VelesDB Memory

VelesDB

約14 MBの単一バイナリが、ベクトル・グラフ・カラム型データを1つのクエリ言語で統合します。証拠を示すエージェントメモリと、実際に課金されるトークン消費を削減する決定論的なコンテキストコンパイラーを備えています。
ローカルファースト：データがマシンの外に出ることはなく、メモリ処理にLLMもAPIキーも必要ありません。以下の各数値には、再実行可能なコミット済みハーネスへのリンクがあります。

クイックスタート • 実証データ • 制限事項 • アーキテクチャ • ロードマップ • velesdb.com

---

まずはこちら — 動作する3つのコマンド

pip install velesdb
curl -O https://raw.githubusercontent.com/cyberlife-coder/VelesDB/main/examples/python/hello_velesdb.py
python hello_velesdb.py

手書きのベクトルではなく独自のテキストを検索するには、オプトインのローカルアダプター（pip install "velesdb[embed-sentence-transformers]"）をインストールして、hello_velesdb_text.pyを実行してください。初回実行時にall-MiniLM-L6-v2がダウンロードされます。

期待される出力（バイト単位で完全一致）（スクリプトを読む — サーバーも埋め込みモデルも不要です）：

Query: "tech"
  score=1.000  Rust 1.89 release notes
  score=0.600  AI-generated jazz: the new wave
  score=0.000  Best ramen in Tokyo

Query: "tech + music"
  score=0.990  AI-generated jazz: the new wave
  score=0.707  Rust 1.89 release notes
  score=0.707  Miles Davis discography

埋め込みモデルによってベクトルの次元が決まり、類似度の意味によってメトリックが決まります。どちらもコレクション作成時に固定されます。いずれかを変更するには、新しいコレクションを作成してドキュメントを再インデックスしてください。

エージェントに永続的なメモリを与える — さらに3つのコマンド：

cargo install velesdb-memory                                    # the local MCP memory server
claude mcp add velesdb-memory -- ~/.cargo/bin/velesdb-memory    # any MCP client works
curl -L https://github.com/cyberlife-coder/VelesDB/releases/latest/download/velesdb-skills.tar.gz | tar -xz -C ~/.claude/skills/

Rust ツールチェーンがない場合は、npm i @wiscale/velesdb-memory-nodeを実行するか、公式 MCP Registry（io.github.cyberlife-coder/velesdb-memory）からビルド済みの.mcpbバンドルを入手してください。

その他の方法 — 常時実行フック、共有デーモン、Rust、Docker、WASM、REST

利用可能なだけでなく、継続的に使われるメモリ： integrations/agent-hooks/は、5つのClaude Codeフックを連携させます。SessionStart／Stop／PreCompactは作業コンテキストを再開・保存し、PreToolUseはオプトインしたリポジトリの編集前に、検索の成功を必須にします。またPostToolUseは検索結果を記録すると同時に、大きすぎるツールの結果がトランスクリプトに入る前に圧縮します。グローバルに一度インストールすれば、明示的に設定したリポジトリ以外では編集ガードを有効にせず、すべてのプロジェクトを対象にできます。

複数のクライアントでメモリを共有（Claude Code、Codex CLI、Claude Desktop、Windsurf、Devin CLI）：scripts/install-memory-daemon.shを実行すると、velesdb-memoryが単一のローカルデーモンとして動作します。デフォルトでHTTPSを使用し、ローカルCAをネイティブに生成します。

Cargo（Rust + REST サーバー）： cargo install velesdb-server velesdb-cli — Docker（マルチアーキテクチャ linux/amd64 + linux/arm64）：docker run -d -p 8080:8080 -v velesdb_data:/data --name velesdb ghcr.io/cyberlife-coder/velesdb:latestを実行し、続けてcurl http://localhost:8080/healthを実行します。

ブラウザー／エッジ： WASMビルドはgzip圧縮後で約710 KBで、すべてクライアント側で動作します（TypeScript SDK）。REST： RESTエンドポイントは54個です（OpenAPI仕様）。全体の一覧：インストールガイド。

