<br/><br/>
<div align="center">
<!-- 动态打字效果 Slogan -->
<a href="https://github.com/YoKONCy/TriviumDB">
<img src="https://readme-typing-svg.demolab.com?font=Noto+Serif+SC&weight=600&size=24&duration=4000&pause=1000&color=1E90FF¢er=true&vCenter=true&multiline=true&repeat=false&width=800&height=70&lines=%E4%B8%89%E4%BD%8D%E4%B8%80%E4%BD%93%E7%9A%84+AI+%E5%8E%9F%E7%94%9F%E5%B5%8C%E5%85%A5%E5%BC%8F%E6%95%B0%E6%8D%AE%E5%BA%93;%E5%90%91%E9%87%8F+%C3%97+%E5%9B%BE%E8%B0%B1+%C3%97+%E5%85%B3%E7%B3%BB%E5%9E%8B;%E4%B8%BA+Agent+%E6%89%93%E9%80%A0%E7%9A%84%E9%AB%98%E6%80%A7%E8%83%BD%E8%AE%B0%E5%BF%86%E6%A0%B8%E5%BF%83" alt="Slogan" />
</a>
<br/>
# TriviumDB
**向量 × 图谱 × 关系型 —— 三位一体的 AI 原生嵌入式数据库**
> _Trivium_：拉丁语，意为"三条道路的交汇"。
> “_TriviumDB_ 定位是 AI 应用领域的嵌入式数据库，旨在解决单机环境下 Agent 复杂上下文和多模态记忆编织的痛点。如果是需要支撑千万并发的高可用分布式后端，请依然选择大型集群化组件！”
[](https://www.rust-lang.org/)
[](https://pypi.org/)
[](LICENSE)
</div>
---
## 一句话介绍
TriviumDB 是一个用纯 Rust 编写的**嵌入式单文件数据库引擎**，将**向量检索（Vector）**、**属性图谱（Graph）**和**关系型元数据（Relational）**原生融合在同一个存储内核中。
我们的目标是成为 **AI 应用领域的 SQLite**：
- 🗃️ **Rom/Mmap 双引擎切换** —— 既支持单文件 `*.tdb` 复制走人，也支持分离 `.vec` 向量文件按需 mmap 零拷贝加载
- 🔗 **节点即一切** —— 每个节点天然同时拥有限定长度的稠密向量、稀疏文本倒排词频、元数据和图关系，ID 全局唯一，绝不错位
- 🧠 **为 AI 而生** —— 可选启用“AC自动机+BM25稀疏文本”与“Dense Vector稠密向量”的**多路召回**来触发图谱扩散检索，并内置多层认知管线（FISTA / DPP / PPR）
- 🛡️ **四层数据安全保障** —— 原子替换 + WAL日志 + 事务干跑验证（Dry-Run）+ Mmap COW 隔离，断电断存不毁库
- 🐍 **Python / Node.js 原生** —— `pip install` 或 `npm install` 后直接使用，类 MongoDB 查询语法
- ⚡ **高性能检索** —— rayon 并行暴力搜索（小规模 100% 精确）+ BQ 三阶段火箭自适应索引（2 万节点以上自动加速），无需手动配置
- 💾 **SSD 友好** —— Append-Only WAL + 后台 Compaction 线程（同时自动重建 BQ 索引），杜绝随机写入磨损
---
<div align="center">
<!-- 动态分隔线 -->
<img src="https://user-images.githubusercontent.com/73097560/115834477-dbab4500-a447-11eb-908a-139a6edaec5c.gif" width="100%">
<br/>
<img src="https://count.getloli.com/get/@TriviumDB?theme=rule34" alt="TriviumDB Count" />
</div>
<br/>
## 为什么需要 TriviumDB？
### 当前 AI 应用的「三库割裂」困境
几乎所有的 AI 应用（Agent / RAG / 推荐系统）都同时需要三种数据能力，但市面上没有一个引擎能同时原生支持它们：
```mermaid
flowchart TD
classDef old fill:#ffebee,stroke:#ff5252,stroke-width:2px,color:#000;
