FalkorDB
FalkorDB 是一款专为生成式 AI 打造的超高性能图数据库,旨在成为大语言模型(LLM)的理想知识图谱底座。它主要解决了传统数据库在处理复杂关联数据时延迟高、效率低的问题,特别适用于需要快速检索记忆的智能体、云安全分析及欺诈检测等场景。
这款工具非常适合后端开发者、AI 工程师及数据研究人员使用,尤其是那些正在构建 GraphRAG(基于图谱的检索增强生成)应用或需要管理大规模多租户数据的团队。FalkorDB 的核心技术亮点在于其独特的底层架构:它是首个利用稀疏矩阵来表示图邻接矩阵的可查询属性图数据库。通过引入 GraphBLAS 标准,它将图查询转化为线性代数运算,从而在存储优化和计算速度上实现了显著突破。此外,FalkorDB 完美兼容 OpenCypher 查询语言并支持丰富的属性图模型,让开发者能够无缝迁移现有技能,轻松构建低延迟、高效率的知识图谱应用。
使用场景
某金融科技公司正在构建基于大语言模型(LLM)的实时反欺诈系统,需要快速分析复杂的资金流转网络以识别可疑交易团伙。
没有 FalkorDB 时
- 查询延迟过高:传统图数据库在处理亿级节点和边的稀疏数据时,遍历多层关系耗时数秒,无法满足实时拦截需求。
- 资源消耗巨大:稠密矩阵存储方式导致大量内存浪费在零值上,硬件成本随数据量线性激增。
- 上下文检索受限:LLM 在进行 GraphRAG(图增强生成)时,因无法快速获取深层关联信息,导致生成的风险分析报告缺乏关键证据链。
- 并发能力不足:在多租户环境下,复杂图查询容易阻塞线程,难以支撑高并发的交易监控场景。
使用 FalkorDB 后
- 毫秒级响应:利用底层 GraphBLAS 稀疏矩阵技术,将多跳关系查询速度提升至毫秒级,实现交易瞬间判定。
- 存储效率倍增:仅存储非零邻接元素,大幅降低内存占用,使同等硬件下可容纳的数据规模扩大数倍。
- 精准知识增强:凭借线性代数查询的高效性,LLM 能即时获取完整的资金链路图谱,显著提升了欺诈识别的准确率。
- 高并发稳定运行:超高性能架构轻松应对多租户并发请求,确保在交易高峰期系统依然稳定流畅。
FalkorDB 通过稀疏矩阵与线性代数查询的革命性结合,为 LLM 提供了超低延迟的知识图谱底座,让实时反欺诈从理论走向落地。
运行环境要求
- Linux (Ubuntu
- Alpine)
- macOS
未说明
未说明

快速开始

独特特性
我们的目标是构建一款专为大型语言模型(LLMs)量身定制的高性能知识图谱,优先考虑极低的延迟,以确保通过我们的图数据库快速高效地传递信息。
🆕 FalkorDB 是首个可查询的属性图数据库,利用稀疏矩阵来表示图中的邻接矩阵以及使用线性代数进行查询。
核心特性
稀疏矩阵表示:采用稀疏矩阵来表示邻接矩阵,优化存储和性能。
线性代数查询:运用线性代数执行查询,提升计算效率。
符合属性图模型:支持带有属性的节点和关系,遵循属性图模型。
OpenCypher支持:兼容OpenCypher查询语言,包括专有扩展,以实现高级查询功能。
欢迎访问演示,了解FalkorDB的实际应用。
文档
社区与支持
讨论区:加入我们在GitHub Discussions上的社区讨论,提问、分享想法并与其他用户交流。
贡献:我们欢迎各位的贡献!详情请参阅我们的贡献指南。
许可证:本项目采用服务器端公共许可证v1(SSPLv1)。详细信息请参阅LICENSE文件。
开始使用
步骤1
要快速试用FalkorDB,请使用Docker启动一个实例:
docker run -p 6379:6379 -p 3000:3000 -it --rm -v ./data:/var/lib/falkordb/data falkordb/falkordb
步骤2
然后打开浏览器,访问 http://localhost:3000。
您也可以使用任何支持的客户端库与FalkorDB交互。
MotoGP联赛示例
在本示例中,我们将使用FalkorDB Python客户端创建一个小型图,用于表示参加MotoGP联赛的部分摩托车车手和车队。创建图后,我们将查询数据以探索其结构和关系。
from falkordb import FalkorDB
# 连接到FalkorDB
db = FalkorDB(host='localhost', port=6379)
# 创建'MotoGP'图
g = db.select_graph('MotoGP')
g.query("""CREATE (:Rider {name:'Valentino Rossi'})-[:rides]->(:Team {name:'Yamaha'}),
(:Rider {name:'Dani Pedrosa'})-[:rides]->(:Team {name:'Honda'}),
(:Rider {name:'Andrea Dovizioso'})-[:rides]->(:Team {name:'Ducati'})""")