---

VelesDBを選ぶ理由

• 3つではなく、1つのデータベース。 *「何が似ているか」を扱うベクトル、「何がつながっているか」を扱うグラフ、「何を確実に知っているか」*を扱う型付きカラムは、通常なら3つのデプロイ、3つのクエリ言語、そしてそれらをつなぐコードが必要です。ここでは、1つのバイナリと1つの言語で実現できます。
• クエリするだけでなく、監査できるメモリ。 検索するたびに、その根拠を確認できます。圧縮の判断にはそれぞれ、ルールID、理由、リスクレベルが付与されます。設計上、決定論的です。書き込み経路にモデルがないため、挙動が変化せず、見直しを繰り返す必要もありません。
• ローカルファーストは、レイテンシではなくデータ主権のための選択です。 クラウドもAPIキーもデータ処理者も不要です。必要ならエアギャップ環境で、デフォルトでは自国・地域の管轄下で利用できます。重要性について · 詳しい位置づけ。

仕組みを簡単に説明すると

AI プロバイダーを呼び出すことなく、4 つのことが行われます。

1 · 会話ではなく、事実を保存します。 ひとつの文 — 「API ポートは 6333 です。3000 は Web UI と競合したためです」 — を渡すと、ローカルのファイルストアに保存されます。モデルの呼び出しも、外部への送信もありません。

2 · 意味をもとに見つけます。 「どのポートに決めたっけ」 と尋ねると、単語がひとつも一致していなくても、その事実にたどり着きます。ローカルの埋め込みモデルがテキストを座標に変換するため、意味が近いほど座標も近くなります。

3 · 事実同士をつなぎます。検索エンジンにはできないのは、この部分です。 各事実は、言及しているトピックとリンクされます。why() は最もよく一致する事実から始めて、そのリンクをたどるため、答えに加えて、その答えを説明する事実も返します。質問と語彙がまったく共通していない事実も含まれます。

リンクはあらかじめ存在している必要があります。事実をひとつずつ保存すると、グラフは平坦なままなので、why() は検索のように振る舞います。段落を remember_extracted に渡せば、事実に分割し、リンクも自動で設定します。

4 · 大きすぎる内容を、費用が発生する前に圧縮します。 蓄積したコンテキストとトークン予算をコンパイラーに渡すと、各断片について、記録された判断をひとつずつ（保持、抽象化、または破棄）適用した縮小版が返され、元の内容をそのまま取得するためのハンドルも得られます。同じ入力なら、毎回同じバイト列が出力されます。これが、以下の 82.5 % で測定している内容です。

---

他のどこにもない組み合わせ

1 · ひとつのクエリで、3 つのエンジンを使う

エンジン	機能
Vector	意味的類似性（HNSW + AVX2/NEON SIMD）
Graph	型付きリレーション、BFS/DFS、ネイティブの MATCH 句（パターン）
ColumnStore	型付きの列指向メタデータフィルタリング、セカンダリインデックス

ひとつの文で、類似性、リレーション、型付きフィルターのすべてを処理できます。接着コードは不要です。

MATCH (doc:Document)-[:AUTHORED_BY]->(author:Person)
WHERE similarity(doc.embedding, $question) > 0.8
  AND author.department = 'Engineering'
RETURN author.name, doc.title
ORDER BY similarity() DESC LIMIT 5

2 · 証拠を示すメモリー — why()

多くの「エージェントメモリー」はベクトル検索です。クエリに似ているテキストを探します。VelesDB はメモリーを型付きリンクで結び付けるため、グラフをたどって質問と共通する単語がないコンテキストに到達し、何かが起きた理由を回答できます。プロセスの再起動後も、オフラインでも、API キーなしで動作します。

from velesdb import MemoryService            # pip install velesdb

mem = MemoryService("./agent_memory")        # a real on-disk store; survives restarts
reason = mem.remember("Robert is recovering from knee surgery")
mem.remember("Booked the aisle seat on Robert's flight", links=[(reason, "because")])

# A *new* process, weeks later, reopens the same store and asks why:
mem.why("why the aisle seat on Robert's flight?")   # walks booking → reason — recall() can't

MemoryService は、オフラインで動作する hash 埋め込み器をデフォルトで使用します。これは決定論的ですが、意味ではなく語彙に基づくため、無関係な表現のスコアが 0.000 になることがあります。起動時に、その旨を stderr に一度だけ表示します。意味に基づく検索には、embedder="ollama" を指定してください。5 分で実現する本格的な意味検索をご覧ください。

メモリーはデフォルトで永続します。forget(id) で個別に削除でき、ttl_seconds で事実に永続的な有効期限を設定できます。すべての remember は保存日を自動で記録するため、設定なしで新しさを重み付けした検索が可能です。同じ強みは Python、Node、MCP サーバー、およびTypeScript SDKのインメモリー版でも利用できます。