classDef new fill:#e8f5e9,stroke:#4caf50,stroke-width:2px,color:#000;
classDef app fill:#e3f2fd,stroke:#2196f3,stroke-width:2px,color:#000;
classDef warning fill:#fff3e0,stroke:#ff9800,stroke-width:2px,color:#000;
subgraph 现状 ["❌ 现状：三库系统缝合"]
direction TB
App1((Agent App)):::app
DB1[(SQL DB<br/>文本/属性)]:::old
DB2[(Vector DB<br/>稠密向量)]:::old
DB3[(Graph DB<br/>知识图谱)]:::old
App1 <-.网路 / 跨库 JOIN.-> DB1
App1 <-.RPC / 独立服务.-> DB2
App1 <-.另一套重运行时.-> DB3
end
subgraph 痛点 ["⚠️ 核心痛点"]
direction TB
P1[1. 三组独立的 ID 空间，需手写胶水代码同步]:::warning
P2[2. 删一条记录要操作三个库，极易数据不一致]:::warning
P3[3. 先向量检索再图扩散需跨库聚合，延迟爆炸]:::warning
P4[4. 部署笨重，分享模型状态需打包三份独立文件]:::warning
end
现状 --> 痛点
subgraph 解决 ["✨ TriviumDB：一库横扫"]
direction TB
App2((Agent App)):::app
TV[(TriviumDB<br/>单一引擎 / 单一文件 / 单一 ID 空间)]:::new
App2 ==`insert()` 向量+文本+元数据+图关系原子写入==> TV
TV ==`search_hybrid()` 双路混合归一锚定+图谱扩散一次返回==> App2
TV -.`flush()` Mmap零拷贝极速热启动.-> TV
end
痛点 --> 解决
```
### 一个具体的例子
假设你在做一个 **AI 对话记忆系统**，用户说了一句「我昨天和小红去了咖啡馆」：
| 步骤 | 传统三库方案 | TriviumDB |
| ------------ | ---------------------------- | ---------------------------------- |
| ① 存语义向量 | 调 Qdrant API 写入 embedding | `db.insert(vec, payload)` 一步完成 |
| ② 存元数据 | 调 SQLite 写入时间、场景 | ↑ 同一步，payload 里就是 JSON |
| ③ 存关系 | 调 Neo4j: 用户→地点→人物 | `db.link(user, cafe, "went_to")` |
| ④ 后续召回 | 3 次跨库查询 + 手写合并 | `db.search(vec, expand_depth=2)` |
| ⑤ 迁移数据 | 导出 3 份 + 写转换脚本 | 复制 `memory.tdb` 一个文件 |
### 适用场景
| 场景 | 怎么用 TriviumDB |
| ------------------------ | ----------------------------------------------------------------------------------------------------- |
| 🤖 **AI Agent 长期记忆** | 每条对话存为节点（embedding + 原文 + 时间戳），人物/地点/事件之间建边，召回时先向量匹配再沿关系链扩散 |
| 🎮 **游戏 NPC 认知引擎** | NPC 观察到的事件存为带向量的节点，NPC 之间的关系用图谱表达，对话时检索相关记忆自动生成回应 |
| 📚 **个人知识库** | Markdown 笔记切片后存入，概念之间手动或自动连边，语义搜索 + 知识图谱导航双模式浏览 |
| 🔬 **小型推荐系统** | 用户和物品各为节点，交互行为存为带权边，混合检索实现「相似用户喜欢的 + 你的社交圈在看的」 |
| 🧬 **生物信息学** | 基因/蛋白质序列的 embedding + 互作关系网络，一库搜到相似序列并自动追溯代谢通路 |
---
## 快速上手
### 安装
> 💡 TriviumDB 核心使用 Rust 编写，但我们已经在云端为您提前交叉编译了所有平台的二进制，**无需在本地安装任何编译环境即可秒速安装！**
