AkasicDB: Mendemonstrasikan Omni RAG dengan DBMS Vector-Graph-Relational Terpadu

Kerangka eksekusi native yang secara bersama menjalankan pencarian kemiripan vektor, penelusuran graf, dan penyaringan relasional untuk retrieval-augmented generation

Geonho Lee; Jeongho Park; Donghyoung Han; Min-Soo Kim· 2026· DOI 10.48550/arXiv.2608.09214

Masalah inti

Sistem Retrieval-Augmented Generation (RAG) terkini semakin banyak menggabungkan perolehan vektor dengan pengetahuan terstruktur, seperti Graph RAG dan pencarian vektor terfilter. Namun, arsitektur basis data yang ada kesulitan mendukung alur kerja RAG yang kompleks tersebut secara efisien, karena mereka bergantung pada pipeline di luar basis data atau integrasi non-native di dalam basis data, sehingga menimbulkan overhead tinggi. Makalah demo ini menyajikan AkasicDB, sebuah sistem basis data yang secara native mendukung alur kerja RAG tersebut dengan menjalankan pencarian kemiripan vektor, penelusuran graf, dan penyaringan relasional secara bersama dalam satu kerangka eksekusi. AkasicDB memperluas penelitian kami sebelumnya, Chimera, dengan dukungan vektor native untuk memungkinkan eksekusi terpadu tersebut. Berdasarkan AkasicDB, kami mendemonstrasikan integrasi native pertama dari RAG Vector-Graph-Relational, yang kami sebut Omni RAG. Melalui demonstrasi bergaya obrolan interaktif, pengguna menjalankan dan memvisualisasikan kueri Omni RAG, langsung merasakan perolehan dan penalaran yang lebih unggul dibandingkan pendekatan vektor saja, sekaligus mengamati batasan praktis arsitekt

Demonstrasi menunjukkan bahwa AkasicDB mencapai perolehan dan penalaran yang lebih unggul dibandingkan pendekatan vektor saja. Pengguna dapat langsung merasakan manfaat Omni RAG melalui kueri interaktif. Sistem ini juga menyoroti batasan praktis arsitektur basis data yang ada dalam mendukung Omni RAG, seperti overhead tinggi akibat pipeline di luar basis data atau integrasi non-native. Video demonstrasi (https://youtu.be/8d09_dtrEIM) menyediakan panduan visual atas kemampuan sistem. Hasil utama mencakup keberhasilan eksekusi bersama operasi vektor, graf, dan relasional dalam satu kerangka kerja, serta kemampuan memvisualisasikan hasil kueri secara real-time.

Sistem Retrieval-Augmented Generation (RAG) terkini semakin banyak menggabungkan perolehan vektor dengan pengetahuan terstruktur, seperti Graph RAG dan pencarian vektor terfilter. Namun, arsitektur basis data yang ada kesulitan mendukung alur kerja RAG yang kompleks tersebut secara efisien, karena mereka bergantung pada pipeline di luar basis data atau integrasi non-native di dalam basis data, sehingga menimbulkan overhead tinggi. Makalah demo ini menyajikan AkasicDB, sebuah sistem basis data yang secara native mendukung alur kerja RAG tersebut dengan menjalankan pencarian kemiripan vektor, penelusuran graf, dan penyaringan relasional secara bersama dalam satu kerangka eksekusi. AkasicDB memperluas penelitian kami sebelumnya, Chimera, dengan dukungan vektor native untuk memungkinkan eksekusi terpadu tersebut. Berdasarkan AkasicDB, kami mendemonstrasikan integrasi native pertama dari RAG Vector-Graph-Relational, yang kami sebut Omni RAG. Melalui demonstrasi bergaya obrolan interaktif, pengguna menjalankan dan memvisualisasikan kueri Omni RAG, langsung merasakan perolehan dan penalaran yang lebih unggul dibandingkan pendekatan vektor saja, sekaligus mengamati batasan praktis arsitektur basis data yang ada dalam mendukung Omni RAG. Video demonstrasi tersedia di https://youtu.be/8d09_dtrEIM.

AkasicDB memperluas sistem Chimera dengan memasukkan dukungan vektor native ke dalam kerangka eksekusi terpadu. Metodologi intinya melibatkan eksekusi bersama tiga jenis operasi: pencarian kemiripan vektor, penelusuran graf, dan penyaringan relasional. Hal ini dicapai melalui satu mesin eksekusi yang menghindari pipeline di luar basis data atau integrasi non-native di dalam basis data, sehingga mengurangi overhead. Sistem ini dirancang untuk mendukung Omni RAG, yang mengintegrasikan data vektor, graf, dan relasional secara native. Demonstrasi menggunakan antarmuka bergaya obrolan interaktif tempat pengguna dapat menjalankan dan memvisualisasikan kueri Omni RAG. Arsitekturnya dapat direpresentasikan sebagai berikut:

Makalah ini membahas tantangan arsitektur basis data yang ada dalam mendukung alur kerja RAG yang kompleks. Dengan mengintegrasikan operasi vektor, graf, dan relasional secara native, AkasicDB mengatasi tantangan tersebut dan memungkinkan Omni RAG yang efisien. Penulis berargumen bahwa pendekatan terpadu ini penting bagi sistem RAG lanjutan yang memerlukan pengetahuan terstruktur. Demonstrasi ini berfungsi sebagai proof-of-concept untuk integrasi native pertama dari RAG Vector-Graph-Relational. Pekerjaan selanjutnya dapat mencakup optimasi lebih lanjut dan perluasan ke model data lain. Desain sistem ini menekankan pentingnya menghindari pipeline di luar basis data untuk mengurangi overhead dan meningkatkan kinerja. Demonstrasi bergaya obrolan interaktif memungkinkan pengguna mengamati secara langsung keunggulan Omni RAG dibandingkan pendekatan vektor saja.

Praktisi dan peneliti ilmu komputer

Membuka konten member…