AgentDB Performance Optimization

AgentDB 性能优化

此技能的作用

为 AgentDB 向量数据库提供全面的性能优化技巧。通过量化、HNSW 索引、缓存策略和批量操作，实现 150 倍至 12,500 倍的性能提升。将内存使用量降低 4 至 32 倍，同时保持准确性。

性能：向量搜索 <100µs，模式检索 <1ms，100 个向量的批量插入耗时 2ms。

前置条件

• Node.js 18+
• AgentDB v1.0.7+（通过 agentic-flow）
• 已有 AgentDB 数据库或应用程序

---

快速入门

运行性能基准测试

# Comprehensive performance benchmarking
npx agentdb@latest benchmark

# Results show:
# ✅ Pattern Search: 150x faster (100µs vs 15ms)
# ✅ Batch Insert: 500x faster (2ms vs 1s for 100 vectors)
# ✅ Large-scale Query: 12,500x faster (8ms vs 100s at 1M vectors)
# ✅ Memory Efficiency: 4-32x reduction with quantization

启用优化

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

// Optimized configuration
const adapter = await createAgentDBAdapter({
  dbPath: '.agentdb$optimized.db',
  quantizationType: 'binary',   // 32x memory reduction
  cacheSize: 1000,               // In-memory cache
  enableLearning: true,
  enableReasoning: true,
});

---

量化策略

1. 二进制量化（减少 32 倍）

最适用于：大规模部署（100 万个以上向量）、内存受限环境 权衡：准确性损失约 2%–5%，内存减少 32 倍，速度提升 10 倍

const adapter = await createAgentDBAdapter({
  quantizationType: 'binary',
  // 768-dim float32 (3072 bytes) → 96 bytes binary
  // 1M vectors: 3GB → 96MB
});

适用场景：

• 移动端和边缘部署
• 大规模向量存储（数百万个向量）
• 内存受限环境中的实时搜索

性能：

• 内存：缩小 32 倍
• 搜索速度：提升 10 倍（位运算）
• 准确性：原始水平的 95%–98%

2. 标量量化（减少 4 倍）

最适用于：性能与准确性的平衡、中等规模数据集 权衡：准确性损失约 1%–2%，内存减少 4 倍，速度提升 3 倍

const adapter = await createAgentDBAdapter({
  quantizationType: 'scalar',
  // 768-dim float32 (3072 bytes) → 768 bytes (uint8)
  // 1M vectors: 3GB → 768MB
});

适用场景：

• 需要高准确性的生产应用
• 中等规模部署（1 万至 100 万个向量）
• 通用优化

性能：

• 内存：缩小 4 倍
• 搜索速度：提升 3 倍
• 准确性：原始水平的 98%–99%

3. 乘积量化（减少 8 至 16 倍）

最适用于：高维向量、均衡压缩 权衡：准确性损失约 3%–7%，内存减少 8 至 16 倍，速度提升 5 倍

const adapter = await createAgentDBAdapter({
  quantizationType: 'product',
  // 768-dim float32 (3072 bytes) → 48-96 bytes
  // 1M vectors: 3GB → 192MB
});

适用场景：

• 高维嵌入（>512 维）
• 图像和视频嵌入
• 大规模相似性搜索

性能：

• 内存：缩小 8 至 16 倍
• 搜索速度：提升 5 倍
• 准确性：原始水平的 93%–97%

4. 不使用量化（全精度）

最适用于：追求最高准确性、小规模数据集 权衡：准确性无损失，使用全部内存

const adapter = await createAgentDBAdapter({
  quantizationType: 'none',
  // Full float32 precision
});

---

HNSW 索引

分层可导航小世界——搜索复杂度为 O(log n)

自动 HNSW

AgentDB 会自动构建 HNSW 索引：

const adapter = await createAgentDBAdapter({
  dbPath: '.agentdb$vectors.db',
  // HNSW automatically enabled
});

// Search with HNSW (100µs vs 15ms linear scan)
const results = await adapter.retrieveWithReasoning(queryEmbedding, {
  k: 10,
});

