用途：使用 AgentDB 实现语义向量搜索，面向智能文档检索、相似度匹配和上下文感知查询，适合构建 RAG 检索增强生成等场景。
主要能力：提供向量存储、相似度搜索、向量与元数据混合搜索，支持 HNSW 索引、缓存、MMR（最大边际相关性）以及二值、标量、乘积等量化策略，距离度量包含 cosine、euclidean、dot。官方资料称其操作比传统方案快 150 至 12500 倍，检索低于 100µs。
使用方式：需 Node.js 18+、AgentDB v1.0.7+（通过 agentic-flow 或独立安装），以及 OpenAI API key 或自定义嵌入模型。CLI 初始化：npx agentdb@latest init ./vectors.db，可用 --dimension、--preset、--in-memory 等参数；查询：npx agentdb@latest query ./vectors.db "[...]"，支持 -k、-t、-m、-f json、-v；导入导出：npx agentdb@latest export/import；统计：npx agentdb@latest stats ./vectors.db。API 侧可 import { createAgentDBAdapter, computeEmbedding } from 'agentic-flow/reasoningbank'，用 createAgentDBAdapter 初始化，通过 insertPattern、retrieveWithReasoning 等方法操作。MCP 集成：npx agentdb@latest mcp，可 claude mcp add agentdb npx agentdb@latest mcp。
适用场景：语义文档检索、相似内容匹配、RAG 上下文检索、批量向量存储和带元数据过滤的混合搜索。
限制：需自行准备嵌入模型与 API key；维度需与嵌入模型匹配（如 OpenAI ada-002 为 1536，sentence-transformers 为 768，all-MiniLM-L6-v2 为 384）；官方未提供收费与价格信息（暂未提供）。性能数据来自官方资料，实际效果可能因环境而异。