# 查询哪位车手代表雅马哈?
res = g.query("""MATCH (r:Rider)-[:rides]->(t:Team)
WHERE t.name = 'Yamaha'
RETURN r.name""")
for row in res.result_set:
print(row[0])
# 输出: “Valentino Rossi”
# 查询有多少位车手代表杜卡迪车队?
res = g.query("""MATCH (r:Rider)-[:rides]->(t:Team {name:'Ducati'})
RETURN count(r)""")
print(res.result_set[0][0])
# 输出: 1
开始构建
编译
请确保完成以下要求:
1️⃣ 克隆FalkorDB仓库:git clone --recurse-submodules -j8 https://github.com/FalkorDB/FalkorDB.git
- Ubuntu系统:运行
apt-get install build-essential cmake m4 automake peg libtool autoconf python3 python3-pip - Alpine系统:运行
apk add build-base cmake m4 automake libtool autoconf python3 py3-pip peg git libgomp openssl-dev - OS X系统:确认已安装
homebrew,并运行brew install cmake m4 automake peg libtool autoconf。- OS X工具链自带的Clang版本不支持OpenMP,而这是FalkorDB的要求。一种解决方法是运行
brew install gcc g++,并按照屏幕提示更新符号链接。请注意,这将影响整个系统——如果无法全局更改,也可以设置CC和CXX环境变量。
- OS X工具链自带的Clang版本不支持OpenMP,而这是FalkorDB的要求。一种解决方法是运行
2️⃣ 在项目目录下运行 make 进行编译。
恭喜!编译后的二进制文件位于 bin/<arch>/src/falkordb.so。
运行测试
首先,从 tests 目录运行 pip install -r requirements.txt 来安装所需的 Python 包。
注意:如果
redis-server已在 PATH 中,只需执行make test。否则,请执行REDIS_SERVER=<redis-server-location> make test。若需更详细的输出,可运行make test V=1。
在 Docker 中构建
FalkorDB 的构建系统在 Docker 容器中运行。有关详细构建说明,请参阅此处。
将 FalkorDB 加载到 Redis 中
FalkorDB 由 Redis 托管,因此您需要先将其作为模块加载到 Redis 服务器中。
注意:最新版本的 FalkorDB 需要 Redis 7.4。
💡 我们建议在启动时让 Redis 自动加载 FalkorDB,方法是将以下内容添加到您的 redis.conf 文件中:
loadmodule /path/to/module/src/falkordb.so
在上述行中,请将 /path/to/module/src/falkordb.so 替换为 FalkorDB 库的实际路径。
如果 Redis 以服务形式运行,您必须确保 redis 用户(默认)具有访问 falkordb.so 所需的文件/文件夹权限。
或者,您也可以使用以下命令行参数语法让 Redis 加载 FalkorDB:
~/$ redis-server --loadmodule /path/to/module/src/falkordb.so
最后,您还可以使用 MODULE LOAD 命令。不过请注意,MODULE LOAD 是一个危险的命令,出于安全考虑,未来可能会被阻止或弃用。
成功加载 FalkorDB 后,您的 Redis 日志应显示类似以下内容的行:
...
30707:M 20 Jun 02:08:12.314 * Module 'graph' loaded from <redacted>/src/falkordb.so
...