### 🐍 Python 用户
推荐使用超快的 [uv](https://github.com/astral-sh/uv) （只需毫秒级）：
```bash
uv pip install triviumdb
```
或者使用传统 pip：
```bash
pip install triviumdb
```
### 🌐 Node.js / 前端用户
跨平台包已自带 `*.node` 预编译拓展，并含有完整的 TypeScript 补全：
```bash
npm install triviumdb
# 或者
pnpm add triviumdb
```
### 🦀 Rust 原生用户
直接把我们当成 Library 依赖：
```bash
cargo add triviumdb
```
### 30 秒入门
```python
import triviumdb
with triviumdb.TriviumDB("memory.tdb", dim=3) as db:
id1 = db.insert([0.12, -0.45, 0.78], {"text": "小明喜欢吃苹果"})
id2 = db.insert([0.08, -0.52, 0.81], {"text": "小红送了小明一箱苹果"})
db.link(id1, id2, label="caused_by", weight=0.95)
results = db.search([0.10, -0.48, 0.80], top_k=5, expand_depth=2, min_score=0.6)
for hit in results:
print(f"[{hit.id}] score={hit.score:.3f} | {hit.payload}")
```
> 📖 完整 API 参考、高级用法和 Rust 示例请查看 **[API 参考文档](docs/api-reference.md)**。
---
## 核心特性
| 特性 | 说明 |
| --------------------- | -------------------------------------------------------------------------------------------------------------------------------- |
| 🔍 **混合检索** | 向量锚定 → Top-K → 图谱扩散（Spreading Activation）→ 最终排序 |
| 🧠 **认知管线** | 内置多层认知检索管线（本项目自研分层设计）：FISTA 残差寻隐 / PPR 图扩散 / DPP 多样性采样 / 疲劳不应期，运行时可自适应开关 |
| 🔌 **Hook 扩展系统** | 6 个管线关键阶段的自定义注入点：查询预处理 / 自定义召回 / 召回后处理 / 图扩散前 / 重排序 / 最终后处理，支持 C/C++ FFI 动态库插件 |
| 📦 **三位一体 O(1)** | 自动增量 O(1) FreeList 墓碑空洞复用；删节点 O(1) 反向边哈希表（本项目称 Reverse Hash Net），彻底杜绝盘面膨胀与图谱雪崩 |
| ⚡ **自适应并行索引** | 行级布隆特征阵列（本项目称 Parallel Bit-Tag Array）加速 JSON 过滤拦截；外加 BQ / BruteForce 自适应向量路由无缝切换 |
| 💾 **双模式存储** | Mmap（大模型极速分体冷启动） / Rom（传统 SQLite 级单文件打包携带），无缝热切换 |
| 🛡️ **四层灾备防御** | 预写日志(WAL) + 写入原子替换 + 事务预检干跑(Dry-Run) + OS 内存写时复制隔离 |
| 🔄 **零开销事务** | `begin_tx()` 验证前置架构，中途报错绝不污染内存，实现真正的零代价原子回滚 |
| 🔎 **高级过滤** | 类 MongoDB 语法：`$eq/$ne/$gt/$lt/$in/$and/$or` |
| 📝 **图谱查询** | 内置类 Cypher 查询引擎：`MATCH (a)-[:knows]->(b) WHERE b.age > 18 RETURN b` |
| 🐍 **Python 原生** | PyO3 绑定，`pip install` 后直接 `import triviumdb` |
| 🌐 **Node.js 原生** | napi-rs 绑定，`npm install` 后直接 `require('triviumdb')` |
> 📖 深入了解架构设计和技术细节请查看 **[支持特性详解](docs/features.md)**。
---
## 向量索引策略
TriviumDB 采用**智能自适应双引擎**向量索引，全程自动路由，无需手动配置：
