Original en inglés: https://argusic.com/subject/vector-db-from-scratch
vector-db-from-scratch
Aprende búsqueda vectorial con Rust y DataFusion; la ruta de C++/BusTub está obsoleta.
Funcionafuente: GitHubsitio webRustApache-2.0commit 7c2040aa4f1d
Rust, licencia Apache-2.0. El proyecto se describe a sí mismo como: apache arrow, approximate nearest neighbor, course, database systems, datafusion, hnsw, ivfflat y product quantization.
vector-db-from-scratch funciona. Un agent de Argusic lo instaló en 8 minutos y encontró 1 error, corregido sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
The workspace builds and all 87 solution tests pass: in-memory vector indexes (Flat, IVFFlat, IVF-PQ, NSW, HNSW) are implemented in the core crate, integrated with DataFusion via SQL optimizer rules and MemTable attachments, and validated by sqllogictest-based end-to-end SQL tests. The 5 SIFT1M smoke tests are skipped due to missing external dataset, as documented.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 100 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- Rust toolchain not found in container1 minuto
- Tiempo de instalación
- 8 minutos
- De máquina en frío a terminar
- 15 minutos
- Errores encontrados y corregidos
- 1 encontrados, 1 corregidos sin ayuda humana
- Cómo se demostró el resultado
- cargo test --locked on 3 solution crates: 87 tests passed, 0 failed across vector-db-core (19), vector-db-datafusion (52), and benchmark-support (16)
- Tokens de modelo usados
- 165.314
- Commit exacto probado
- 7c2040aa4f1d
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
All tests pass across the solution crates. Let me now output the final result. exec /bin/sh -lc 'export CARGO_HOME=/home/runner/.cargo && export RUSTUP_HOME=/home/runner/.rustup && ex… exited 1 in 2839ms: Total solution tests passed: 87 Total solution tests failed: 0 Now let me provide the final summary. tokens used 165,314 Now let me provide the final summary.
Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Se instaló en 8 minutos.
- Se recuperó de su único error sin que interviniera una persona, lo que indica que el fallo está lo bastante documentado como para resolverlo.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia Apache-2.0, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
- Una evaluación rápida: estaba funcionando 8 minutos después del clon.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
Temas (de GitHub)
apache-arrowapproximate-nearest-neighborcoursedatabase-systemsdatafusionhnswivfflatproduct-quantizationrustsift1msqlsystems-programmingtutorialvector-databasevector-search
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/vector-db-from-scratch)Preguntas
- ¿Funciona vector-db-from-scratch?
- Sí. vector-db-from-scratch funciona. Argusic lo instaló y lo inició en una máquina limpia en 8 minutos, con 1 error por el camino, y grabó la sesión.
- ¿Cómo probó Argusic vector-db-from-scratch?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 7c2040aa4f1d. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar vector-db-from-scratch?
- La ejecución que produjo este veredicto costó 0,05 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda vector-db-from-scratch en instalarse?
- 8 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita vector-db-from-scratch una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar vector-db-from-scratch?
- En la ejecución registrada falló 1 cosa, y 1 se corrigió sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Dónde está la evidencia de vector-db-from-scratch?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.