Apache HugeGraph 介绍

什么是 Apache HugeGraph？

Apache HugeGraph 是一套易用、高效、通用的开源全栈图系统（GitHub），覆盖图数据库（OLTP 实时查询）、图计算（OLAP 大规模分析）与图 AI（GraphRAG / 图机器学习）三大领域。

HugeGraph 支持百亿以上的顶点和边的快速存储与查询，具备出色的 OLTP 性能。其图引擎兼容 Apache TinkerPop 3 框架，同时支持 Gremlin 和 Cypher（OpenCypher 标准）查询语言。

典型应用场景： 深度关系探索、关联分析、路径搜索、特征抽取、社区检测、知识图谱等。
适用领域： 网络安全、电信反欺诈、金融风控、广告推荐、社交网络、智能问答等。

生态系统全景

┌────────────────────────────────────────────────────────────────────┐
│            Apache HugeGraph - Full-Stack Graph System             │
├──────────────────┬────────────────────┬────────────────────────────┤
│  Graph DB (OLTP) │    Graph Compute   │          Graph AI          │
│  HugeGraph       │  Vermeer (Memory)  │       HugeGraph-AI         │
│  Server          │  Computer (Dist.)  │     GraphRAG / GNN / Py    │
├──────────────────┴────────────────────┴────────────────────────────┤
│                       HugeGraph Toolchain                          │
│ Hubble | Loader | Client (Java/Go/Python; Rust WIP) | Spark | Tools│
│ SeaTunnel 3.0+: Source + Sink                                      │
└────────────────────────────────────────────────────────────────────┘

HugeGraph Server（OLTP 图引擎）

HugeGraph Server 是图数据库的 OLTP 引擎和服务入口，负责属性图建模、事务处理、查询执行和 API 接入。图数据实际保存在配置的 RocksDB、HStore 或 HBase 后端中。

• 属性图与 Schema：支持 VertexLabel、EdgeLabel、PropertyKey 和 IndexLabel 管理
• 查询语言：支持 Gremlin（TinkerPop 3）和 Cypher（OpenCypher）
• REST API：提供 Schema、图数据、查询、任务和运维接口
• 索引与查询：支持精确查询、范围查询和复合条件查询
• 存储后端：1.7.0 至 master 主要支持 RocksDB（单机）、HStore（分布式）和 HBase

主要模块包括 hugegraph-core、存储后端模块和 hugegraph-api。Core 实现图模型、事务和查询逻辑，后端模块负责连接具体存储系统，API 模块负责 HTTP 接入。当前 REST 资源路径包含图空间与图名称，例如：

/graphspaces/{graphspace}/graphs/{graph}

单机部署通常使用 RocksDB。分布式部署使用 HStore，由 PD 管理集群元数据和分区调度，Store 保存图数据及其副本。HBase 可作为独立的后端存储。

• Server 快速开始
• PD 快速开始
• HStore 快速开始
• REST API

HugeGraph Toolchain

HugeGraph Toolchain 提供客户端、数据导入、可视化管理、Spark 集成和命令行运维工具，覆盖图应用从接入数据到日常管理的主要环节。

图计算引擎（OLAP）

HugeGraph-Computer 仓库提供两种互补的 OLAP 图计算引擎：

• Vermeer：使用 Go 编写，采用 master-worker 架构，以内存计算为主，提供 REST API、gRPC 和 Web UI，适合快速执行中小规模图分析任务。
• Computer：使用 Java 编写，实现 BSP/Pregel 分布式计算模型，可运行在 Kubernetes、YARN 或本地进程中。数据超过内存阈值时可以落盘，适合更大规模的图计算任务。

两者都可以读取 HugeGraph 数据，但运行架构、资源需求、配置和算法接口不同。

• Vermeer 快速开始
• Computer 快速开始

HugeGraph-AI（Graph + AI）

HugeGraph-AI 连接图技术与大语言模型、图机器学习框架。仓库使用 Python 3.10 或更高版本，并通过 uv 管理工作区，主要包含以下模块：

• hugegraph-llm：提供 GraphRAG、知识图谱构建、自然语言查询和 Text2Gremlin
• hugegraph-ml：提供节点分类、图分类、图嵌入、链接预测和欺诈检测等模型
• hugegraph-python-client：通过 Python 管理 Schema、图数据和 Gremlin 查询
• vermeer-python-client：通过 Python 调用 Vermeer 图计算服务

HugeGraph-AI 快速开始

部署模式

图计算属于 OLAP 任务，容量和资源需求取决于所选引擎、图结构与算法，不沿用上表的 OLTP 存储容量口径。

选择入口

社区

• GitHub Issues
• 开发者邮件列表：dev@hugegraph.apache.org
• 邮件列表订阅方法
• 安全问题：security@hugegraph.apache.org
• 微信公众号：Apache HugeGraph