AgentDB Performance Optimization 是一个针对 AgentDB 向量数据库的性能优化技能，围绕量化、HNSW 索引、缓存与批量操作四个方面给出配置方法与调优建议。
一、主要用途 用于提升 AgentDB 向量库的检索速度、降低内存占用，并在精度与资源之间取得平衡。资料给出的目标指标为：向量搜索低于 100 微秒、模式检索低于 1 毫秒、100 条向量批量插入约 2 毫秒；性能提升幅度在 150 倍至 12,500 倍之间，内存占用可降低 4 至 32 倍。
二、前置条件 需要 Node.js 18+、AgentDB v1.0.7+（通过 agentic-flow 使用），以及已有 AgentDB 数据库或应用。
三、主要能力
- 量化策略
- 二进制量化：约 32 倍内存压缩，精度约为原方案的 95% 至 98%，搜索速度约 10 倍；适合百万级以上向量、内存受限环境、移动或边缘部署。
- 标量量化：约 4 倍内存压缩，精度约为 98% 至 99%，搜索速度约 3 倍；适合需要较高精度的生产应用与中等规模数据集。
- 乘积量化：8 至 16 倍内存压缩，精度约为 93% 至 97%，搜索速度约 5 倍；适合高维向量与图像、视频嵌入。
- 不量化：保持全精度，无精度损失，适合小数据集与对精度要求最高的场景。
-
HNSW 索引 AgentDB 会自动构建 HNSW 索引，搜索复杂度为 O(log n)。可调参数包括 hnswM（每层连接数，默认 16）、hnswEfConstruction（构建质量，默认 200）、hnswEfSearch（搜索质量，默认 100）。资料建议：数据集小于 1 万时 M 取 8，1 万至 10 万取 16，大于 10 万取 32；efConstruction 快速构建取 100、均衡取 200、高质量取 400；efSearch 快速搜索取 50、均衡取 100、高召回取 200。
-
缓存策略 通过 cacheSize 设置内存中的模式缓存数量，采用 LRU 淘汰机制。资料建议小型应用 100 至 500 条、中型 500 至 2000 条、大型 2000 至 5000 条，并建议缓存命中率目标高于 80%。
-
批量操作 支持批量插入（资料称 100 条文档约 2 毫秒，相比逐条插入约 1 秒提升约 500 倍）以及多查询并行检索。
-
内存优化 支持自动整合相似模式、剪枝低置信度或低使用频率或超龄模式，也可手动调用优化接口。
-
性能监控 可通过命令行查看模式总数、数据库大小、平均置信度、域数量、缓存命中率与索引类型；运行时接口可读取总模式数、数据库大小、平均置信度、缓存命中率、平均搜索与插入延迟等指标。
四、使用方式 通过 npx agentdb@latest benchmark 运行基准测试，通过 npx agentdb@latest stats 查看统计。在代码中通过 createAgentDBAdapter 创建适配器并配置 quantizationType、cacheSize、hnswM、hnswEfConstruction、hnswEfSearch 等参数；检索时调用 retrieveWithReasoning，可传入 optimizeMemory 选项。资料还给出四种预设组合：最高速度、均衡性能、最高精度、内存受限（移动或边缘）。
五、适用场景与规模建议 小于 1 万向量建议不量化、缓存 500、M 取 8；1 万至 10 万建议标量量化、缓存 1000、M 取 16；10 万至 100 万建议二进制量化、缓存 2000、M 取 32；超过 100 万建议乘积量化、缓存 5000、M 取 48、efConstruction 取 400。
六、限制与注意事项 资料提供的基准测试基于 AMD Ryzen 9 5950X、64GB 内存环境，其他环境下实际表现可能不同。量化会带来一定精度损失，具体幅度依策略而定。文中未提供收费、授权与商业条款信息，暂未提供。