Memgraph CE feature-limits + workarounds#

A Memgraph Community Edition (jelen vault-build: memgraph/memgraph:latest → 3.9.0, container vault-memgraph) több core feature-t csendben elutasít vagy explicit license-hibával eldob — production-bug-forrás, ha az ember Neo4j-mintára kódolja. Ez a doc a vault-projektben (sv-06-world-model-knowledge-graph) ténylegesen elcsapott limiteket és a working-workaround-okat gyűjti. Frissítendő ahogy újabb limit bejön.

A 4 fő limit (vault-relevánsak)#

[!success] Ami MŰKÖDIK CE 3.9.0-ban (korábbi B-2 sprint-tippünk elavult) - Natív vector-index működik: CREATE VECTOR INDEX <name> ON :Label(prop) WITH CONFIG {"dimension": 1024, "capacity": 2048, "metric": "cos"} + CALL vector_search.search(...). 3.9.0-tól ingyenes a CE-ban. A korábbi numpy-cosine workaround már nem szükséges új projekteknél (lásd lent). - Felhasználó-kezelés (CREATE USER … IDENTIFIED BY …, DROP USER) — ingyenesen elérhető, de RBAC role-okhoz Enterprise kell. - Replication alap szinten (SHOW REPLICATION ROLE, REGISTER REPLICA) — működik CE-ban.

Workaround playbook#

1+2. DDL/Constraint transaction-ben → autocommit + MERGE-by-name#

Tilos:

with driver.session() as s:
    with s.begin_transaction() as tx:
        tx.run("CREATE INDEX ON :Entity(name)")  # ← BUMM
        tx.run("CREATE CONSTRAINT ON (e:Entity) ASSERT e.name IS UNIQUE")

Helyes — két út:

A) mgconsole-on át, sor-szintű autocommit (egyszer, indítás-időben):

docker exec vault-memgraph bash -c \
  "echo 'CREATE INDEX ON :Entity(name);' | mgconsole --use_ssl=false"

B) Python driverben — session.run direkt, NEM tx-ben (implicit transaction = autocommit):

with driver.session() as s:
    s.run("CREATE INDEX ON :Entity(name)")  # ✅ autocommit

C) Constraint helyett app-layer MERGE-dedup (B-7 entity-graph-ban ezt használjuk):

# Nincs UNIQUE constraint — helyette MERGE garantálja az 1-példányt name szerint
tx.run("""
  MERGE (e:Entity {name: $name})
  ON CREATE SET e.created_at = timestamp()
  ON MATCH  SET e.frequency = coalesce(e.frequency, 0) + 1
""", name=ent_name)

3. Multi-database → 1 instance / projekt + label-namespace#

CE-ban nincs DATABASE koncepció — minden 1 alapértelmezett memgraph DB-ben él. Vault-megoldás: label-prefix namespacing (:SV_Entity vs :Foxxi_Entity), vagy külön Docker-container per projekt (vault-memgraph, foxxi-memgraph, eltérő portokon).

4. MAGE algoritmusok → image-csere#

Cseréld a memgraph/memgraph:latest-t memgraph/memgraph-mage:latest-re a docker-compose.yml-ben. Drop-in, ugyanaz a data-volume kompatibilis. Plusz ~600MB image-méret, de jön a pagerank / community / node2vec / shortestpath / weakly_connected_components / 50+ algoritmus.

Élő példa — B-7 entity-graph extract (2026-05-17)#

A sv-06-world-model B-7 sprint a vault-corpus-ből entity-graph-ot extraktál egy LLM-pipeline-on át, és Memgraph CE-ba ír. Jelen állapot a vault-memgraph container-ben:

SHOW STORAGE INFO  →  vertex_count: 23964, edge_count: 13812, memory: 105 MiB
SHOW INDEX INFO    →  label+property index :Entity(name) (autocommit-tel létrejött)

MATCH (n) RETURN labels(n), count(*)
  ["Literal"]   12160
  ["Entity"]     8975
  ["Chunk"]      2829

MATCH ()-[r]->() RETURN type(r), count(*) ORDER BY count(*) DESC LIMIT 5
  HAS_VALUE   1921
  USES        1862
  PRODUCES    1718
  REQUIRES    1277
  APPLIES_TO   993

Mit cseréltünk: az eredeti loader CREATE CONSTRAINT ... IS UNIQUE-kal indult tranzakcióban → fail. Refactor: az indexet mgconsole autocommit-tal toltuk be migration-szerűen, és minden ingest-pass MERGE (e:Entity {name: $name})-rel megy. App-layer dedupot kapunk index-segítséggel (MERGE :Entity(name) indexen lookupol → O(log n)).

Migráció Enterprise / MAGE-ra — mikor kell#

B-7-re a CE+MAGE upgrade kandidát — ha entity-cluster-detection (community_detection.get) vagy PageRank-ranking kerül a roadmapra, image-csere memgraph/memgraph-mage:latest-re, data-volume megmarad.

Kapcsolódó#

• sv-01-memory-architecture — vault memory-réteg arch.
• sv-06-world-model-knowledge-graph — KG schema + B-7 entity-graph design
• llm-daemon-warm-pattern — vault-search-server warm-model pattern (régi numpy-cosine workaround forrása)
• ../05-Memory/Infrastructure — container deploy + port-mapping

2026-05-17 native vector-index VERIFIED LIVE#

A Memgraph CE 3.9.0 natívan támogat vector-index-et — a 2026-05-17-obsidian-vault-2 session során élesben verifikálva.

• Syntax: CREATE VECTOR INDEX vault_chunk_vec ON :Chunk(embedding) WITH CONFIG {"dimension": 1024, "metric": "cos", "capacity": 8192};
• Query: CALL vector_search.search('vault_chunk_vec', limit, query_vector) YIELD node, similarity
• Benchmark: pure search mean 1ms / p95 2.6ms (280× speedup numpy-cosine workaround-hoz képest)
• Top-K result-egyezés numpy-val: 100% (3 query × k=3 byte-pontosan)

Audit: ../06-Audits/2026-05-17 B-2 native vector-index migration

A vault-search.py --backend=native|numpy|auto fallback chain-nel él (native default, numpy fallback ha workaround-érek).

2026-05-17-3 multi-namespace vector-index konfirmáció#

A B-4 Week 2 sprint kimutatta: egy Memgraph DB-ben több, független label-prop vector-index él párhuzamosan, 0 mucking-around (SHOW INDEX INFO egyszerre listázza). A vault state most:

label+property_vector  Chunk       vector     2829   (vault content)
label+property_vector  SkillChunk  embedding   462   (skill-pool)
label+property_vector  Entity      name       8997   (B-7 entity-graph)

• 3 különböző namespace (vault-content / skill-pool / entity-graph)
• 0 cross-namespace interferencia (külön index, külön cosine-space)
• Latency független: search 8-13ms a 462-skill-namespace-en, mean 1ms a 2829-vault-namespace-en
• CREATE VECTOR INDEX <name> ON :<Label>(<prop>) WITH CONFIG ... egy CQL-statement / namespace

Reusable insight: Memgraph CE multi-tenant vector-search out-of-the-box (NEM Neo4j-license-igényes), namespace per :<Label> triviálisan elválasztva.