LinkingMem - v0.3.0

LinkingMem 是一款基于 Rust 和 Python 构建的高性能图原生 RAG 引擎，将向量搜索、图遍历与 LLM 推理统一在单一系统中。它通过紧密集成的流水线（查询→嵌入→HNSW检索→图扩展（BFS）→排序→LLM回答），实现快速的多跳推理和高效内存使用，具备生产级可扩展性。

核心功能

LinkingMem 的核心在于其独特的“向量+图”双模架构。用户输入查询后，系统首先通过 HNSW 算法进行高效向量检索，快速定位相关节点；随后自动触发图扩展（BFS），沿着实体关系进行多跳遍历，挖掘深层上下文；最后结合排序算法与 LLM 生成精准答案。整个过程在单一引擎内完成，无需数据搬运。

主要特性

• 统一流水线：向量搜索与图遍历无缝衔接，减少延迟与系统复杂度。
• 多跳推理：支持基于图结构的复杂关系推理，超越传统 RAG 的单跳限制。
• 高效内存管理：利用 Rust 的零成本抽象和 Python 的灵活性，优化内存占用。
• 生产就绪：提供可扩展的架构，支持大规模知识图谱与实时查询。
• 灵活集成：提供简洁的 Python API，便于嵌入现有 AI 应用。

适用场景

LinkingMem 特别适合需要深度知识推理的场景，如企业知识库问答、法律文档分析、科研文献挖掘、智能客服系统等。它能够处理多跳关系问题（例如“A 公司收购了 B 公司，B 公司的 CEO 是谁？”），在保持低延迟的同时提供可解释的推理路径。