AgentDB Vector Search 是什么
该技能用于通过 AgentDB 的高性能向量数据库实现基于向量的语义搜索，适用于智能文档检索、相似度匹配和上下文感知查询，并可在构建 RAG（检索增强生成）流程时使用。资料称其操作速度比传统方案快 150 倍至 12,500 倍，具备 HNSW 索引、量化以及亚毫秒级搜索（小于 100 微秒）。
前置条件
使用前需要：Node.js 18+；AgentDB v1.0.7+（通过 agentic-flow 或独立安装）；OpenAI API Key（用于嵌入）或自定义嵌入模型。
使用方式：命令行
初始化向量数据库：使用默认维度（OpenAI ada-002 为 1536）可执行 npx agentdb@latest init ./vectors.db。针对不同嵌入模型可自定义维度，如 --dimension 768（sentence-transformers）、--dimension 384（all-MiniLM-L6-v2）。也可使用预设配置：--preset small（少于 1 万向量）、--preset medium（1 万至 10 万向量）、--preset large（超过 10 万向量）。测试时可用 --in-memory 建立内存数据库。
查询向量数据库：基本相似度搜索为 npx agentdb@latest query ./vectors.db "[0.1,0.2,0.3,...]"；可用 -k 10 指定返回前 k 个结果；使用 -t 0.75 -m cosine 指定相似度阈值（余弦相似度）；距离度量可选 -m euclidean（L2 距离）或 -m dot（点积）；-f json -k 5 输出 JSON 便于自动化；-v 输出包含距离的详细信息。
导入导出与统计：导出向量到 JSON 使用 npx agentdb@latest export ./vectors.db ./backup.json；从 JSON 导入使用 npx agentdb@latest import ./backup.json；查看数据库统计使用 npx agentdb@latest stats ./vectors.db。
使用方式：API
通过 import { createAgentDBAdapter, computeEmbedding } from 'agentic-flow/reasoningbank' 引入。初始化适配器时使用 createAgentDBAdapter 并传入 dbPath、enableLearning（向量搜索时可设为 false）、enableReasoning（启用语义匹配）、quantizationType（如 binary，内存减少 32 倍）、cacheSize（如 1000，加快检索）。存储文档时先用 computeEmbedding 计算文本嵌入，再通过 adapter.insertPattern 写入 id、type、domain、pattern_data（包含 embedding、text、metadata）、confidence、usage_count、success_count、created_at、last_used 等字段。检索时用 computeEmbedding 计算查询嵌入，再调用 adapter.retrieveWithReasoning，可指定 domain、k、useMMR（返回多样化结果）、synthesizeContext（更丰富的上下文）。
核心能力
向量存储：可调用 db.storeWithEmbedding 存储内容与元数据（如 source、page），自动生成嵌入。相似度搜索：调用 db.findSimilar 查找相似文档，可指定 limit 与 minScore。混合搜索：调用 db.hybridSearch 将向量相似度与元数据过滤结合，可传 query、filters（如 category、date 范围）、limit。
高级用法
RAG 流程：先用嵌入搜索获得相关上下文（如 limit 5、threshold 0.7），再把上下文与问题组合成提示词交给大模型生成答案。批量操作：使用 db.batchStore 批量存储文本、嵌入与元数据。MCP 服务器集成：执行 npx agentdb@latest mcp 启动 AgentDB MCP 服务器；通过 claude mcp add agentdb npx agentdb@latest mcp 在 Claude Code 中完成一次性配置；之后可在 Claude Code 中使用 agentdb_query（语义向量搜索）、agentdb_store（存储带嵌入的文档）、agentdb_stats（数据库统计）等 MCP 工具。
性能与基准
可执行 npx agentdb@latest benchmark 运行基准测试。资料给出的结果包括：模式搜索快 150 倍（100 微秒对 15 毫秒）；批量插入快 500 倍（100 个向量 2 毫秒对 1 秒）；大规模查询快 12,500 倍（100 万向量 8 毫秒对 100 秒）；量化带来 4 至 32 倍内存减少。
量化选项
二值量化（binary）可减少 32 倍内存（768 维降至 96 字节）；标量量化（scalar）减少 4 倍（768 维为 768 字节）；乘积量化（product）减少 8 至 16 倍（768 维为 48 至 96 字节）。以上通过适配器的 quantizationType 参数设置。
距离度量
余弦相似度（cosine）为默认，适合大多数场景；欧几里得距离（euclidean，L2 范数）；点积（dot，适合归一化向量）。通过命令行 -m 参数选择。
其他高级特性
HNSW 索引：搜索复杂度 O(log n)，亚毫秒级检索（小于 100 微秒），自动构建索引。缓存：支持 1000 个模式的内存缓存，模式检索小于 1 毫秒，自动失效。MMR（最大边际相关性）：结果集多样化，避免冗余，兼顾相关性与多样性。
使用建议与排障
性能建议包括：启用 HNSW 索引（AgentDB 自动启用，可快 10 至 100 倍）；使用量化减少内存；批量操作更快；匹配嵌入维度（OpenAI 1536、sentence-transformers 768、MiniLM 384）；相似度阈值可从 0.7 起步按场景调整；启用缓存。排障方面：搜索慢可检查 HNSW 索引状态（npx agentdb@latest stats ./vectors.db，预期搜索时间小于 100 微秒）；内存高可启用二值量化；相关性差可提高阈值（如 -t 0.8）或启用 MMR；维度错误需确认嵌入模型维度后重新初始化（如 --dimension 768）。数据库统计会显示模式/向量总数、数据库大小、平均置信度、域分布与索引状态。
性能特征
向量搜索小于 100 微秒（HNSW 索引）；模式检索小于 1 毫秒（含缓存）；100 个向量批量插入 2 毫秒；量化可减少 4 至 32 倍内存；可高效处理 100 万以上向量；多数操作延迟为亚毫秒级。
适用场景与限制
适用场景包括语义文档检索、相似度匹配、上下文感知查询、RAG 流程、批量向量入库以及需要混合元数据过滤的检索。限制方面，资料未提供具体收费与价格信息、平台兼容性细节、效果保证以及除所述功能外的其他能力，这些内容暂未提供。