如果服务器无法启动,并出现类似以下的错误信息:
# Module /usr/lib/redis/modules/falkordb.so failed to load: libgomp.so.1: cannot open shared object file: No such file or directory
# Can't load module from /usr/lib/redis/modules/falkordb.so: server aborting
则表明系统缺少 OpenMP 运行时依赖项。您可以在 Ubuntu 上通过 apt-get install libgomp1、在 RHEL/CentOS 上通过 yum install libgomp、以及在 OSX 上通过 brew install libomp 来安装它。
使用 FalkorDB
您可以从任何 Redis 客户端调用 FalkorDB 的命令。以下是几种方法:
使用 redis-cli
$ redis-cli
127.0.0.1:6379> GRAPH.QUERY social "CREATE (:person {name: 'roi', age: 33, gender: 'male', status: 'married'})"
使用其他客户端
您可以通过客户端发送原始 Redis 命令来与 FalkorDB 交互。
注意:具体操作方式可能因所使用的客户端而异。
示例:使用 Python 客户端与 FalkorDB 交互
以下代码片段展示了如何使用 falkordb-py 从 Python 中使用 FalkorDB:
from falkordb import FalkorDB
# 连接到 FalkorDB
db = FalkorDB(host='localhost', port=6379)
# 选择社交图谱
g = db.select_graph('social')
reply = g.query("CREATE (:person {name:'roi', age:33, gender:'male', status:'married'})")
客户端库
注意:部分语言拥有支持 FalkorDB 命令的客户端库:
官方客户端
| 项目 | 语言 | 许可证 | 作者 | 星数 | 包管理器 | 备注 |
|---|---|---|---|---|---|---|
| jfalkordb | Java | BSD | FalkorDB | Maven | ||
| falkordb-py | Python | MIT | FalkorDB | pypi | ||
| falkordb-ts | Node.JS | MIT | FalkorDB | npm | ||
| falkordb-rs | Rust | MIT | FalkorDB | Crate | ||
| falkordb-go | Go | BSD | FalkorDB | GitHub | ||
| NFalkorDB | C# | Apache-2.0 | FalkorDB | nuget |
其他客户端
| 项目 | 语言 | 许可证 | 作者 | 星标 | 包管理器 | 备注 |
|---|---|---|---|---|---|---|
| nredisstack | .NET | MIT | Redis | nuget | ||
| redisgraph-rb | Ruby | BSD | Redis | GitHub | ||
| redgraph | Ruby | MIT | pzac | GitHub | ||
| redisgraph-go | Go | BSD | Redis | GitHub | ||
| rueidis | Go | Apache 2.0 | Rueian | GitHub | ||
| [ioredisgraph][ioredisgraph-url] | JavaScript | ISC | [Jonah][ioredisgraph-author] | [![ioredisgraph-stars]][ioredisgraph-url] | [GitHub][ioredisgraph-url] | |
| @hydre/rgraph | JavaScript | MIT | Sceat | GitHub | ||
| [php-redis-graph][php-redis-graph-url] | PHP | MIT | [KJDev][php-redis-graph-author] | [![php-redis-graph-stars]][php-redis-graph-url] | [GitHub][php-redis-graph-url] | |
| [redisgraph_php][redisgraph_php-url] | PHP | MIT | [jpbourbon][redisgraph_php-author] | [![redisgraph_php-stars]][redisgraph_php-url] | [GitHub][redisgraph_php-url] | |
| [redisgraph-ex][redisgraph-ex-url] | Elixir | MIT | [crflynn][redisgraph-ex-author] | [![redisgraph-ex-stars]][redisgraph-ex-url] | [GitHub][redisgraph-ex-url] | |
| [redisgraph-rs][redisgraph-rs-url] | Rust | MIT | [malte-v][redisgraph-rs-author] | [![redisgraph-rs-stars]][redisgraph-rs-url] | [GitHub][redisgraph-rs-url] | |
| [redis_graph][redis_graph-url] | Rust | BSD | [tompro][redis_graph-author] | [![redis_graph-stars]][redis_graph-url] | [GitHub][redis_graph-url] | |
| [rustis][rustis-url] | Rust | MIT | [Dahomey Technologies][rustis-author] | [![rustis-stars]][rustis-url] | Crate | 文档 |
| [NRedisGraph][NRedisGraph-url] | C# | BSD | [tombatron][NRedisGraph-author] | [![NRedisGraph-stars]][NRedisGraph-url] | [GitHub][NRedisGraph-url] | |
| [RedisGraph.jl][RedisGraph.jl-url] | Julia | MIT | [xyxel][RedisGraph.jl-author] | [![RedisGraph.jl-stars]][RedisGraph.jl-url] | [GitHub][RedisGraph.jl-url] |
许可证
根据服务器端公共许可证 v1 (SSPLv1) 授权。请参阅 LICENSE。
支持我们的工作
⭐️ 如果您觉得这个仓库很有帮助,请考虑给它点个赞!
↗️ 图、图数据库、RAG、graphrag、检索增强生成、信息检索、自然语言处理、大语言模型、嵌入、语义搜索
版本历史
v4.18.12026/04/12v4.18.02026/04/07v4.16.92026/04/03v4.16.82026/03/31v4.16.72026/03/13v4.16.62026/03/08v4.16.52026/02/26v4.16.42026/02/26v4.16.32026/02/06v4.16.22026/02/03v4.16.12026/02/01v4.14.122026/01/25v4.16.02025/12/30v4.14.112025/12/29v4.14.102025/12/17v4.14.92025/12/11v4.14.82025/11/24v4.14.72025/11/18v4.14.62025/11/11v4.14.52025/11/04常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