弱い埋め込み器に頼った小細工ではないことを示す、実行可能な 4 つのデモがあります。理由が表面的な類似性ではなく判断によって結び付いているため、実際の意味埋め込み器（ollama／all-minilm）を使っても、recall では理由を見つけられません。why_across_sessions.py（プロセスを再起動しても保持） · why_magic_constant.py（コードと単語が一つも共通しない業務上の理由） · memory_builds_its_own_graph.py（生の文章から、リンクが自動設定されたグラフを生成） · why_magic_constant.mjs（Node）。LoCoMo を含むベンチマークでの位置付けと、異なる研究機関のスコアを公平に比較できない理由については、BENCHMARK.md · エージェントメモリーガイドをご覧ください。

3 · 決定論的なコンテキストコンパイラー

エージェントは、冗長なコンテキストを読み直すために予算の大半を費やします。compile_context／compile_transcript（MCP、または Rust の ContextCompiler）を使えば、LLM もネットワークも使わずにコンテキストを縮小できます。

• 決定論的 — 同じ入力は常に同じバイト列にコンパイルされ、コミット済みのすべてのベンチマークで、実行ごとに 2 回検証されます。これにより、プロバイダーのプロンプトキャッシュが実際に利用できるバイト単位で安定したキャッシュプレフィックスも実現します。
• 監査可能 — explain_compilation は、保持または削除された各断片に、安定したルール ID、理由、リスクレベルを付与します。
• 可逆 — 予算を超過したコンテンツは、復元可能な ctx://source/ ハンドルになります。retrieve_context_source を使えば、必要に応じて元のバイト列を取得できます。
• 上限付き — 圧縮するのはエージェントから明示的に渡されたコンテンツだけです。ハーネスのシステムプロンプトは対象にせず、明示的な remember がない限り、検索可能なメモリーに何も追加されません。

コード、URL、数値、否定的な制約はそのまま保持されます。velesdb-context-optimizer スキルでは、圧縮すべきでない場合も含め、ワークフローを説明しています。

---

実証 — 3 つの数値と、それぞれの測定ハーネス

ここにある数値は、スライドから推定したものではありません。それぞれの数値から、このリポジトリ内で測定に使ったログまたはスクリプトを確認できます。

主張	実測値	ハーネス
同じエージェントセッションを、未加工版とコンパイル版で送信した際に節約できた実際の請求額（ドル）（実際のClaude課金、決定論的な事実チェックリスト採点器を使用 — LLMの判定者なし）	実際のRetinaスクリーンショットの重みで 21.9 %、品質は同等（両方とも23項目中23項目）	real-session-benchmark · 生ログ
コミット済みの12ターンのエージェントセッションコーパスでの実測（cl100k）入力トークン削減率	82.5 %、ステートレス処理の平均コンパイル時間は約0.7 ms（ソースの永続化を有効にした場合は約24.5 ms）	context_savings
本番環境のフルパス（Python SDK → HNSW → ペイロードのハイドレーション、WAL ON）でのベクトル検索レイテンシ	p50 450 us（10K/384D、再現率 ≥ 96 %）。Balancedがef 128で動作していた、2026-03-27の1.7.2での測定値	velesdb_benchmark.py · レポート

同じキャンペーンでも、より控えめな結果があります。クロップしたスクリーンショットでは 10.9 %、36ターンの日単位のセッションでは 14.7 %、Messages APIへの直接送信では入力トークン 15.1 %、スクリーンショットなしの構成では 2.5 % でした。このばらつきこそがメディア処理の仕組みの実測値であり、見出しと同じくらい目立つように公開しています。正確な読み方、制約、完全なプロトコル。このページのすべての数値は、READMEとコミット済みのソースを一致させる保証契約によってCIで検証されています。

全測定表 — 請求額のA/B実行、検索品質、エンジンのマイクロベンチマーク

請求額のA/Bセッション（2026-07-19、claude-sonnet-5。生ログはそのままコミット済み）：

セッション	ランナー	節約額	品質（未加工版とコンパイル版）
19ターンの機能開発セッション、クロップしたスクリーンショット	Claude CLI	10.9 %	23項目中22.8 vs 23項目中23.0
同じセッション、実際のRetinaスクリーンショットの重み	Claude CLI	21.9 %	23項目中23.0 vs 23項目中23.0
36ターンの日単位のセッション	Claude CLI	14.7 %	50項目中49.6 vs 50項目中49.2 *
19ターンのセッション、Messages APIに直接送信	API	入力トークン 15.1 %	23項目中23.0 vs 23項目中23.0

