用途：为 AgentDB 向量数据库提供性能优化方案，通过量化、HNSW 索引、缓存策略与批量操作，降低内存占用并加速向量检索和写入。适用前提为 Node.js 18+、AgentDB v1.0.7+（经 agentic-flow 提供）以及已有的 AgentDB 数据库或应用。
主要能力： 量化方面，binary 量化可 32 倍降内存、约 10 倍提速、精度约为原值 95%–98%；scalar 量化 4 倍降内存、约 3 倍提速、精度约 98%–99%；product 量化 8–16 倍降内存、约 5 倍提速、精度约 93%–97%；亦可关闭量化以保精度。HNSW 索引为 O(log n) 复杂度，自动启用，可调 hnswM、hnswEfConstruction、hnswEfSearch 等参数在召回率、构建速度与搜索速度间取舍。缓存支持内存模式缓存与 LRU 淘汰，可用 getStats() 查看 cacheHitRate。批量操作包括批量插入与并行检索；此外支持自动或手动模式合并、低置信度/低使用/超期模式剪枝。
必要用法：可运行 npx agentdb@latest benchmark 做基准测试，npx agentdb@latest stats .agentdb/vectors.db 查看统计。初始化示例：const adapter = await createAgentDBAdapter({ dbPath: '.agentdb/optimized.db', quantizationType: 'binary', cacheSize: 1000, enableLearning: true, enableReasoning: true }); 检索示例：await adapter.retrieveWithReasoning(queryEmbedding, { k: 10 }); 优化与剪枝使用 adapter.optimize()、adapter.prune({ minConfidence: 0.5, minUsageCount: 2, maxAge: 30 * 24 * 3600 })。文档另给最大速度、均衡、最大精度、内存受限等配方及不同向量规模（<10K、10K–100K、100K–1M、>1M）的推荐配置。
限制与说明：资料提供的性能数据基于 AMD Ryzen 9 5950X、64GB RAM 测试系统，实际表现可能不同；量化会带来精度损失；构建质量与搜索质量越高，构建与搜索越慢。除上述内容外，未提供更多平台支持、价格或授权信息。