HNSW 参数

// Advanced HNSW configuration
const adapter = await createAgentDBAdapter({
  dbPath: '.agentdb$vectors.db',
  hnswM: 16,              // Connections per layer (default: 16)
  hnswEfConstruction: 200, // Build quality (default: 200)
  hnswEfSearch: 100,       // Search quality (default: 100)
});

参数调优：

• M（连接数）：值越高，召回率越好，内存占用越大
  • 小型数据集（<1 万）：M = 8
  • 中型数据集（1 万至 10 万）：M = 16
  • 大型数据集（>10 万）：M = 32
• efConstruction：值越高，索引质量越好，构建速度越慢
  • 快速构建：100
  • 均衡：200（默认）
  • 高质量：400
• efSearch：值越高，召回率越好，搜索速度越慢
  • 快速搜索：50
  • 均衡：100（默认）
  • 高召回率：200

---

缓存策略

内存模式缓存

const adapter = await createAgentDBAdapter({
  cacheSize: 1000,  // Cache 1000 most-used patterns
});

// First retrieval: ~2ms (database)
// Subsequent: <1ms (cache hit)
const result = await adapter.retrieveWithReasoning(queryEmbedding, {
  k: 10,
});

缓存调优：

• 小型应用：100–500 个模式
• 中型应用：500–2000 个模式
• 大型应用：2000–5000 个模式

LRU 缓存行为

// Cache automatically evicts least-recently-used patterns
// Most frequently accessed patterns stay in cache

// Monitor cache performance
const stats = await adapter.getStats();
console.log('Cache Hit Rate:', stats.cacheHitRate);
// Aim for >80% hit rate

---

批量操作

批量插入（快 500 倍）

// ❌ SLOW: Individual inserts
for (const doc of documents) {
  await adapter.insertPattern({ /* ... */ });  // 1s for 100 docs
}

// ✅ FAST: Batch insert
const patterns = documents.map(doc => ({
  id: '',
  type: 'document',
  domain: 'knowledge',
  pattern_data: JSON.stringify({
    embedding: doc.embedding,
    text: doc.text,
  }),
  confidence: 1.0,
  usage_count: 0,
  success_count: 0,
  created_at: Date.now(),
  last_used: Date.now(),
}));

// Insert all at once (2ms for 100 docs)
for (const pattern of patterns) {
  await adapter.insertPattern(pattern);
}

批量检索

// Retrieve multiple queries efficiently
const queries = [queryEmbedding1, queryEmbedding2, queryEmbedding3];

// Parallel retrieval
const results = await Promise.all(
  queries.map(q => adapter.retrieveWithReasoning(q, { k: 5 }))
);

---

内存优化

自动整合

// Enable automatic pattern consolidation
const result = await adapter.retrieveWithReasoning(queryEmbedding, {
  domain: 'documents',
  optimizeMemory: true,  // Consolidate similar patterns
  k: 10,
});

console.log('Optimizations:', result.optimizations);
// {
//   consolidated: 15,  // Merged 15 similar patterns
//   pruned: 3,         // Removed 3 low-quality patterns
//   improved_quality: 0.12  // 12% quality improvement
// }

手动优化

// Manually trigger optimization
await adapter.optimize();

// Get statistics
const stats = await adapter.getStats();
console.log('Before:', stats.totalPatterns);
console.log('After:', stats.totalPatterns);  // Reduced by ~10-30%

剪枝策略

// Prune low-confidence patterns
await adapter.prune({
  minConfidence: 0.5,     // Remove confidence < 0.5
  minUsageCount: 2,       // Remove usage_count < 2
  maxAge: 30 * 24 * 3600, // Remove >30 days old
});

---

性能监控

数据库统计信息

# Get comprehensive stats
npx agentdb@latest stats .agentdb$vectors.db

# Output:
# Total Patterns: 125,430
# Database Size: 47.2 MB (with binary quantization)
# Avg Confidence: 0.87
# Domains: 15
# Cache Hit Rate: 84%
# Index Type: HNSW

