📱VectorVFS.

VectorVFS — это векторная база данных, встроенная прямо в файловую систему Linux.
Никаких серверов, внешних индексов или баз данных — векторные эмбеддинги хранятся как xattr (расширенные атрибуты) каждого файла.

🔍Хочешь искать файлы по смыслу, а не имени?

✅VectorVFS превращает каталоги в семантически индексируемое хранилище. Просто добавь эмбеддинги — и ищи по векторному сходству.

🔹Под капотом:

🔘Использует Perception Encoders от Meta (лучше InternVL3, Qwen2.5VL, SigLIP2 в zero-shot задачах).

🔘Поддерживает любые эмбеддеры: кастомные, pretrained, визуальные и текстовые.

🔘Работает без фоновых процессов, индексаторов и баз — всё на базе VFS/Linux.

⚡️Преимущества:

🔘Нулевая избыточность: всё в xattrs.

🔘Быстрый поиск по эмбеддингам.

🔘Минимализм: 0 демонов, 0 баз, 100% Linux.

#VectorVFS #VFS #LinuxTools #Embeddings #SemanticSearch #AItools #PythonTools #ZeroOverhead #PerceptionEncoder #OpenSource

📱Ссылка на репозиторий:
https://github.com/perone/vectorvfs

📱CogDB.

CogDB - это встраиваемая (embedded) персистентная графовая база данных для Python, работающая прямо внутри процесса вашего приложения без необходимости поднимать отдельный сервер.

Вся база хранится локально на диске, не требует сложной инфраструктуры и легко запускается как в обычных бэкенд-скриптах, так и в интерактивных блокнотах Jupyter или Google Colab.

🔹Главные особенности:

🔘Модель триплстора (Triple Store): Данные моделируются в виде понятных троек «Узел → Связь → Узел» (alice → follows → bob), что дает выразительность графа при простоте key-value хранилища.

🔘Нативный язык запросов Torque: Забудьте о громоздких строках на Cypher или SPARQL. Запросы пишутся через понятный чейнинг методов прямо на чистом Python: g.v("alice").out("follows").all().

🔘Векторные эмбеддинги и семантический поиск: Поддерживает загрузку векторов (GloVe, Word2Vec) и быстрый поиск ближайших соседей (k-NN) на базе SIMD-оптимизированной библиотеки SimSIMD. Можно комбинировать обход графа с фильтрацией по косинусному сходству.

🔘Интерактивная визуализация: Метод g.v().out().show() на лету генерирует интерактивный 2D-граф прямо в браузере или ячейке блокнота.

🔘Поддержка JSON и RDF: Умеет индексировать сырые JSON-документы (putj), загружать CSV-таблицы и читать RDF-дампы в формате N-Triples.

🔘Опциональный HTTP-сервер: Если локального режима мало, граф можно расшарить по сети вызовом g.serve(port=8080) и опрашивать удаленно из другого микросервиса.

🔻Пример использования:

from cog.torque import Graph

# Создаем персистентный граф
g = Graph("social")

# Добавляем связи и свойства
g.put("alice", "follows", "bob")
g.put("bob", "follows", "charlie")
g.put("bob", "status", "active")

# Графовые запросы:
# Кто подписан на тех, на кого подписана Алиса?
result = g.v("alice").out("follows").out("follows").all()
print(result)
# -> {'result': [{'id': 'charlie'}]}

# Поиск с фильтрацией по свойствам
active_users = g.v().has("status", "active").all()

📦Установка:

pip install cogdb

#Python #CogDB #GraphDatabase #NoSQL #Embeddings #DataScience #Jupyter #OpenSource #DevTools #Database

📱Ссылка на репозиторий:
https://github.com/arun1729/cog