AionDB veröffentlichte gerade v0.3, einen Rust-Prozess, der das PostgreSQL-Wire-Protokoll spricht, Cypher-ähnliche Graph-Muster ausführt und pgvector-ähnliche Vektorsuche in einer einzigen Engine bereitstellt. Drei Datenformen, eine Abhängigkeit. Für einen Systems Cartographer ist dieser Satz der ganze Artikel.

←HEUTE: AionDB v0.3 publiziert 0.996-Recall@10-HNSW-Ergebnisse im Mai 2026, dem Monat, in dem PostgreSQL 19 native SQL/PGQ-Graph-Abfragen erhält und Azure HorizonDB in öffentliche Vorschau bei Microsoft Build geht.
→3012: Aus den späten 2070ern: Die Studios, die die Compute-Engpässe überlebten, waren diejenigen, die drei Boxen zu einer einzigen fussionierten – und den Graph vorher zeichneten.
Fulcrum: Vektor + Graph + Relational waren nie drei Probleme. Es war ein Problem mit drei Anbietern und drei On-Call-Schichten.

Die Konvergenz im Einzelnen

AionDB kommt nicht allein. PostgreSQL 19 fügte GRAPH_TABLE und SQL/PGQ hinzu – Cypher-Pattern-Matching direkt auf relationalen Tabellen, kein Neo4j-Sidecar erforderlich, wie The Build letzte Woche beschrieb. Microsofts Azure HorizonDB, auf der Build 2026 angekündigt, baute Postgrès Speicherschicht in Rust mit DiskANN-Vektorindexierung neu auf und unterstützt bereits Copilot und ChatGPT. AionDB fasst alles in einer einzigen Binärdatei zusammen: pgwire-kompatibel (Django-Migrationen, NOT NULL, zusammengesetzte UNIQUE, Rollback, Schema-Introspection bestehen alle das offizielle Gating), Cypher-Pattern-Matching über gewöhnliche Anwendungsdatensätze, HNSW bei 0.996 Recall@10, HNSW-PQ mit 0.994 unter Produktquantisierung, IVF-Flat-Konstruktion in etwa 417 ms und mittlere Latenz unter 3 ms bei nprobe=32.

Was es am Arbeitsplatz tut

Heute führt ein AEC-Studio, das semantische Suche über frühere Wettbewerb-Einreichungen möchte, typischerweise Postgres für Projektdatensätze, eine Graph-Engine für IFC-Topologie und Clash-Ketten, sowie Pinecone oder Qdrant für Vektor-Retrieval von Detail-Bibliotheken aus. Drei Engines, drei Backup-Verfahren, drei Migrations-Dialekte, drei Ausfallszenarien, die du um 02:00 lernst. AionDB – und dahinter PG19 – lässt dieselbe Abfrage einen IFC-Element-Graph durchqueren, auf Tenant oder Permission-JSONB filtern und nach l2_distance über eine Embedding-Spalte in einem Zugriff ranken. Die Benchmark-Zahlen sind interessant; die Reduktion des Dependency-Graphen ist das eigentliche Produkt.

Atelier: Die PAZ Grasshopper↔Archicad-Bibliothek behandelt Projektdaten bereits als Relational-plus-Graph: eine Hotlink-Hierarchie auf Element-Referenz-Kanten. Eine einzige Engine, die auch Embeddings trägt, ist das fehlende Stück für PAZ-GPT’s Abruf-Schicht – frühere Atelier-Code-Schnipsel, Scan-zu-BIM-Beispiele und HIM-gekennzeichnete Briefs abfragbar neben dem Live-Projektgraphen ohne einen Sidecar-Vector-Store. Speckle bleibt die Austausch-Schicht; AionDB wäre das Gedächtnis des Studios.

Hack: Schreib EIN Hybrid-Query, das relationalen Umfang, eine Graph-Kante und einen Vektor-Rang in einer einzigen AionDB-Aussage verbindet – das ist der Zug, der das Zusammenfassen des Stacks rechtfertigt. Stecke die Einbettung deines aktuellen Design-Briefs in $1 und AionDB gibt dir die fünf semantisch ähnlichsten vergangenen Projekte zurück, die dieses Studio zitiert hat:

MATCH (p:Project {studio_id: 7, kind: 'wettbewerb'})
      -[:CITES]->(ref:Project)
WHERE p.tenant_id = 100
RETURN p.title, ref.title,
       l2_distance(p.embedding, $1) AS dist
ORDER BY dist ASC
LIMIT 5;

Eine Aussage: Tenant-Umfang (relational), Zitier-Kette (Graph), semantischer Rang (Vektor). Übertrage die gleiche Form auf einen IFC-Export – MATCH (w:Wall)-[:HOSTS]->(o:Opening) – und du hast Clash-Queries, die auch nach geometrischen-Feature-Embeddings ranken. Das ist der Zug, den du diese Woche üben solltest.

Der Kompromiss, unverblümt

Eine Engine ist eine Ausfalldomäne. Wenn der AionDB-Prozess stirbt, sterben deine relationale, Graph- und Vektor-Schichten zusammen. Drei Anbieter geben dir Schotten; ein Anbieter gibt dir einen kürzeren Dependency-Graph. Wähle den Kompromiss, den du tatsächlich managen kannst. Aus der Perspektive der späten 2070er: Uns ist nicht die Rechenkapazität ausgegangen. Uns sind intakte Kühlung, intakte Bandbreite und intakte Menschen ausgegangen, die sich erinnerten, wie das alte System funktionierte. Einzelne Ausfallpunkte sind ruhig, bis sie es nicht mehr sind. Zeichne deinen echten Dependency-Graph diese Woche – nicht das Architektur-Diagramm, den Dependency-Graph – und finde den dritten Ausfallpunkt, den du nicht kanntest. Dann pilotiere AionDB oder PG19 auf einem unkritischen Projekt. Die Lektion lebt in der Topologie, nicht im Benchmark.

Quellen & Weiterführendes

• Primär: AionDB — v0.3-Release mit Vector-, Graph- und SQL-Benchmarks
• Verstärkend: The Build — SQL/PGQ in PostgreSQL 19: Graph-Abfragen ohne Graph-Datenbank