| 阶段 | 引擎 | 激活条件 | 特点 |
| -------------- | ----------------- | ----------------------------------- | ------------------------------------------------------------------ |
| **小规模热区** | BruteForce | < 2 万节点（或 BQ 未就绪） | 100% 精确召回，rayon 多核，延迟极低 |
| **大规模冷区** | **BQ 三阶段火箭** | ≥ 2 万节点，Mmap 模式，后台自动构建 | 三阶段加速管线：二进制指纹粗排 → Hamming 筛选 → f32 精排，无需重建 |
**BQ（Binary Quantization，二进制量化）** 是 TriviumDB 的向量索引引擎。Binary Quantization 是一种通用的向量压缩思路（将浮点向量按符号位压缩为二进制指纹），TriviumDB 在此基础上设计了三阶段搜索管线（粗排→筛选→精排）。与 HNSW 等图结构索引相比：
- ✅ **零图维护开销**：删除/更新节点不破坏索引，没有 Ghost Node 陷阱
- ✅ **SSD 友好**：索引元数据落入 `.tdb` 头部，重启零开销恢复（bytemuck 零拷贝）
- ✅ **全自动**：2 万节点以上后台 Compaction 时自动重建，前台查询透明路由
- ✅ **硬件亲和**：纯线性扫描 + CPU 原生 Popcount 指令，完美适配硬件 Prefetcher，缓存命中率接近 100%
```toml
# 启用 Python 绑定
maturin develop --features python
```
---
## 项目结构
```
TriviumDB/
├── src/
│ ├── lib.rs # 库入口 + 公开 API
│ ├── database/ # 数据库核心模块（v0.5.1 模块化重构）
│ │ ├── mod.rs # Database 结构体、CRUD、生命周期管理
│ │ ├── config.rs # StorageMode / Config / SearchConfig 配置
│ │ ├── pipeline.rs # 混合检索管线（L0-L9 + 6 个 Hook 注入点）
│ │ └── transaction.rs # 事务系统（TxOp / Transaction / WAL 回放）
│ ├── hook.rs # 🔌 Hook 扩展系统（SearchHook trait + FFI 动态库加载）
│ ├── cognitive.rs # 认知算子（FISTA / DPP / NMF）
│ ├── node.rs # Node / Edge / SearchHit 数据结构
│ ├── vector.rs # VectorType Trait（f32 / f16 / u64）
│ ├── filter.rs # 高级过滤引擎 ($gt/$lt/$in/$and/$or)
│ ├── error.rs # 统一错误类型
│ ├── storage/
│ │ ├── memtable.rs # 内存工作区 (SoA 向量池 + HashMap + BQ 索引)
│ │ ├── wal.rs # Write-Ahead Log（崩溃恢复）
│ │ ├── file_format.rs # .tdb 单文件读写（含 BQ Metadata Block）
│ │ ├── vec_pool.rs # 分层向量池（mmap 基础层 + delta 增量层）
│ │ └── compaction.rs # 后台 Compaction 守护线程（含 BQ 自动重建）
│ ├── index/
│ │ ├── brute_force.rs # rayon 并行暴力精确搜索
│ │ └── bq.rs # BQ 二进制量化索引（三阶段搜索管线）
│ ├── graph/
│ │ ├── traversal.rs # PPR 图扩散 (Spreading Activation)
│ │ └── leiden.rs # Leiden 社区发现算法
│ ├── python.rs # PyO3 绑定（含 Hook 管理接口）
│ └── nodejs.rs # napi-rs 绑定（含 Hook 管理接口）
├── benches/
│ └── benchmark.rs # Criterion 性能基准测试套件
├── tests/
│ ├── workflow.rs # 业务全链路集成测试
│ ├── search.rs # 向量检索正确性测试
│ └── ... # 其他集成测试
├── docs/
