AgentDB Memory Patterns

AgentDB メモリパターン

このスキルでできること

AgentDB の永続ストレージと ReasoningBank の統合を利用した、AI エージェント向けのメモリ管理パターンを提供します。エージェントが会話を記憶し、やり取りから学習し、セッションをまたいでコンテキストを維持できるようにします。

パフォーマンス：従来のソリューションより150～12,500倍高速で、100％の後方互換性を備えています。

前提条件

• Node.js 18+
• AgentDB v1.0.7+（agentic-flow 経由またはスタンドアロン）
• エージェントアーキテクチャの知識

CLI でクイックスタート

AgentDB を初期化する

# Initialize vector database
npx agentdb@latest init .$agents.db

# Or with custom dimensions
npx agentdb@latest init .$agents.db --dimension 768

# Use preset configurations
npx agentdb@latest init .$agents.db --preset large

# In-memory database for testing
npx agentdb@latest init .$memory.db --in-memory

Claude Code 用の MCP サーバーを起動する

# Start MCP server (integrates with Claude Code)
npx agentdb@latest mcp

# Add to Claude Code (one-time setup)
claude mcp add agentdb npx agentdb@latest mcp

学習プラグインを作成する

# Interactive plugin wizard
npx agentdb@latest create-plugin

# Use template directly
npx agentdb@latest create-plugin -t decision-transformer -n my-agent

# Available templates:
# - decision-transformer (sequence modeling RL)
# - q-learning (value-based learning)
# - sarsa (on-policy TD learning)
# - actor-critic (policy gradient)
# - curiosity-driven (exploration-based)

API でクイックスタート

import { createAgentDBAdapter } from 'agentic-flow$reasoningbank';

// Initialize with default configuration
const adapter = await createAgentDBAdapter({
  dbPath: '.agentdb$reasoningbank.db',
  enableLearning: true,      // Enable learning plugins
  enableReasoning: true,      // Enable reasoning agents
  quantizationType: 'scalar', // binary | scalar | product | none
  cacheSize: 1000,            // In-memory cache
});

// Store interaction memory
const patternId = await adapter.insertPattern({
  id: '',
  type: 'pattern',
  domain: 'conversation',
  pattern_data: JSON.stringify({
    embedding: await computeEmbedding('What is the capital of France?'),
    pattern: {
      user: 'What is the capital of France?',
      assistant: 'The capital of France is Paris.',
      timestamp: Date.now()
    }
  }),
  confidence: 0.95,
  usage_count: 1,
  success_count: 1,
  created_at: Date.now(),
  last_used: Date.now(),
});

// Retrieve context with reasoning
const context = await adapter.retrieveWithReasoning(queryEmbedding, {
  domain: 'conversation',
  k: 10,
  useMMR: true,              // Maximal Marginal Relevance
  synthesizeContext: true,    // Generate rich context
});

メモリパターン

1. セッションメモリ

class SessionMemory {
  async storeMessage(role: string, content: string) {
    return await db.storeMemory({
      sessionId: this.sessionId,
      role,
      content,
      timestamp: Date.now()
    });
  }

  async getSessionHistory(limit = 20) {
    return await db.query({
      filters: { sessionId: this.sessionId },
      orderBy: 'timestamp',
      limit
    });
  }
}

2. 長期メモリ

// Store important facts
await db.storeFact({
  category: 'user_preference',
  key: 'language',
  value: 'English',
  confidence: 1.0,
  source: 'explicit'
});

// Retrieve facts
const prefs = await db.getFacts({
  category: 'user_preference'
});

3. パターン学習

// Learn from successful interactions
await db.storePattern({
  trigger: 'user_asks_time',
  response: 'provide_formatted_time',
  success: true,
  context: { timezone: 'UTC' }
});

// Apply learned patterns
const pattern = await db.matchPattern(currentContext);

高度なパターン

階層型メモリ

// Organize memory in hierarchy
await memory.organize({
  immediate: recentMessages,    // Last 10 messages
  shortTerm: sessionContext,    // Current session
  longTerm: importantFacts,     // Persistent facts
  semantic: embeddedKnowledge   // Vector search
});

メモリの統合

// Periodically consolidate memories
await memory.consolidate({
  strategy: 'importance',       // Keep important memories
  maxSize: 10000,              // Size limit
  minScore: 0.5                // Relevance threshold
});