* 2ターン分の採点基準に後から不備が見つかりました（その箇所では両方とも満点でしたが、同等という結論は変わりません）— 開示。36ターンのセッションでは、コンパイル済みコンテキストの増加が 1.7× 遅くなるため、ウィンドウの上限に達するまでセッションを大幅に長く続けられます。

メモリ検索品質。公開テストセットを使用し、AI採点器は使用していません。マルチホップ（HotpotQA）で +7.2ポイント、時間範囲を指定した想起（TimeQA）で +9.7ポイント、両方のエンジンを同時に必要とする制御されたタスクで +29ポイント — BENCHMARK.md。

エンドツーエンド検索（標準）：検索p50 450 us（10K、384D、WAL ON。Balancedがef 128だった2026-03-27の1.7.2で測定 — ハーネス、レポート) · 量子化PQ（サイズを 2 × dim / m に削減：デフォルトのm = 8ではdim/4）、RaBitQ（32倍小型）、SQ8（4倍小型）、Binary（32倍小型）— 対象範囲と注意点。

インデックスのみのマイクロベンチマーク（WALなし、ペイロードなし、ホットキャッシュ — 上記のエンドツーエンド値とは比較できません）。それぞれ cargo bench -p velesdb-core --bench <name> で再現できます：HNSW検索のインデックスのみ（10K/768D、k=10）55 us（hnsw_benchmark -- hnsw_search_latency）· SIMDドット積（768D、AVX2）21.7 ns（simd_benchmark）· Recall@10はbalancedで99.8%、accurateモードで 100%（10K/128D、recall_benchmark）· BM25スパース検索のインデックスのみ（1万件のドキュメント、上位10件）57.6 us（sparse_benchmark -- top10_10k_corpus）。

検索モード	ef_search	Recall@10	ユースケース
高速	96	97.4%	リアルタイムの候補表示、入力中の候補表示
バランス（デフォルト）	160	99.8%	本番環境での検索、RAG パイプライン
高精度	512	100%	評価、正解データとの比較

ef_search は各プリセットの基本値で、最大 10K ベクトルの場合、k ≤ 32 ではそのまま使用されます。これを超えると ef_search_for_scale によって値が引き上げられます。Recall@10：2026-09-10 に Apple M5 Pro で実行した recall_benchmark、10K/128D。

距離メトリクス — SIMD（AVX-512、AVX2、NEON）で高速化された 5 種類。i9-14900KF リファレンス（AVX2、ホットキャッシュ）での 768D の結果：docs/BENCHMARKS.md §1 に記載された 2026 年 4 月 3 日の実行結果：コサイン 32 ns · ユークリッド 26 ns · 内積 22 ns · ハミング 35 ns · ジャッカード 27 ns。

ColumnStore — 型付きの列指向フィルタリングにより、i9-14900KF リファレンスで 100K 行の JSON スキャンより 130 倍高速 です（JSON scan 3.84 ms → ColumnStore 29.5 us）。比率はハードウェアによって異なります。Apple Silicon（M5 Pro、2026-07-20）では JSON スキャン自体が約 2.8 倍高速なため、同じベンチマークで約 50～105 倍となる一方、ColumnStore の絶対時間は約 27 µs で変わりません。

出典： Intel Core i9-14900KF（x86_64、AVX2）。マシンごとに数値は異なります。Apple Silicon での照合結果、SIFT1M 標準化 ANN 実行、および方法論の全容は docs/BENCHMARKS.md に記載されています。エンドツーエンドの数値は python benchmarks/velesdb_benchmark.py --recall で再現できます。

---

エントリーポイントを選ぶ

したいこと	使用するもの	備考
1つのファイルで試す	velesdb (Python 3.9+)	最も手軽に始められます
エンジンを組み込む	velesdb-core (Rust)	エンジン本体です
エージェントにメモリを持たせる	velesdb-memory	MCP サーバー + コンテキストコンパイラー。任意の MCP クライアントで利用できます。MCP Registry に .mcpb バンドルがあります
Node から呼び出す	@wiscale/velesdb-memory-node	メモリ用の薄いラッパー（サーバー + TS SDK によるフルエンジン）
ブラウザーで実行する	@wiscale/velesdb-sdk	WASM、gzip 圧縮時約 710 KB、完全なクライアントサイド動作
HTTP 経由で提供する	velesdb-server	54 個の REST エンドポイント — API リファレンス · OpenAPI · サーバーセキュリティ
モバイル／デスクトップ向けに提供する	velesdb-mobile · Tauri プラグイン	iOS / Android / デスクトップ

