Эта новая графовая БД в 496 раз быстрее Neo4j!

Давайте разберем почему:

Классическая графовая БД хранит две вещи: узлы (entities) и ребра (relationships между ними).

Когда вы делаете запрос в классическую графовую БД, она делает обход через pointer chasing:

→ стартуем с узла
→ переходим по указателю к связанному узлу
→ еще один указатель
→ и так далее

Это по своей природе последовательный процесс. Один hop за раз. И по мере роста графа это становится болезненно медленным.

FalkorDB задает другой вопрос:

А что если представить весь граф как матрицу?

Как это работает:

Представьте обычную таблицу. Строки — source nodes, колонки — destination nodes.

Если Mary подписана на Bob, ставим в позицию [Mary, Bob] = 1.

Все. Весь граф теперь это матрица из 1 и 0.

Назовем ее матрицей Follows (F).

Дальше интереснее:

Хотите узнать на кого подписаны друзья Mary? В классической графовой БД вам нужно сделать два перехода: Mary → друзья → друзья друзей.

Но с матрицами вы просто умножаете матрицу Follows саму на себя: F × F = F².

Это одна операция — и готово!

А более сложный паттерн вида “A follows B, B likes C” превращается в: Follows × Likes.

То есть traversal можно выразить через математику.

Почему это важно:

- матричные операции оптимизируются уже больше 50 лет
- современное железо (CPU/GPU) заточено под матрицы
- операции выполняются параллельно (pointer chasing не может)

Плюс есть еще несколько оптимизаций (например sparse matrices, реализация на C и т.д.), и все это делает FalkorDB в 496 раз быстрее Neo4j.

График на фото это хорошо показывает.

Классические графовые БД идут через Cypher QL → Pointer-Based Traversal, а FalkorDB использует Matrix-Aware Planner, который превращает запросы в матричные операции.

FalkorDB полностью строится на этом принципе:

- нативный модуль Redis (in-memory и очень быстрый)
- использует GraphBLAS для sparse matrix вычислений
- автоматически транслирует Cypher-запросы в матрическую алгебру

Это важная тема для AI-приложений, потому что…

Современным AI-агентам и RAG-системам нужно обходить сложные связи в реальном времени. Когда агент делает reasoning через knowledge graph, связывая пользователей, действия и результаты — каждая миллисекунда задержки складывается.

Vector DBs ловят семантическую близость. Но они не держат явных связей.

Knowledge graphs закрывают эту дыру.

И когда вашему агенту нужно делать multi-hop reasoning по тысячам связанных сущностей, матричный traversal упрощает масштабирование AI-приложения без проблем с задержками.

FalkorDB полностью open-source, вы можете посмотреть реализацию на GitHub и попробовать сами.

Ссылка на GitHub-репозиторий

👉 @PythonPortal