
Speicherschonende graphdb mit Bolt+tls-Unterstützung, Verschlüsselung im Ruhezustand und Vektoren, entwickelt für lokale Replikat-Graph-Anwendungsfälle.
Aktuelle Version: v0.25.4 — alle Releases.
In einer Zeile: Slater liefert Graphen, die nicht in den Speicher passen — Hunderte Millionen Knoten und Milliarden Kanten in wenigen hundert MB RAM — über Standard-Bolt, sodass jeder neo4j-Treiber einfach funktioniert, mit disk-nativer Vektorsuche direkt neben dem Graphen, und es nimmt Live-, dauerhafte Schreibvorgänge an, ohne das aufzugeben. Der residente Speicher wird durch ein von dir gewähltes Cache-Budget bestimmt, nicht durch die Größe des Graphen.
Abkürzungen
Eine Graphdatenbank speichert Daten als Dinge (Knoten) und die Beziehungen zwischen ihnen (Kanten), wobei die Beziehungen erstklassige Bürger sind. Das ist genau das, was du willst, wenn deine Fragen Verbindungen statt Zeilen betreffen — „Wer ist innerhalb von drei Hops von diesem Konto entfernt?", „Was ist die vollständige Abhängigkeitskette hinter diesem Build?", „Welche Konten teilen sich ein Gerät, eine Adresse und eine Karte?" — die Abfragen, die in SQL zu einem Sumpf aus rekursiven Joins werden, aber in einem Graphen ganz natürlich fallen.
Die häufigste Beschwerde über Graphdatenbanken ist, dass sie nicht über das hinaus skalieren, was man im RAM halten kann. Viele von ihnen (z. B. neo4j, Memgraph, FalkorDB usw.) halten den gesamten Graphen resident: Ein 40 GB großer Graph will 40 GB Speicher — pro Instanz. Willst du ein Replikat pro Region, pro Mandant oder pro Pod? Multipliziere die Rechnung. Und ab einer bestimmten Größe lassen sie sich einfach nicht mehr laden: z. B. braucht der Wikidata-Graph mit 90 Millionen Knoten / 1,5 Mrd. Kanten ~64–128 GiB resident, sodass die In-Memory-Engines ihn gar nicht öffnen können.
Slater ist der Gegenbeweis. Statt den Graphen in den Speicher zu laden, kompiliert es ihn einmal, offline: slater-build verwandelt deine Daten in ein content-adressiertes, unveränderliches On-Disk-Image, und beliebig viele Slater-Server liefern dieses Image dann über Bolt aus (sodass deine bestehenden neo4j-Treiber einfach funktionieren), wobei Blöcke bei Bedarf eingelagert werden und nur ein festes Cache-Budget resident bleibt. So wird derselbe 90M-Knoten-Graph aus wenigen hundert MB RAM bedient — Graphgröße und Speicherrechnung sind entkoppelt. Ein 4 GB großer Graph und ein 400 GB großer Graph kosten denselben RAM zum Ausliefern, sodass du günstige, zustandslose Lese-Replikate ausrollst und den Graphen im Store statt im Heap hältst.
Das macht es zu einem natürlichen Fit für Knowledge Graphs hinter RAG, Empfehlungs- und Identitätsgraphen, Abhängigkeitsgraphen — alles Große und Verbundene, das du günstig und häufig abfragen willst. Disk-native Vektorsuche liegt direkt neben dem Graphen, sodass dieselbe Engine auch die Retrieval-Schicht für Embeddings ist.
Einmal kompiliert heißt aber nicht eingefroren. Dieses Image ist eine Basis, kein Endzustand: Eine optionale Schreibebene liegt darüber, sodass ein Live-Graph korrigiert und erweitert werden kann, ohne irgendetwas neu zu bauen.
Der Kern ist unveränderlich; der Graph nicht. Aktiviere die beschreibbare Ebene (delta.enabled) und du schreibst über Bolt — korrigiere eine Eigenschaft, füge einen Knoten hinzu, ziehe eine Kante zurück — und die Änderung wird dauerhaft gespeichert, ohne dass das Image neu aufgebaut werden muss. Was es auf der Leseseite günstig hält, ist wo die Schreibvorgänge liegen.
Schreibvorgänge sammeln sich in einer log-structured-merge (LSM)-Ebene über dem unveränderlichen Kern: ein Write-Ahead-Log und eine In-Memory-Tabelle, die in unveränderliche Delta-Segmente überlaufen und durch eine periodische Konsolidierung in einen frischen Kern zurückgefaltet werden. Was dir das bringt:
count(*), die Label- und Beziehungstyp-Randverteilungen — bleiben Metadaten-Lesezugriffe, selbst wenn Schreibvorgänge ausstehen: Das Delta führt seine eigenen Zähler, sodass ein count(*) über einen Kern mit 91,6 Mio. Knoten und einer halben Million ausstehender Schreibvorgänge immer noch in Zehntelmillisekunden antwortet, ohne einen einzigen Block zu berühren.SUCCESS erst nach dem fsync zurück, das den Schreibvorgang abdeckt. Fasse deine Schreibvorgänge zusammen und sie sind günstig — ein schreibendes UNWIND committet ein fsync pro Batch statt pro Zeile.MERGE / MATCH … SET / DELETE (sowie CREATE / REMOVE, Detach-Delete, Beziehungsschreibvorgänge), adressiert über die Identitätseigenschaft eines Knotens — oder die entsprechenden datenmodifizierenden ISO-GQL-Anweisungen (INSERT / SET / REMOVE / DELETE), die auf denselben Pfad abgebildet werden. Korrigieren, Einfügen, Upsert und Zurückziehen, über Knoten und Kanten, adressiert so, wie deine Daten bereits sind.Mit deaktivierter Ebene — dem Standard — liefert Slater den reinen unveränderlichen Kern aus und verweigert Schreibvorgänge. Siehe Die beschreibbare Ebene für das vollständige Modell.
Zum Namen. Slater ist nach dem CIA-Agenten in Archer (eine großartige Serie) benannt, der darauf besteht, nur mit einem einzigen Namen angesprochen zu werden — „Just… Slater" — und einer meiner Lieblingsfiguren darin ist. Siehe die Charakter-Wiki-Seite.