用途：为文档检索、相似度匹配与上下文感知查询实现语义向量搜索，可支撑 RAG（检索增强生成）流程。
主要能力：支持 HNSW 索引、缓存、MMR（最大边际相关性）多样性检索，以及向量与元数据的混合搜索；提供二进制（32 倍）、标量（4 倍）、乘积（8-16 倍）等量化策略降低内存；支持 cosine、euclidean、dot 三种距离度量；支持批量存取、导入导出与统计查看。资料给出的性能特征为：向量搜索 <100µs，带缓存检索 <1ms，100 条向量批量插入 2ms，可处理 100 万以上向量。
使用方式：需 Node.js 18+、AgentDB v1.0.7+，以及 OpenAI API key 或自定义嵌入模型。命令行可用 npx agentdb@latest init ./vectors.db 初始化，--dimension 768/384 适配不同嵌入模型，--preset small/medium/large 与 --in-memory 可选；查询使用 npx agentdb@latest query ./vectors.db "[...]" -k 10 -t 0.75 -m cosine；另有 export、import、stats、benchmark、mcp 等子命令。API 侧可 import { createAgentDBAdapter, computeEmbedding } from 'agentic-flow/reasoningbank'，通过 adapter.insertPattern 写入、adapter.retrieveWithReasoning 检索。MCP 集成可执行 claude mcp add agentdb npx agentdb@latest mcp，从而在 Claude Code 中使用 agentdb_query、agentdb_store、agentdb_stats 等工具。
适用场景：RAG 问答、相似文档查找、带元数据过滤的知识库检索。
限制：资料未提供价格、计费方式与授权条款；文中提及的性能倍数为资料自述的基准结果，未提供独立验证信息；具体功能可用性依赖所列前置依赖与版本。