memvectordb

MemvectordB

Um rápido vectordb na memória na ferrugem.

⚡️ Recursos

• Fast: MemvectordB armazena vetores na memória, garantindo operações de inserção rápida e recuperação.
• Escalabilidade vertical: com vetores armazenados na memória, o MemvectordB pode escalar verticalmente com base nos recursos do sistema disponíveis.
• Suporte de metadados: suporta o armazenamento de metadados, benéfico para aplicações e pipelines de RAG (Retrieval Aumented Generation).
• Opção para persistência: suporta a restauração completa dos dados de logs.
• Open Source: MIT licenciado, grátis para sempre.

Uso

1. Clone o repositório:

git clone https://github.com/KevKibe/memvectordb.git

2. Construa dependências:

make build

3. Inicie o banco de dados.

make run

• DB é executado em http: // localhost: 8000

4. Restaure o banco de dados de logs.

make run-restore

• DB é executado em http: // localhost: 8000

? Usando o docker

1. Puxe a imagem do Docker:

• Nos sistemas x86_64 (Intel/AMD):

docker pull kevkibe/memvectordb:v2.1.0

• Em sistemas baseados em braço (por exemplo, M1, M2, M3):

docker pull --platform linux/amd64 kevkibe/memvectordb:v2.1.0

2. Execute o recipiente do docker:

• Nos sistemas x86_64 (Intel/AMD):

docker run -it --rm 
    -p 8000:8000 
    -v /var/memvectordb:/memvectordb 
    kevkibe/memvectordb:v2.1.0

• Em sistemas baseados em braço (por exemplo, M1, M2, M3):

docker run -it --rm 
    --platform linux/amd64 
    -p 8000:8000 
    -v /var/memvectordb:/memvectordb 
    kevkibe/memvectordb:v2.1.0

3. Execute o recipiente do docker com restauração de banco de dados:

• Nos sistemas x86_64 (Intel/AMD):

docker run -it --rm 
    -p 8000:8000 
    -v /var/memvectordb:/memvectordb 
    -e RESTORE_DB=true 
    kevkibe/memvectordb:v2.1.0

• Em sistemas baseados em braço (por exemplo, M1, M2, M3):

docker run -it --rm 
    --platform linux/amd64 
    -p 8000:8000 
    -v /var/memvectordb:/memvectordb 
    -e RESTORE_DB=true 
    kevkibe/memvectordb:v2.1.0

4. DB é executado em http: // localhost: 8000

MemvectordB Python Client: Docs

Testes de carga

• Todos os testes realizados com 100000 solicitações em um MacBook Air M1.

PUBLICAR

 Summary:
  Success rate: 100.00%
  Total:        1.9317 secs
  Slowest:      0.0363 secs
  Fastest:      0.0000 secs
  Average:      0.0010 secs
  Requests/sec: 51766.9796

  Total data:   5.15 MiB
  Size/request: 54 B
  Size/sec:     2.67 MiB

PEGAR

 Summary:
  Success rate: 100.00%
  Total:        1.0847 secs
  Slowest:      0.0081 secs
  Fastest:      0.0000 secs
  Average:      0.0005 secs
  Requests/sec: 92191.6443

  Total data:   4.58 MiB
  Size/request: 48 B
  Size/sec:     4.22 MiB

EXCLUIR

 Summary:
  Success rate: 100.00%
  Total:        1.0714 secs
  Slowest:      0.0168 secs
  Fastest:      0.0000 secs
  Average:      0.0005 secs
  Requests/sec: 93339.6446

  Total data:   5.05 MiB
  Size/request: 52 B
  Size/sec:     4.72 MiB

COLOCAR

 Summary:
  Success rate: 100.00%
  Total:        2.7216 secs
  Slowest:      0.0395 secs
  Fastest:      0.0001 secs
  Average:      0.0014 secs
  Requests/sec: 36743.3094

  Total data:   7.06 MiB
  Size/request: 74 B
  Size/sec:     2.59 MiB