
Multi-model AI context layer
ฟรีเมียม
SurrealDB คือฐานข้อมูล Multi-model ยุคใหม่ที่ออกแบบมาเพื่อเป็นเลเยอร์บริบทแบบรวมศูนย์สำหรับ AI Agents ต่างจากฐานข้อมูลทั่วไปที่ต้องเลือกระหว่าง Document, Graph หรือ Relational models โดย SurrealDB รองรับทุกรูปแบบเหล่านี้ในตัว รวมถึง Vector search และ Time-series data การรวมโครงสร้างข้อมูลเหล่านี้ไว้ใน Engine เดียวช่วยลดความจำเป็นในการทำ Data synchronization pipelines ที่ซับซ้อนระหว่างฐานข้อมูลที่แยกจากกัน มาพร้อมกับภาษาคิวรีเฉพาะตัวอย่าง SurrealQL ที่รองรับการทำ Join และ Graph traversal ที่ซับซ้อนได้ในคำสั่งเดียว ช่วยลด Latency สำหรับ RAG (Retrieval-Augmented Generation) pipelines และการจัดการ Agentic memory
SurrealDB รวม Document, Graph, Relational และ Vector data models ไว้ใน Engine เดียว ช่วยขจัดปัญหา 'database sprawl' ใน AI stacks ที่นักพัฒนาต้องจัดการฐานข้อมูลแยกกันสำหรับข้อมูลเชิงสัมพันธ์และ Vector embeddings การรวมศูนย์นี้ช่วยให้ทำ ACID-compliant transactions ข้าม Graph relationships และ Vector similarity searches ได้ในคิวรีเดียว เพิ่มความสอดคล้องของข้อมูลและลดความซับซ้อนของสถาปัตยกรรม
Engine รองรับ Vector embeddings ในตัว ช่วยให้ทำ Similarity searches (k-NN) ประสิทธิภาพสูงได้ภายในฐานข้อมูล รองรับ Distance metrics หลากหลาย เช่น Cosine, Euclidean และ Manhattan การเก็บ Vector ไว้พร้อมกับ Metadata และ Graph relationships ช่วยให้ Agent ทำ 'context-aware' retrieval ได้ โดยดึงข้อมูลที่เกี่ยวข้องและข้อมูล Time-series ในคำสั่งเดียว
SurrealQL เป็นภาษาที่ได้รับแรงบันดาลใจจาก SQL ออกแบบมาเพื่อโครงสร้างข้อมูลสมัยใหม่ รองรับ Nested subqueries, Graph traversal (เช่น '->follows->user') และฟังก์ชันจัดการข้อมูลในตัว ต่างจาก SQL มาตรฐานตรงที่ปรับแต่งมาเพื่อข้อมูลแบบ Non-relational ช่วยให้คิวรี JSON documents ที่ซ้อนกันลึกๆ และ Graph edges ได้โดยไม่ต้องทำ Join ที่ซับซ้อนหรือประมวลผลภายนอก ซึ่งสำคัญต่อการตัดสินใจของ Agent แบบ Real-time
รองรับ Live queries ที่ให้ Client สมัครรับการเปลี่ยนแปลงข้อมูลแบบ Real-time ผ่าน WebSockets เมื่อมีการสร้าง อัปเดต หรือลบ Record ฐานข้อมูลจะส่งการเปลี่ยนแปลงไปยัง Client ทันที ซึ่งจำเป็นสำหรับ AI Agents ที่ต้องตอบสนองต่อการเปลี่ยนแปลงของสถานะในสภาพแวดล้อมโดยไม่ต้องทำ Polling หรือใช้ Message brokers ภายนอกอย่าง Kafka
สามารถรันในรูปแบบ Distributed cluster, Single-node server หรือฝังในแอปพลิเคชัน (In-memory หรือ On-disk) ความยืดหยุ่นนี้เหมาะสำหรับทุกอย่างตั้งแต่ Edge-computing AI agents บนอุปกรณ์ท้องถิ่น ไปจนถึง Cloud-native applications ขนาดใหญ่ โดยมี API ที่สอดคล้องกันในทุกโหมดการใช้งาน ช่วยให้นักพัฒนาทำ Prototype ในเครื่องและขยายสู่ Production ได้โดยไม่ต้องเปลี่ยน Codebase
นักพัฒนาใช้ SurrealDB เก็บทั้ง Raw documents และ Vector embeddings เมื่อ Agent คิวรีข้อมูล จะสามารถดึงเอกสารที่ตรงกับ Vector และ Metadata แบบ Graph ที่เกี่ยวข้องได้ในคิวรีเดียว ทำให้ LLM ได้รับบริบทที่สมบูรณ์และมีโครงสร้างมากกว่าการใช้ Vector database ทั่วไป
AI Agents ใช้ SurrealDB เก็บ Episodic memory ระยะยาว โดยใช้ Graph edges เชื่อมโยงปฏิสัมพันธ์ในอดีต ความชอบของผู้ใช้ และบันทึก Time-series ทำให้ Agent สามารถย้อนดูประวัติเพื่อตอบสนองแบบเฉพาะบุคคลโดยอิงจากความสัมพันธ์หลายมิติที่ซับซ้อน แทนที่จะใช้แค่การจับคู่ Keyword
องค์กรสร้าง Dynamic knowledge graphs ที่อัปเดต Entity และความสัมพันธ์แบบ Real-time SurrealDB ช่วยให้คิวรี Entity เหล่านี้ในรูปแบบ Document พร้อมรักษาความสมบูรณ์ของ Graph ทำให้ Agent สามารถนำทางผ่านลำดับชั้นขององค์กรหรือเทคนิคที่ซับซ้อนได้ทันที
ต้องการ Backend ที่แข็งแกร่งเพื่อจัดการ RAG pipelines และ Agent memory โดยต้องการ Vector search ประสิทธิภาพสูงควบคู่กับข้อมูลที่มีโครงสร้างเพื่อส่งข้อมูลที่แม่นยำและมีบริบทครบถ้วนให้ LLM
ต้องการลดความซับซ้อนของ Tech stack โดยแทนที่ฐานข้อมูลเฉพาะทางหลายตัว (เช่น Postgres, Pinecone, Neo4j) ด้วยโซลูชันเดียวที่จัดการข้อมูลทุกประเภทได้อย่างมีประสิทธิภาพ
ต้องการฐานข้อมูลขนาดเล็กที่ฝังตัวได้ (Embeddable) ซึ่งสามารถรันบน Edge devices ได้ในขณะที่ยังคงพลังของ Multi-model database เต็มรูปแบบสำหรับการประมวลผล AI แบบ Offline
Open source (Apache 2.0) โดย SurrealDB Cloud มี Free tier และแผน Pro/Enterprise สำหรับการขยายระบบระดับ Production และการสนับสนุนทางเทคนิค