各インターフェースのツール対応状況は、まだ対応が遅れているインターフェースも含めて、正確に公開しています：メモリクレートの README。実例：examples/。

HTTP 経由での提供 — カテゴリー別の 54 個の REST エンドポイント

カテゴリー	主なエンドポイント
コレクション	POST /collections, GET /collections, GET/DELETE /collections/{name}
ポイント	/collections/{name}/points, /collections/{name}/points/raw, /collections/{name}/points/scroll, /collections/{name}/stream/insert, /collections/{name}/stream/enable, /collections/{name}/points/{id}/relations, /collections/{name}/points/{id}/ttl, /collections/{name}/relations
検索	/collections/{name}/search, /collections/{name}/search/batch, /collections/{name}/search/hybrid, /collections/{name}/search/text, /collections/{name}/search/multi, /collections/{name}/search/ids, /collections/{name}/match
グラフ	/collections/{name}/graph/edges, /collections/{name}/graph/edges/{id}, /collections/{name}/graph/edges/count, /collections/{name}/graph/traverse, /collections/{name}/graph/traverse/stream, /collections/{name}/graph/traverse/parallel, /collections/{name}/graph/nodes, /collections/{name}/graph/nodes/{id}/degree, /collections/{name}/graph/nodes/{id}/edges, /collections/{name}/graph/nodes/{id}/payload, /collections/{name}/graph/search
インデックス	GET/POST /collections/{name}/indexes, DELETE /collections/{name}/indexes/{label}/{property}, /collections/{name}/index/rebuild
VelesQL	/query, /aggregate, /query/explain
管理	/health, /ready, /metrics, /guardrails, /collections/{name}/stats, /collections/{name}/config, /collections/{name}/flush, /collections/{name}/analyze, /collections/{name}/empty, /collections/{name}/sanity, /collections/{name}/compact, /collections/{name}/vacuum

API リファレンス全体： docs/reference/api-reference.md | OpenAPI 仕様： docs/openapi.yaml | サーバーセキュリティ： docs/guides/SERVER_SECURITY.md

## 比較

	VelesDB	Chroma	Qdrant	pgvector
アーキテクチャ	ベクトル＋グラフ＋列指向を統合	ベクトルのみ	ベクトル＋ペイロード	PostgreSQL 用のベクトル拡張機能
メタデータのフィルタリング	型付き ColumnStore ＋ セカンダリーインデックス	JSON スキャン	JSON ペイロード	SQL
グラフのサポート	ネイティブ（MATCH 句）	なし	なし	なし
クエリ言語	VelesQL（SQL ＋ NEAR ＋ MATCH）	Python API	JSON API ／ gRPC	SQL ＋ 演算子
テキストからの埋め込み	オプトイン方式のローカル／OpenAI アダプター。バンドルされたモデルはありません	埋め込み関数。Python／TypeScript ではデフォルトのローカルモデルを使用	オプトイン方式のクライアント側FastEmbed	なし。外部モデルのベクトルをご用意ください
デプロイ	組み込み型／サーバー／WASM／モバイル	サーバー（Python）	サーバー（Rust）	PostgreSQL が必要
バイナリーサイズ	約 14 MB	約 500 MB（依存関係込み）	約 50 MB	該当なし（PG 拡張機能）
ブラウザー／モバイル	対応／対応	非対応	非対応	非対応
オフライン／ローカルファースト	対応	一部対応	非対応	非対応

最適な用途： ベクトル、グラフ、構造化フィルタリングを 1 つのエンジンで実現し、ローカルファーストで監査可能にしたい場合です。（現時点で）最適とは言えない用途： マルチノード分散クラスターを備えたマネージドクラウドサービスです。競合製品の数値は一般に公開されている典型的な範囲であり、当社が実施した直接比較ではありません — 独自に実行してください。エージェントメモリー製品（Mem0、Zep、Letta）との詳細な比較（2026 年半ば時点）：docs/WHY_VELESDB.md。