│ ├── api-reference.md # 完整 API 参考文档
│ ├── features.md # 支持特性详解
│ ├── best-practices.md # 最佳实践指南
│ ├── hook-guide.md # 🔌 Hook 开发指南（C++ FFI / Rust Hook）
│ └── security.md # 安全设计说明
├── Cargo.toml
├── pyproject.toml # Maturin 构建配置
└── README.md
```
---
## 路线图
### v0.1 — MVP ✅
- [x] Node / Edge 核心数据结构
- [x] 内存 MemTable（SoA 向量池 + HashMap + 邻接表）
- [x] BruteForce 向量检索
- [x] `insert` / `link` / `search` / `delete` 基础 API
- [x] 单文件 `.tdb` 序列化/反序列化
### v0.2 — 工业可用 ✅
- [x] WAL 日志 + 崩溃恢复
- [x] 后台 Compaction 线程
- [x] 高级 Payload 过滤 ($eq/$ne/$gt/$gte/$lt/$lte/$in/$and/$or)
- [x] PyO3 Python 绑定 + Maturin 打包
- [x] rayon 并行向量扫描
- [x] mmap 零拷贝文件加载
### v0.3 — 生态拓展 ❓️
- [x] Node.js 扩展绑定 (napi-rs)
- [x] 高级 Payload 过滤扩展 ($exists/$nin/$size/$all/$type)
- [x] AVX2 + FMA SIMD 加速余弦相似度（运行时自动检测，标量回退）
- [x] 性能基准测试套件 (Criterion benchmark)
### v0.4 — 百万级架构 + 认知管线 + BQ 索引 ✅
- [x] Mmap / Rom 双引擎热切换
- [x] 验证前置事务架构 (Dry-Run 原子回滚)
- [x] Tombstone 占位对齐序列化
- [x] 认知检索管线内置（FISTA 残差搜索¹ / PPR 图扩散² / DPP 多样性采样³）
- [x] 运行时可开关 `SearchConfig`，逐查询粒度动态控制管线各层
- [x] 向量 / 配置 NaN / Inf / 维度容错拦截
- [x] **BQ 向量索引**：Binary Quantization 三阶段火箭搜索管线
- [x] **HNSW 完全移除**：零依赖，架构大幅精简，无图索引维护负担
- [x] **BQ 自动化**：Compaction 守护线程自动重建，2 万节点自动激活，前台透明
- [x] **BQ 元数据持久化**：bytemuck 零拷贝落入 .tdb header，重启极速恢复
- [x] **边特异性强化**（本项目自研）：入度惩罚从 `log10` 改为 `powf(0.55)` 非线性衰减，显著压制高入度节点对扩散能量的集中效应
- [x] **不应期（疲劳）机制**（灵感来源于生物神经元不应期概念）：Top-15 热点节点在本轮扩散后进入不应期，下轮传导能量削减 85%，一次性消耗后自动恢复，缓解长期使用中的重复召回问题
### v0.5 — 千万级性能 (已实装)
> v0.5 将原先那些“企业级”的笨重发展路线（如引入 B树、换用难写的 FlatBuffers），通过一种极具想象力的“底层硬件逃课”方案**平替并超越**：
- [x] **Parallel Bit-Tag Array (并行特征布隆阵列)**：**完美平替**了 `create_index` 与复杂的 `B-Tree` 倒排！通过为 JSON 生成硬件级 64 位布隆签名阵列，查询时利用 CPU 位掩码指令瞬间筛除 99% 不匹配数据！
- [x] **逃离零拷贝重构地狱**：**完美规避**了 `FlatBuffers` 零拷贝化开发灾难！由于布隆特征层做到了不反序列化直接将垃圾数据截死在起跑线上，我们在继续保留极度自由宽松的 `serde_json` 开发体验不变的前提下，获得了极速反序列化的高空跳跃伞性能。
- [x] **FreeList 墓碑复用技术 (Zero-Ghost Node)**：不再将 `ids_to_indices` 做成复杂的磁盘树，而是通过 O(1) 空洞回收链表，真正解决了图数据库删节点带来的关联废边和死指针降速噩梦。
- [x] **O(1) Reverse Hash Net (反向图谱引擎)**：不再全量遍历边表，通过双向 HashMap 网使得删除和无向寻找的复杂度降低了几个数量级。
