AkasicDB Demo — Wireframe (v0.1)

엔터프라이즈 AI를 위한
통합 그래프·벡터·관계형 DBMS

트리플 스토리지와 통합 질의 최적화 기술.
복잡한 AI 데이터 관리, 압도적인 성능으로 엔터프라이즈 AI의 효율을 극대화합니다.

Mean retrieval time
0× faster
cs 데이터셋에서 Neo4j 대비 (UltraDomain 데이터셋 및 커스텀 질의 사용, 2026-05-18 기준)
그래프·벡터·관계형
단일 엔진 통합
그래프·벡터·관계형 데이터(JSON, 텍스트 포함)를 단일 엔진에서 통합 검색
PostgreSQL 생태계
완벽 호환
PG 기반의 기존 도구, 라이브러리, 운영 환경을 그대로 활용

분리된 DB 스택으로는
AI와 운영을 동시에 만족시킬 수 없습니다.

중복 저장과 파이프라인 복잡성

동일 데이터를 여러 DB에 중복 저장하면서 동기화와 ETL을 위한 운영 비용이 지속적으로 증가합니다.

🔗

Traversal, Join, Vector Search의 분리

그래프 탐색, 관계형 조인, 벡터 검색 과정이 물리적으로 분리되어 전체 질의를 최적화하는 데 한계가 있습니다.

⚖️

성능·정확도·거버넌스의 트레이드오프

속도와 정확도, 운영 효율성 간 상충 관계로 인해 어느 하나를 포기해야 하는 상황이 발생합니다.

차세대 DB 엔진과 AI 에이전틱 엔진의 완벽한 Co-optimization.

최고의 기술력으로
엔터프라이즈급 에이전틱 AI를 구현합니다.

01

그래프, 벡터, 관계형을 위한 Triple Storage 구조

AkasicDB는 그래프 탐색, 관계형 조인, 벡터 검색을 각각에 최적화된 저장 구조로 분리하면서도, 하나의 논리 DB로 동작하도록 설계되었습니다. 하나의 데이터, 세 가지 저장 전략. 목적에 맞는 접근만 수행합니다.

02

Traversal과 Join을 하나로 최적화하는 TJ 연산자

AkasicDB는 기존 DB와 달리 Traversal-Join(TJ) 연산자를 통해 그래프 탐색과 관계형 조인을 하나의 비용 모델로 통합합니다. 이를 통해 유연하고 효율적인 질의 처리가 가능합니다.

03

그래프·관계형 조건과 결합되는 벡터 검색

AkasicDB는 벡터 검색을 단독 연산이 아닌 통합 질의의 일부로 처리합니다. VBASE 기반 연산 모델을 통해 그래프·관계형 조건과 벡터 검색을 매끄럽게 연결합니다.

Hybrid Search Benchmark

Mean retrieval time

UltraDomain 벤치마크 데이터셋 4종(agriculture · cs · legal · mix)에 대한
RAG 질의의 평균 검색 시간(ms).

Dataset 01vs Neo4j(SEARCH) · 5.85×
agriculture
Dataset 02vs Neo4j(SEARCH) · 12.82×
cs (Computer Science)
Dataset 03vs Neo4j(SEARCH) · 5.05×
legal
Dataset 04vs Neo4j(SEARCH) · 7.42×
mix
5.85×
agriculture
12.82×
cs
5.05×
legal
7.42×
mix
System agriculture cs legal mix
AkasicDB (Best optimized) 11.43 5.94 12.03 6.28
Neo4j (ORDER BY) 1,967.95 2,239.71 1,148.18 530.39
Neo4j (SEARCH) 66.88 76.13 60.70 46.58
Neo4j + Milvus (1000 cand.) 66.06 68.22 66.94 54.86
Neo4j + Milvus (100 cand.) 52.53 53.56 52.79 46.30
AkasicDB Playground

웹에서 간편하게 체험해보세요.

db.akasic.cloud Playground 화면

db.akasic.cloud

설치 없이 브라우저에서 AkasicDB를 직접 실행해 볼 수 있는 Playground입니다.

Playground 열기 → RAG 예제 with Google Colab →
Examples & Tutorials

예제와 튜토리얼로
AkasicDB의 기능을 직접 확인해 보세요

실제 워크플로우에 바로 적용할 수 있는 SQL 스크립트와 클라이언트 코드를 제공합니다.
그래프 정의·생성, 벡터 유사도 검색, 그래프와 벡터를 결합한 복합 질의, LangChain 기반 RAG까지 단계별 예제로 구성되어 있습니다.

Featured · Advanced Example — Graph & Vector

그래프와 벡터를 모두 활용한 유통 질의

AkasicDB의 그래프와 벡터 기능을 모두 활용해서
보다 복잡한 유통 관련 질의를 수행하는 워크플로우를 보여줍니다.

-- HNSW 인덱스 생성
CREATE INDEX ON retail_graph.v_customer USING vectoron (embedding vector_l2_ops);
CREATE INDEX ON retail_graph.v_item USING vectoron (embedding vector_l2_ops);

-- 탐색 깊이 설정
SET vectoron.hnsw_ef_search = 64;

-- 상위 소비자 5명이 구매한 상품 검색
SELECT first_name, last_name, product_name, price
FROM akasicdb.cypher('retail_graph', $$
MATCH (v:v_customer)
WITH v.vertex_id AS customer_top_k
ORDER BY v.embedding <-> '[0.15,0.15,0.35]'
LIMIT 5
MATCH (c:v_customer)-[:buy]->(i:v_item)
WHERE c.vertex_id = customer_top_k
RETURN
    c.first_name AS first_name,
    c.last_name AS last_name,
    i.name AS product_name,
    i.price AS price
$$) AS (
    first_name VARCHAR,
    last_name VARCHAR,
    product_name VARCHAR,
    price DECIMAL
)
ORDER BY first_name, last_name, product_name;
Specification

제품 사양 및 생태계 연동

릴리즈 일자
2026-06-01 (v1.0.0)
제품 형태
PostgreSQL의 확장(extension)으로 개발된 상용 소프트웨어
Python SDK
akasicdb-py
TypeScript SDK
2026 하반기 예정
LangChain 연동
langchain-akasicdb
퍼블릭 클라우드
AWS EC2, Azure VM, GCP Compute Engine 등 IaaS 플랫폼에 직접 설치 가능. AWS Marketplace 배포 예정.
Roadmap

AkasicDB는 지속적으로 확장되고, 강력해집니다

검색 · 인덱스 가속 · 그래프 기능 · 아키텍처 호환까지, 다음 릴리즈에서 단계적으로 지원합니다.

Full Text Search 지원
DiskANN 지원
ARM 아키텍처 지원
벡터 인덱스 생성의 GPU 기반 가속화
그래프 알고리즘 라이브러리 지원
그래프 질의 문법 확장 (OPTIONAL MATCH, path variable 등)

모델이 아니라 DB 구조에서 시작되는 AI의 한계.

AkasicDB로 차원이 다른 AI 데이터 인프라를 구축하세요.









      이 사이트는 wpml.org에 개발 사이트로 등록되어 있습니다. remove this banner의 프로덕션 사이트 키로 전환하세요.