VelesDB Premium — エンタープライズ向けコントロールプレーン

コアエンジンはソースを公開しており、今後もその方針を維持します。Premium は、機密データを扱うエージェント群を運用する組織向けに、同じバイナリー上へ企業向けレイヤーを追加します。メモリーおよびコンテキストコンパイラーの各サーフェスを含むすべてのエンドポイントでの RBAC · 監査証跡（誰が、何を、いつ — メタデータのみ、GDPR に配慮）とフォレンジックリプレイ · テナントごとに厳格に分離し、2 段階の削除権限を備えた マルチテナンシー · クラスタリングとエアギャップ環境へのデプロイ · 運用者向け WebAdmin UI。

価格はお問い合わせください — [email protected] · velesdb.com。Wiscale（フランス）が開発。GDPR およびデータ主権への対応を標準で備えています。

---

既知の制限 — 誠実な境界

以下の項目は意図的なトレードオフ、またはPremiumで追跡している機能であり、正確性の欠陥ではありません。Community Editionは、単一ノードのローカルファーストなデプロイにおいて、本番環境で使用できる品質です。まだ修正していない項目も含め、強みと併せて公開しています。

#	制限	範囲	追跡状況
1	コレクションごとに書き込み元は1つ — WALは直列化され、同時書き込み元は同じfsyncロックを奪い合います。	設計上のトレードオフ（ローカルファーストで、デフォルトでクラッシュに強い設計）。読み取りスループットには影響しません。	並行WAL書き込み元はPremiumで予定されています。docs/CONCURRENCY_MODEL.mdを参照してください。
2	分散レプリケーションなし — Coreは単一ノードで、Raft、シャーディング、自動フェイルオーバーはありません。	意図的な設計です。ローカルファースト／組み込み用途を最適な領域としています。	RaftベースのレプリケーションはPremiumで追跡しています。
3	Coreには高度なRBAC／マルチテナント分離なし — CoreにはDatabaseObserverによる強制適用の仕組みが含まれています。3.10.0以降、すべてのHTTP読み取りパスで有効で、4.0.0でも引き続き有効ですが、ポリシーエンジンは含まれていません。	Coreに含まれるのはフックであり、ポリシーエンジンではありません。	Premiumの機能です。
4	WASMのMATCHは2ホップまで — 3ホップ以上のMATCHは、ネイティブビルドでは完全に機能します。	ブラウザビルドの範囲制限であり、正確性の問題ではありません。	追跡中です。
5	SIFT1Mのフィンガープリントサイドカーは未コミット — 参照マシンでピン留めされたハッシュがコミットされるまで、ローダーはTOFUモードにフォールバックします。	正確性の問題ではありません。形状検証は引き続き適用されます。	ブートストラップは提供済みで、サイドカーは保留中です。
6	Qdrant／Chroma／FAISSとのDocker Composeによる直接比較ベンチマークはまだありません — SIFT1Mではすでに文献と比較可能な数値が得られています。	横並びの数値を出すには、まだ確定していないインフラが必要です。	追跡中です。
7	コンテキストコンパイラーツールの対応状況は提供先によって異なります — MCP サーバーとRustではすべての機能を利用できますが、Node、Python、WASMは一部遅れており、WASMの作業コンテキストはセッション内でのみ有効です。	バインディングの範囲に関する制限であり、エンジンの制限ではありません。当面はMCPを通じてあらゆるクライアントから利用できます。	提供先ごとの表はmemory crate READMEにあります。

内部の技術的な制限（クエリプランナーの近似、プランキャッシュのセマンティクス）：docs/reference/KNOWN_LIMITATIONS.md。

貢献とお問い合わせ

品質基準： cargo test --workspace — Rust、TypeScript、Pythonの9,000件を超えるテストを、マージのたびにCIで実行します。コマンドの詳細はQUALITY_BAR.mdを参照してください。

貢献を歓迎します。CONTRIBUTING.mdとgood first issuesから始めてください。セキュリティに関する報告：SECURITY.md。ロードマップ：ROADMAP.md · 変更履歴 · DeepWiki。

ライセンス： VelesDB Core License 1.0（ソースコード閲覧可能）。Premium：商用ライセンス。 お問い合わせ： [email protected] · velesdb.com

_{名前は、古代スラヴ神話の神Velesにちなんでいます。隠された知識と境界を守る存在です。}