CLI 操作

データベースをクエリする

# Query with vector embedding
npx agentdb@latest query .$agents.db "[0.1,0.2,0.3,...]"

# Top-k results
npx agentdb@latest query .$agents.db "[0.1,0.2,0.3]" -k 10

# With similarity threshold
npx agentdb@latest query .$agents.db "0.1 0.2 0.3" -t 0.75

# JSON output
npx agentdb@latest query .$agents.db "[...]" -f json

データをインポート／エクスポートする

# Export vectors to file
npx agentdb@latest export .$agents.db .$backup.json

# Import vectors from file
npx agentdb@latest import .$backup.json

# Get database statistics
npx agentdb@latest stats .$agents.db

パフォーマンスのベンチマーク

# Run performance benchmarks
npx agentdb@latest benchmark

# Results show:
# - Pattern Search: 150x faster (100µs vs 15ms)
# - Batch Insert: 500x faster (2ms vs 1s)
# - Large-scale Query: 12,500x faster (8ms vs 100s)

ReasoningBank との統合

import { createAgentDBAdapter, migrateToAgentDB } from 'agentic-flow$reasoningbank';

// Migrate from legacy ReasoningBank
const result = await migrateToAgentDB(
  '.swarm$memory.db',           // Source (legacy)
  '.agentdb$reasoningbank.db'   // Destination (AgentDB)
);

console.log(`✅ Migrated ${result.patternsMigrated} patterns`);

// Train learning model
const adapter = await createAgentDBAdapter({
  enableLearning: true,
});

await adapter.train({
  epochs: 50,
  batchSize: 32,
});

// Get optimal strategy with reasoning
const result = await adapter.retrieveWithReasoning(queryEmbedding, {
  domain: 'task-planning',
  synthesizeContext: true,
  optimizeMemory: true,
});

学習プラグイン

利用可能なアルゴリズム（全9種）

1. Decision Transformer - シーケンスモデリング RL（推奨）
2. Q-Learning - 価値ベースの学習
3. SARSA - オンポリシー TD 学習
4. Actor-Critic - ベースラインを用いた方策勾配法
5. Active Learning - クエリ選択
6. Adversarial Training - ロバスト性
7. Curriculum Learning - 段階的な難易度設定
8. Federated Learning - 分散学習
9. Multi-task Learning - 転移学習

プラグインを一覧表示・管理する

# List available plugins
npx agentdb@latest list-plugins

# List plugin templates
npx agentdb@latest list-templates

# Get plugin info
npx agentdb@latest plugin-info <name>

推論エージェント（4つのモジュール）

1. PatternMatcher - HNSW インデックスを使用して類似パターンを検索します
2. ContextSynthesizer - 複数のソースから豊富なコンテキストを生成します
3. MemoryOptimizer - 類似パターンを統合し、品質の低いパターンを削除します
4. ExperienceCurator - 品質に基づいて経験をフィルタリングします

ベストプラクティス

1. 量子化を有効にする：scalar$binary を使用して、メモリ使用量を4～32倍削減します
2. キャッシュを使用する：1,000パターンのキャッシュにより、1ミリ秒未満で取得できます
3. バッチ操作を使用する：個別に挿入する場合より500倍高速です
4. 定期的にトレーニングする：新しい経験で学習モデルを更新します
5. 推論を有効にする：コンテキストの合成と最適化を自動化します
6. メトリクスを監視する：stats コマンドでパフォーマンスを追跡します

トラブルシューティング

問題：メモリが大きくなりすぎる

# Check database size
npx agentdb@latest stats .$agents.db

# Enable quantization
# Use 'binary' (32x smaller) or 'scalar' (4x smaller)

問題：検索のパフォーマンスが遅い

# Enable HNSW indexing and caching
# Results: <100µs search time

問題：従来の ReasoningBank からの移行

# Automatic migration with validation
npx agentdb@latest migrate --source .swarm$memory.db

パフォーマンス特性

• ベクトル検索：100µs 未満（HNSW インデックス）
• パターン取得：1ミリ秒未満（キャッシュ使用時）
• バッチ挿入：100パターンで2ミリ秒
• メモリ効率：量子化により4～32倍削減
• 後方互換性：ReasoningBank API と100％互換

詳細情報

• GitHub: https:/$github.com$ruvnet$agentic-flow$tree$main$packages$agentdb
• ドキュメント: node_modules$agentic-flow/docs/AGENTDB_INTEGRATION.md
• MCP 統合: Claude Code 用の npx agentdb@latest mcp
• ウェブサイト: https:/$agentdb.ruv.io