agentdb memory patterns

用途

AgentDB Memory Patterns 为 AI 智能体提供基于 AgentDB 的持久化记忆模式，并结合 ReasoningBank 集成。其目标是让智能体能够记住对话、从交互中学习，并在跨会话时保持上下文。

前置条件

Node.js 18+
AgentDB v1.0.7+（可通过 agentic-flow 或独立安装）
理解智能体架构

主要能力

为 AI 智能体提供记忆管理能力，包括存储交互记忆、检索带推理的上下文、学习交互模式。资料声明其性能为传统方案的 150x–12,500x，且 100% 向后兼容。

使用方式（CLI 快速开始）

初始化 AgentDB：

npx agentdb@latest init ./agents.db
npx agentdb@latest init ./agents.db --dimension 768
npx agentdb@latest init ./agents.db --preset large
npx agentdb@latest init ./memory.db --in-memory

为 Claude Code 启动 MCP 服务器：

npx agentdb@latest mcp
claude mcp add agentdb npx agentdb@latest mcp

创建学习插件：

npx agentdb@latest create-plugin
npx agentdb@latest create-plugin -t decision-transformer -n my-agent

可用模板：decision-transformer（序列建模 RL）、q-learning（基于价值的学习）、sarsa（同策略 TD 学习）、actor-critic（策略梯度）、curiosity-driven（基于探索）。

使用方式（API 快速开始）

import { createAgentDBAdapter } from 'agentic-flow/reasoningbank';

const adapter = await createAgentDBAdapter({
  dbPath: '.agentdb/reasoningbank.db',
  enableLearning: true,
  enableReasoning: true,
  quantizationType: 'scalar',
  cacheSize: 1000,
});

存储交互记忆使用 adapter.insertPattern({...})，检索上下文使用 adapter.retrieveWithReasoning(queryEmbedding, {...})，其中可启用 MMR（最大边际相关性）和上下文合成。

记忆模式

会话记忆：通过 storeMessage 存储消息，getSessionHistory 获取会话历史。
长期记忆：存储重要事实（如用户偏好），并按类别检索事实。
模式学习：存储成功交互的触发-响应模式，并匹配当前上下文应用已学模式。

高级模式包括：分层记忆（按即时、短期、长期、语义分层组织记忆）与记忆整合（按重要性策略定期整合，设置大小上限与相关性阈值）。

CLI 操作

查询数据库：

npx agentdb@latest query ./agents.db "[0.1,0.2,0.3,...]"
npx agentdb@latest query ./agents.db "[0.1,0.2,0.3]" -k 10
npx agentdb@latest query ./agents.db "0.1 0.2 0.3" -t 0.75
npx agentdb@latest query ./agents.db "[...]" -f json

导入导出与统计：

npx agentdb@latest export ./agents.db ./backup.json
npx agentdb@latest import ./backup.json
npx agentdb@latest stats ./agents.db

性能基准测试：

npx agentdb@latest benchmark

资料列出的基准结果：模式搜索快 150x（100µs vs 15ms）、批量插入快 500x（2ms vs 1s）、大规模查询快 12,500x（8ms vs 100s）。

与 ReasoningBank 集成

支持从旧版 ReasoningBank 迁移：

import { createAgentDBAdapter, migrateToAgentDB } from 'agentic-flow/reasoningbank';

const result = await migrateToAgentDB(
  '.swarm/memory.db',
  '.agentdb/reasoningbank.db'
);

还可训练学习模型（epochs、batchSize），并使用 retrieveWithReasoning 获取带推理的最优策略。

学习插件

资料列出 9 种算法：Decision Transformer（推荐）、Q-Learning、SARSA、Actor-Critic、Active Learning、Adversarial Training、Curriculum Learning、Federated Learning、Multi-task Learning。

插件管理命令：

npx agentdb@latest list-plugins
npx agentdb@latest list-templates
npx agentdb@latest plugin-info <name>

推理智能体（4 个模块）

PatternMatcher：使用 HNSW 索引查找相似模式
ContextSynthesizer：从多来源生成丰富上下文
MemoryOptimizer：整合相似模式、剪除低质量模式
ExperienceCurator：基于质量筛选经验

最佳实践

启用量化（scalar/binary 可减少 4-32x 内存）、使用缓存（1000 模式缓存实现 <1ms 检索）、批量操作（比单条插入快 500x）、定期训练、启用推理、监控指标。

疑难排查

内存过大：使用 stats 查看数据库大小，启用量化（binary 小 32x，scalar 小 4x）。搜索变慢：启用 HNSW 索引与缓存（搜索结果 <100µs）。从旧版 ReasoningBank 迁移：npx agentdb@latest migrate --source .swarm/memory.db。

性能特征

向量搜索 <100µs（HNSW 索引）、模式检索 <1ms（含缓存）、批量插入 100 个模式耗时 2ms、量化后内存减少 4-32x、与 ReasoningBank API 100% 向后兼容。

限制

资料未提供具体的收费或价格信息；其余平台兼容性、配额等细节暂未提供。