用途：为 AgentDB 向量数据库提供性能优化手段，通过量化、HNSW 索引、缓存策略与批量操作提升检索速度并降低内存占用，宣称可实现 150 倍到 12500 倍性能提升，内存缩减 4-32 倍。
主要能力： 量化策略分为四种：binary 二值量化（约 32 倍内存缩减）、scalar 标量量化（约 4 倍）、product 乘积量化（约 8-16 倍）以及 none 全精度。HNSW 索引自动启用，可调参数包括 hnswM、hnswEfConstruction、hnswEfSearch。缓存提供内存中的模式缓存（cacheSize）与 LRU 淘汰。批量操作支持批量插入与并行检索。还提供自动/手动内存优化、剪枝与运行指标监控。
使用方式： 需 Node.js 18+、AgentDB v1.0.7+（通过 agentic-flow）及已有数据库。可用 npx agentdb@latest benchmark 运行基准测试，用 npx agentdb@latest stats .agentdb/vectors.db 查看统计。通过 createAgentDBAdapter 配置 dbPath、quantizationType、cacheSize、enableLearning、enableReasoning 等参数，检索使用 retrieveWithReasoning(queryEmbedding, { k: 10 })。
适用场景： 按规模给出配方：小规模（<10K）用全精度；中等规模（10K-100K）用 scalar；大规模（100K-1M）用 binary；超大规模（>1M）用 product。也给出最大速度、平衡、最大精度与内存受限（移动/边缘）等场景配方。
限制： 资料未提供具体收费、价格或许可信息。量化会带来精度损失（binary 约 2-5%、scalar 约 1-2%、product 约 3-7%），需权衡。宣称的性能数据出自特定测试环境（AMD Ryzen 9 5950X，64GB RAM），实际效果可能不同。