准测试：`node npm/packages/ruvllm/scripts/hybrid-model-compare.js` #### 生成训练数据 ``` # 使用 CLI (推荐) npx @ruvector/ruvllm train stats # View dataset statistics npx @ruvector/ruvllm train dataset # Export training data npx @ruvector/ruvllm train contrastive # Run full training pipeline # 带选项 npx @ruvector/ruvllm train dataset --output ./my-training npx @ruvector/ruvllm train contrastive --epochs 20 --batch-size 32 --lr 0.0001 ``` **编程式 API：** ``` import { ContrastiveTrainer, generateTrainingDataset, getDatasetStats } from '@ruvector/ruvllm'; const stats = getDatasetStats(); console.log(`${stats.totalExamples} examples, ${stats.agentTypes} agent types`); const trainer = new ContrastiveTrainer({ epochs: 10, margin: 0.5 }); trainer.addTriplet(anchor, anchorEmb, positive, positiveEmb, negative, negativeEmb, true); const result = trainer.train(); trainer.exportTrainingData('./output'); ``` #### LoRA 微调 ``` pip install transformers peft datasets accelerate python -m peft.lora_train \ --model_name Qwen/Qwen2.5-0.5B-Instruct \ --dataset ./data/training/routing-examples.jsonl \ --output_dir ./ruvltra-routing-lora \ --lora_r 8 --lora_alpha 16 \ --num_train_epochs 3 \ --learning_rate 2e-4 ``` #### 转换为 GGUF ``` # 合并 LoRA 权重 python -c " from peft import PeftModel from transformers import AutoModelForCausalLM base = AutoModelForCausalLM.from_pretrained('Qwen/Qwen2.5-0.5B-Instruct') model = PeftModel.from_pretrained(base, './ruvltra-routing-lora') model.merge_and_unload().save_pretrained('./ruvltra-routing-merged') " # 转换并量化 python llama.cpp/convert_hf_to_gguf.py ./ruvltra-routing-merged --outfile ruvltra-routing-f16.gguf ./llama.cpp/llama-quantize ruvltra-routing-f16.gguf ruvltra-routing-q4_k_m.gguf Q4_K_M ``` #### 对比嵌入训练 **使用 RuvLLM CLI（推荐）：** ``` # 带 triplet loss 的完整对比训练流程 npx @ruvector/ruvllm train contrastive --output ./training-output # 导出：triplets.jsonl, embeddings.json, lora_config.json, train.sh ``` **使用 Python（用于 GPU 训练）：** ``` from sentence_transformers import SentenceTransformer, losses, InputExample from torch.utils.data import DataLoader train_examples = [ InputExample(texts=["implement login", "build auth component"], label=1.0), InputExample(texts=["implement login", "write unit tests"], label=0.0), ] model = SentenceTransformer("Qwen/Qwen2.5-0.5B-Instruct") train_loss = losses.CosineSimilarityLoss(model) model.fit([(DataLoader(train_examples, batch_size=16), train_loss)], epochs=5) ``` **资源：** [Issue #122](https://github.com/ruvnet/ruvector/issues/122) | [LoRA 论文](https://arxiv.org/abs/2106.09685) | [Sentence Transformers](https://www.sbert.net/docs/training/overview.html) #### Rust 训练模块 对于生产规模的数据集生成，使用 Rust 训练模块（[完整文档](./crates/ruvllm/src/training/README.md)）： ``` use ruvllm::training::{DatasetGenerator, DatasetConfig}; let config = DatasetConfig { examples_per_category: 100, enable_augmentation: true, seed: 42, ..Default::default() }; let dataset = DatasetGenerator::new(config).generate(); let (train, val, test) = dataset.split(0.7, 0.15, 0.15, 42); dataset.export_jsonl("training.jsonl")?; ``` **特性：** - **5 个智能体类别**：Coder, Researcher, Security, Architecture, Reviewer（各 20%） - **模型路由**：Haiku（简单）→ Sonnet（中等）→ Opus（复杂/安全） - **数据增强**：释义、复杂度变化、领域迁移 - **8 个技术领域**：Web, Systems, DataScience, Mobile, DevOps, Security, Database, API - **质量分数**：0.80-0.96，基于模板质量和类别 - **性能**：~10,000 示例/秒，~50 MB/s JSONL 导出 ``` cargo run --example generate_claude_dataset --release # 输出：train.jsonl, val.jsonl, test.jsonl, stats.json ```

## 项目

📁 项目结构

``` crates/ ├── ruvector-core/ # Vector DB engine (HNSW, storage) ├── ruvector-graph/ # Graph DB + Cypher parser + Hyperedges ├── ruvector-gnn/ # GNN layers, compression, training ├── ruvector-tiny-dancer-core/ # AI agent routing (FastGRNN) ├── ruvector-*-wasm/ # WebAssembly bindings ├── ruvector-*-node/ # Node.js bindings (napi-rs) └── rvf/ # RVF Cognitive Containers (13 crates) ├── rvf-types/ # Segment types, headers (no_std) ├── rvf-runtime/ # Store API, COW engine, compaction ├── rvf-kernel/ # Linux kernel builder ├── rvf-ebpf/ # eBPF programs (XDP/TC/socket) ├── rvf-launch/ # QEMU microvm launcher ├── rvf-cli/ # CLI with 17 subcommands └── ... # wire, manifest, index, quant, crypto, server, import ```

## 贡献 我们欢迎贡献！详见 [CONTRIBUTING.md](./docs/development/CONTRIBUTING.md)。 ``` # 运行测试 cargo test --workspace # 运行基准测试 cargo bench --workspace # 构建 WASM cargo build -p ruvector-gnn-wasm --target wasm32-unknown-unknown ``` ## 许可证 MIT 许可证 — 可免费用于商业和个人用途。

标签：Apex, DevOps 工具, Docker镜像, MITM代理, NPM 包, PostgreSQL 扩展, RAG, Rust, SONA 引擎, Vectored Exception Handling, WebAssembly, 人工智能, 可视化界面, 向量数据库, 图神经网络, 实时告警, 实时数据库, 嵌入式 AI, 开源, 操作系统, 数据库调优, 无服务器, 本地推理, 机器学习, 测试用例, 用户模式Hook绕过, 算法, 系统优化, 网络流量审计, 自主学习, 自优化, 语义搜索, 边缘计算, 通知系统, 隐私计算, 高性能计算