### v0.5.1 — 🔌 Hook 扩展系统 + 模块化重构 ✅ (NEW)
- [x] **检索管线 Hook 系统**：在 L0-L9 管线的 6 个关键阶段注入自定义逻辑
- `on_pre_search` — 查询预处理（改写向量 / 修改配置 / 提前终止）
- `on_custom_recall` — 替代内置召回（对接外部 FAISS / ScaNN 等高性能模块）
- `on_post_recall` — 召回后处理（业务过滤 / 分数调权）
- `on_pre_graph_expand` — 图扩散前拦截（种子集过滤/增强）
- `on_rerank` — 自定义重排序（外置 Cross-Encoder / ONNX 推理）
- `on_post_search` — 最终后处理（统计埋点 / 回传自定义数据）
- [x] **FFI 动态库插件加载**：`FfiHook` 支持运行时加载 C/C++ `.so/.dll` 插件
- [x] **零开销默认 Hook**：未注册 Hook 时 `NoopHook` 编译器内联消除全部开销
- [x] **Python / Node.js Hook 绑定**：`load_ffi_hook()` / `clear_hook()` / `search_with_context()` 已暴露至上层语言
- [x] **管线计时统计**：`HookContext` 自动记录各阶段耗时
- [x] **Database 模块化重构**：原 1815 行 `database.rs` 拆分为 `mod.rs` / `config.rs` / `pipeline.rs` / `transaction.rs`
### v0.5.2 — 🔒 工程质量强化 + 绑定完善 ✅ (NEW)
- [x] **Python / Node.js Hook 绑定**：`load_ffi_hook()` / `clear_hook()` / `search_with_context()` 全面暴露至上层语言
- [x] **GitHub Actions CI/CD 管线**：跨平台测试（Linux/Windows/macOS） + ASan 内存安全检测 + Clippy/rustfmt 代码质量门禁
- [x] **AddressSanitizer 集成**：nightly + `-Z sanitizer=address` 检测 unsafe 区域的堆溢出、UAF、内存泄漏
- [x] **LibFuzzer 模糊测试**：针对 WAL 解析、Cypher 查询解析、JSON Filter 解析三大模块的持续 fuzzing
- [x] **Filter::from_json()** 统一 JSON→Filter 解析入口，消除 Python/Node 绑定中的重复代码
- [x] **WAL read_entries_from_reader()**：提取可测试的流式解析接口
- [x] **文档全面更新**：新增 Hook 开发指南、安全文档补充 FFI 威胁模型、最佳实践补充 Hook 章节
- [ ] 分布式分片存储 (待定极远期愿景)
- [ ] 数据库可视化 UI 工具 (基于 Web 的监控视图开发中)
- [ ] CLI 工具 (`triviumdb-cli`)
---
## 与现有方案对比
| 维度 | SQLite | Qdrant | Neo4j | SurrealDB | **TriviumDB** |
| ------------- | ------------ | ----------- | ----------- | ------------ | --------------------- |
| 关系型数据 | ✅ SQL | ❌ 仅过滤 | ⚠️ 属性 | ✅ SurrealQL | ✅ JSON + $gt/$in |
| 向量检索 | ❌ 需外挂 | ✅ HNSW | ❌ 需插件 | ✅ ANN | ✅ 自研 BQ 自适应 |
| 图谱遍历 | ❌ JOIN 模拟 | ❌ | ✅ Cypher | ✅ 图查询 | ✅ 原生邻接表 |
| 嵌入式单文件 | ✅ | ❌ 独立服务 | ❌ JVM 服务 | ⚠️ RocksDB | ✅ 单 .tdb |
| 混合检索 | ❌ | ❌ | ❌ | ⚠️ 手动 | ✅ 向量+图扩散 |
| 零 C/C++ 依赖 | ❌ | ✅ | ❌ JVM | ❌ RocksDB | ✅ 纯 Rust |
| 删除代价 | ✅ O(1) | ⚠️ 重建索引 | ⚠️ 重连图边 | ⚠️ 墓碑GC | ✅ 零图维护，墓碑占位 |
---
## 设计哲学
1. **三合一原子性**：一个 `u64` ID 同时映射到向量、Payload、边表。插入原子、删除原子，永不出现 ID 不一致。
