用途：AgentDB Vector Search 用于实现基于向量的语义搜索，面向智能文档检索、相似度匹配与上下文感知查询，适合构建 RAG（检索增强生成）等需要语义召回的应用。
主要能力：据资料，它依托 AgentDB 的高性能向量数据库，具备 HNSW 索引、量化与亚毫秒级检索；支持向量存储、相似度搜索、向量加元数据的混合搜索，以及 MMR（最大边际相关性）以获得多样化结果。距离度量支持 cosine（默认）、euclidean、dot。量化选项包括 binary（约 32 倍内存缩减）、scalar（约 4 倍）、product（约 8-16 倍）。还提供批量操作与缓存。资料称相比传统方案有 150x-12,500x 的操作提速，并给出性能基准：模式搜索 100µs 对 15ms、批量插入 100 向量 2ms 对 1s、百万向量大规模查询 8ms 对 100s。
使用方式：前置条件为 Node.js 18+、AgentDB v1.0.7+（经 agentic-flow 或独立安装）、OpenAI API key 或自定义嵌入模型。CLI 可初始化、查询、导入导出与查看统计，例如：npx agentdb@latest init ./vectors.db（默认 1536 维），可用 --dimension 指定 768 或 384，用 --preset small/medium/large 选择预设，--in-memory 用于测试；查询示例：npx agentdb@latest query ./vectors.db "[0.1,0.2,0.3]" -k 10 -t 0.75 -m cosine，支持 -f json 与 -v。也可通过 agentic-flow/reasoningbank 的 createAgentDBAdapter 与 computeEmbedding 在代码中使用插入、检索与批量存储。MCP 集成：npx agentdb@latest mcp，或 claude mcp add agentdb npx agentdb@latest mcp。
适用场景：文档语义检索、相似内容匹配、RAG 上下文召回、按元数据过滤的混合搜索，以及需要低延迟的大规模向量查询。
限制：部分性能与加速数字来自资料中的基准，实际表现可能因数据规模、嵌入模型与配置而异；需自备嵌入模型或 OpenAI API key；维度需与所选嵌入模型匹配（OpenAI ada-002 为 1536、sentence-transformers 为 768、all-MiniLM-L6-v2 为 384）。其他收费、价格、平台支持等信息暂未提供。