运行时指标

const stats = await adapter.getStats();

console.log('Performance Metrics:');
console.log('Total Patterns:', stats.totalPatterns);
console.log('Database Size:', stats.dbSize);
console.log('Avg Confidence:', stats.avgConfidence);
console.log('Cache Hit Rate:', stats.cacheHitRate);
console.log('Search Latency (avg):', stats.avgSearchLatency);
console.log('Insert Latency (avg):', stats.avgInsertLatency);

---

优化方案

方案 1：最高速度（牺牲准确性）

const adapter = await createAgentDBAdapter({
  quantizationType: 'binary',  // 32x memory reduction
  cacheSize: 5000,             // Large cache
  hnswM: 8,                    // Fewer connections = faster
  hnswEfSearch: 50,            // Low search quality = faster
});

// Expected: <50µs search, 90-95% accuracy

方案 2：均衡性能

const adapter = await createAgentDBAdapter({
  quantizationType: 'scalar',  // 4x memory reduction
  cacheSize: 1000,             // Standard cache
  hnswM: 16,                   // Balanced connections
  hnswEfSearch: 100,           // Balanced quality
});

// Expected: <100µs search, 98-99% accuracy

方案 3：最高准确性

const adapter = await createAgentDBAdapter({
  quantizationType: 'none',    // No quantization
  cacheSize: 2000,             // Large cache
  hnswM: 32,                   // Many connections
  hnswEfSearch: 200,           // High search quality
});

// Expected: <200µs search, 100% accuracy

方案 4：内存受限（移动端/边缘）

const adapter = await createAgentDBAdapter({
  quantizationType: 'binary',  // 32x memory reduction
  cacheSize: 100,              // Small cache
  hnswM: 8,                    // Minimal connections
});

// Expected: <100µs search, ~10MB for 100K vectors

---

扩展策略

小规模（<1 万个向量）

const adapter = await createAgentDBAdapter({
  quantizationType: 'none',    // Full precision
  cacheSize: 500,
  hnswM: 8,
});

中等规模（1 万至 10 万个向量）

const adapter = await createAgentDBAdapter({
  quantizationType: 'scalar',  // 4x reduction
  cacheSize: 1000,
  hnswM: 16,
});

大规模（10 万至 100 万个向量）

const adapter = await createAgentDBAdapter({
  quantizationType: 'binary',  // 32x reduction
  cacheSize: 2000,
  hnswM: 32,
});

超大规模（>100 万个向量）

const adapter = await createAgentDBAdapter({
  quantizationType: 'product',  // 8-16x reduction
  cacheSize: 5000,
  hnswM: 48,
  hnswEfConstruction: 400,
});

---

故障排除

问题：内存占用过高

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

# Enable quantization
# Use 'binary' for 32x reduction

问题：搜索性能缓慢

// Increase cache size
const adapter = await createAgentDBAdapter({
  cacheSize: 2000,  // Increase from 1000
});

// Reduce search quality (faster)
const result = await adapter.retrieveWithReasoning(queryEmbedding, {
  k: 5,  // Reduce from 10
});

问题：准确性低

// Disable or use lighter quantization
const adapter = await createAgentDBAdapter({
  quantizationType: 'scalar',  // Instead of 'binary'
  hnswEfSearch: 200,           // Higher search quality
});

---

Performance Benchmarks

Test System: AMD Ryzen 9 5950X, 64GB RAM

Operation	Vector Count	No Optimization	Optimized	Improvement
Search	10K	15ms	100µs	150x
Search	100K	150ms	120µs	1,250x
Search	1M	100s	8ms	12,500x
Batch Insert (100)	-	1s	2ms	500x
Memory Usage	1M	3GB	96MB	32x (binary)

---

Learn More

• Quantization Paper: docs$quantization-techniques.pdf
• HNSW Algorithm: docs$hnsw-index.pdf
• GitHub: https:/$github.com$ruvnet$agentic-flow$tree$main$packages$agentdb
• Website: https:/$agentdb.ruv.io

---

Category: Performance / Optimization Difficulty: Intermediate Estimated Time: 20-30 minutes