2. **嵌入式优先**：没有 Server、没有端口、没有配置文件。`import triviumdb` 就是全部。
3. **全自动性能路由**：数据量不足 2 万时走 100% 精确 BruteForce，超过后引擎后台自动构建 BQ 索引并无缝切换，开发者无感知。
4. **可预测的性能**：顺序 I/O only（WAL 追加写 + Compaction 顺序重写），SSD 寿命安全。
5. **索引即加速层**：BQ 是可丢弃的派生数据，重启后从 .tdb header 零拷贝恢复，不依赖也不污染 WAL 真相源。
6. **Rust 安全边界**：所有公开 API 均为安全代码。内部仅存在少量经过严格审计的 `unsafe`（主要分布在 mmap 零拷贝与 SIMD 硬件加速），且附有明确的 SAFETY 安全契约注释。
---
## 📖 文档
| 文档 | 说明 |
| ----------------------------------------- | ------------------------------------------------ |
| **[API 完整参考](docs/api-reference.md)** | 全部 Python / Node.js / Rust API、参数说明、返回值类型 |
| **[支持特性详解](docs/features.md)** | 架构设计、存储引擎、索引策略、崩溃恢复等技术细节 |
| **[最佳实践](docs/best-practices.md)** | 数据建模范式、性能调优、Hook 使用指南、避坑指南 |
| **[Hook 开发指南](docs/hook-guide.md)** | C/C++ FFI 插件编写、Rust Hook 实现、管线诊断实战 |
| **[安全设计说明](docs/security.md)** | 并发安全、数据完整性、unsafe 审计、FFI 安全边界 |
---
## 学术引用说明
TriviumDB 的认知检索管线借鉴并实现了以下学术成果（均为本项目基于原始论文的独立 Rust 实现，非调用第三方库）：
1. **FISTA** (Fast Iterative Shrinkage-Thresholding Algorithm)：Beck & Teboulle, 2009, _"A Fast Iterative Shrinkage-Thresholding Algorithm for Linear Inverse Problems"_, SIAM J. Imaging Sciences
2. **DPP** (Determinantal Point Process)：Kulesza & Taskar, 2012, _"Determinantal Point Processes for Machine Learning"_, Foundations and Trends in Machine Learning
3. **PPR** (Personalized PageRank)：Haveliwala, 2002, _"Topic-Sensitive PageRank"_, WWW Conference
4. **Spreading Activation**：灵感来源于 Anderson, 1983, _"The Architecture of Cognition"_ 中的扩散激活理论
5. **BM25**：Robertson & Zaragoza, 2009, _"The Probabilistic Relevance Framework: BM25 and Beyond"_
以下为本项目自研的数据结构与算法命名：
- **Parallel Bit-Tag Array**（行级布隆特征阵列）：基于布隆过滤器思想的 JSON 快速过滤机制
- **Reverse Hash Net**（双向哈希边表）：O(1) 反向边查找的哈希索引结构
- **Zero-Ghost Node**：基于 FreeList 的墓碑复用策略，消除删除节点的幽灵引用
- **边特异性强化 / 不应期机制**：自研的图扩散能量调控策略
---
## 许可证
Apache-2.0
**创造者**: [YoKONCy](https://github.com/YoKONCy)
<br/>
## 🌟 Star History
[](https://star-history.com/#YoKONCy/TriviumDB&Date)
<br/>
<div align="center">
<img src="https://capsule-render.vercel.app/api?type=waving&color=1E90FF&height=50§ion=footer" width="100%"/>
</div>
