用途：为 AI 智能体提供基于 AgentDB 的持久记忆与上下文管理能力，集成 ReasoningBank，使智能体能够记住对话、从交互中学习并跨会话保持上下文。资料称性能比传统方案快 150x-12,500x，并与 ReasoningBank API 100% 向后兼容。
前提条件：Node.js 18+；AgentDB v1.0.7+（通过 agentic-flow 或独立安装）；需理解智能体架构。
初始化与集成：可用 CLI 初始化向量数据库，例如 npx agentdb@latest init ./agents.db，支持自定义维度（--dimension 768）、预设配置（--preset large）和内存数据库（--in-memory）。启动 MCP 服务器并与 Claude Code 集成：npx agentdb@latest mcp，一次性添加 claude mcp add agentdb npx agentdb@latest mcp。也可通过插件向导 npx agentdb@latest create-plugin 创建学习插件，模板包括 decision-transformer、q-learning、sarsa、actor-critic、curiosity-driven。
主要能力：提供会话记忆、长期记忆（存储事实与用户偏好）、模式学习（记录成功交互并匹配当前上下文）三类模式，并有分层记忆与记忆合并等高级模式。API 侧通过 createAgentDBAdapter 初始化，支持 enableLearning、enableReasoning、quantizationType、cacheSize 等参数，提供 insertPattern 存储交互记忆、retrieveWithReasoning 检索上下文。ReasoningAgent 含 PatternMatcher、ContextSynthesizer、MemoryOptimizer、ExperienceCurator 四个模块。共 9 种学习算法，含 Decision Transformer、Q-Learning、SARSA、Actor-Critic 等。
使用方式：CLI 支持 query（向量查询、-k、-t、-f json）、export/import、stats、benchmark，以及 list-plugins、list-templates、plugin-info。另提供 migrate 从旧 ReasoningBank 迁移，并可用 adapter.train 训练模型。
最佳实践与限制：建议启用量化（binary/scalar，4-32x 内存缩减）、缓存（1000 条，检索小于 1ms）、批量操作（比单条插入快 500x）、定期训练、启用推理并监控指标。常见问题包括内存过大（检查大小并启用量化）与搜索变慢（启用 HNSW 索引与缓存）。文档中的具体速度快慢和内存缩减比例均为资料所述，实际效果可能随环境不同。收费、价格与平台支持信息暂未提供。