Beobachtetes Signal · 21. Aug. 2026 · Technical Report · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Neutral
Benchmark von fünf verwalteten Graph-Datenbanken deckt Fallstricke auf
Ein reproduzierbarer Benchmark von CognoDB Cloud, Neo4j AuraDB, Memgraph, FalkorDB und ArangoDB offenbart wesentliche Herausforderungen bei Leistungsmessungen. Die geografische Verteilung verwalteter Cloud-Instanzen verzerrte die rohen Latenzwerte, weshalb für einen fairen Engine-Vergleich die servergemessene Ausführungszeit via Bolt-Treiber erforderlich ist. Zudem zeigte CognoDB v0.9.11 ein Hintergrund-Indizierungsverhalten, bei dem indizierte Abfragen während des Build-Prozesses keine Ergebnisse lieferten und Beziehungs-Writes im Hintergrund verloren gingen. Das Konkurrenzverhalten unterschied sich deutlich: Cloud-Instanzen skalierten mit der Client-Parallelität, da Netzwerklatenzen Leerlaufzeiten kaschierten, während lokale Instanzen CPU-gebunden waren und langsamer wurden. Der Autor stellte den vollständigen Test-Harness sowie die Rohdaten auf GitHub zur Verfügung.
Der reproduzierbare Benchmark deckt kritische Messfehler durch Geografie sowie einen Konsistenzbug bei CognoDB auf; dies bietet wertvolle Einblicke für Ingenieure bei der Auswahl und dem Betrieb von Graph-Datenbanken, ist jedoch nicht marktverändernd.
Marktsignale zu Neo4j in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren Polaris7-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Fünf Graph-Datenbanken wurden im Benchmark verglichen: CognoDB Cloud, Neo4j AuraDB, Memgraph, FalkorDB und ArangoDB.
- Die geografische Platzierung von Cloud-Instanzen (u.a. CognoDB in us-east4 und Neo4j AuraDB in Singapur) verfälschte die gemessene Latenz.
- Servergemessene Ausführungszeiten über Bolt-Treiber (ohne Netzwerk) waren für einen fairen Engines-Vergleich unerlässlich.
- CognoDB v0.9.11 führte indizierte Abfragen während des Index-Builds zu leeren Ergebnissen und stillem Verwerfen von Relationship-Writes.
- Konkurrenztests zeigten, dass Cloud-Datenbanken durch höhere Client-Zahlen skalierten, während lokale Instanzen CPU-limitiert degradierten.
Verknüpfte Unternehmen
3 verknüpfte Unternehmen“Die andere verwaltete Datenbank, Neo4j AuraDB, befand sich in Singapur und war geografisch weit von der ersten Cloud-Instanz entfernt.”
“Sämtliche Testskripte, Messwerte und Rohdaten wurden auf GitHub veröffentlicht.”
“Die Testinstanzen von CognoDB wurden in der Google-Cloud-Region us-east4 bereitgestellt.”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Benchmarking von fünf Graph-Datenbanken unter strenger Ressourcenbegrenzung
Der Autor hat fünf Graph-Datenbanken (CognoDB, Neo4j AuraDB Free, Memgraph, FalkorDB und ArangoDB) unter einer strengen Ressourcenbeschränkung von 0,5 vCPU und 256MB RAM anhand eines Social-Graph-SNAP-Datensatzes mit rund 18.700 Knoten und 198.000 Kanten getestet. Die Ergebnisse offenbarten diverse operative Leistungsprobleme: Memgraph stürzte beim Start wiederholt mit Segmentierungsfehlern ab, FalkorDB verlor nach einem Neustart sämtliche Daten, und Neo4j AuraDB wies eine nahezu konstante Latenz von rund 220 Millisekunden pro Abfrage auf, was auf einen festen Anfrage-Overhead hindeutet. CognoDB erwies sich bei den meisten Abfragen als am schnellsten, schwächelte jedoch bei einem bestimmten Abfragemuster. Die vollständige Methodik sowie die Rohdaten stehen in einem verknüpften GitHub-Repository zur Verfügung und bieten wertvolle Einblicke für Entwickler.
Benchmarking von 7 Vektordatenbanken: AionDB sticht hervor
Ein Entwickler hat sieben Vektor- und Multimodell-Datenbanken (Pinecone, Weaviate, Qdrant, Milvus, pgvector, SurrealDB und AionDB) in einer produktionsnahen RAG-Workload mit zwei Millionen Chunks und rund 500.000 Entitätsbeziehungen getestet. Während SurrealDB bei graphlastigen Abfragen Schwächen bei Leistung und Stabilität zeigte, lieferte AionDB – ein relativ unbekanntes Projekt eines Einzelgründers – signifikant bessere Resultate: Die Lösung arbeitete bei allgemeinen Workloads etwa sechsmal schneller und bei bestimmten Graphabfragen bis zu 200-mal schneller. Zudem unterstützt AionDB das PostgreSQL-Wire-Protocol, wodurch bestehende Postgres-Clients, ORMs und Dashboards ohne Migrationsaufwand weitergenutzt werden können. Der Artikel analysiert praktische Abwägungen beim Benchmarking.
Memory Graphs skalieren nicht für LLM-Agenten
Ein Entwickler argumentiert, dass der Einsatz von Graphdatenbanken als langfristiger Speicher für LLM-gesteuerte Agenten in der Produktion nicht skaliert, da Aktualisierungskosten durch dichte Beziehungsnetzwerke kaskadieren. Der Autor empfiehlt stattdessen eine hierarchische, versionierte Speicherung, die den Modellen präzise eingegrenzte, deterministische Kontexte anstelle von unscharfen Graphen-Traversierungen liefert. Zur Demonstration wurde Lithium als Open-Source-Projekt auf GitHub veröffentlicht. Das Framework implementiert eine hierarchische, versionierte Speicherung auf Basis von PostgreSQL ltree mit eingegrenztem Retrieval und Unterstützung für das Model Context Protocol. Diese Architektur vermeidet kaskadierende Neuberechnungen und ermöglicht konstante Update-Kosten, was die Entwicklung effizienter KI-Agenten nachhaltig beeinflussen könnte.
Alle künftigen Signale zu Neo4j & Wettbewerbern im Briefing erhalten
Verpassen Sie keine M&A-Transaktionen, Führungswechsel, Kunden-Etats oder Produkt-Launches mehr. Polaris7 überwacht über 20.000 Primärquellen rund um die Uhr und liefert evidenzbasierte Telemetrie direkt in Ihr wöchentliches Executive Briefing.