agentdb-performance-optimization
AgentDB-Vektor-Performance optimieren
Große AgentDB-Vektorspeicher können mit wachsender Datenmenge langsam und speicherintensiv werden. Dieser Skill bietet Anleitungen zu Quantisierung, HNSW, Caching und Batching für schnellere Suche und geringere Speichernutzung.
Mit meinem Agent installieren
Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.
Review the Skillstore skill "agentdb-performance-optimization" from https://skillstore.io/skills/dnyoussef-agentdb-performance-optimization.md and its manifest at https://skillstore.io/api/skills/dnyoussef-agentdb-performance-optimization/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.
Agent-lesbare Ressourcen
Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.
Testen
„agentdb-performance-optimization“ wird verwendet. Ich habe 500.000 Dokument-Embeddings und die Speichernutzung ist zu hoch.
Erwartetes Ergebnis:
- Empfohlener Weg: Teste binäre Quantisierung, wenn ein geringer Recall-Verlust akzeptabel ist.
- Validierungsschritt: Vergleiche den Recall vor dem Rollout mit einem repräsentativen Abfragesatz.
- Betriebliche Prüfung: Überwache Datenbankgröße, Cache-Trefferrate und durchschnittliche Suchlatenz.
„agentdb-performance-optimization“ wird verwendet. Die Suche ist bei einer mittelgroßen AgentDB-Sammlung langsam.
Erwartetes Ergebnis:
- Beginne mit skalarer Quantisierung, einem moderaten Cache und ausgewogener HNSW-Suchqualität.
- Miss die Latenz vor und nach jeder Änderung, damit Verbesserungen zuordenbar sind.
- Vermeide es, die Suchqualität zu senken, bis die Recall-Anforderungen klar definiert sind.
„agentdb-performance-optimization“ wird verwendet. Wir brauchen einen sicheren Benchmark-Plan für die AgentDB-Optimierung.
Erwartetes Ergebnis:
- Verwende eine kopierte Datenbank oder eine Staging-Umgebung für Benchmarks.
- Pinne alle externen Paketversionen vor der Befehlsausführung.
- Erfasse Hardware, Datengröße, Latenz, Speicher und Recall-Ergebnisse gemeinsam.
Sicherheitsaudit
Mittleres RisikoStatic findings for Ruby backtick execution, hardcoded URLs, and SQLite paths are false positives from Markdown documentation examples. I found one semantic risk: the guide recommends unpinned npx commands that can fetch package code that changes over time. No prompt injection, credential exfiltration, or malicious data-access intent was found.
Bestätigte Sicherheitsbedenken (1)
Risikofaktoren
⚙️ Externe Befehle (50)
🌐 Netzwerkzugriff (2)
Diesen Bericht teilen & zitieren
Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.
Berichtslink kopieren
https://skillstore.io/skills/dnyoussef-agentdb-performance-optimization/audits/10?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown-Badge
[](https://skillstore.io/skills/dnyoussef-agentdb-performance-optimization?utm_source=security_passport_badge)HTML-Badge
<a href="https://skillstore.io/skills/dnyoussef-agentdb-performance-optimization?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/dnyoussef-agentdb-performance-optimization/security.svg" alt="Skillstore security assessment" loading="lazy"></a>Einbettungskarte
<iframe src="https://skillstore.io/embed/skills/dnyoussef-agentdb-performance-optimization.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>Wissenschaftliche Zitate (APA · BibTeX · CFF)
APA-Zitat
DNYoussef. (2026). agentdb-performance-optimization security audit report (audit version 10) [Author version unspecified]. Skillstore. https://skillstore.io/skills/dnyoussef-agentdb-performance-optimization/audits/10BibTeX-Zitat
@techreport{dnyoussef-dnyoussef-agentdb-performance-optimization-2026,
author = {DNYoussef},
title = {agentdb-performance-optimization security audit report (audit version 10)},
institution = {Skillstore},
year = {2026},
number = {10},
url = {https://skillstore.io/skills/dnyoussef-agentdb-performance-optimization/audits/10},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "agentdb-performance-optimization security audit report (audit version 10)"
version: "unspecified"
type: report
authors:
- name: "DNYoussef"
date-released: "2026-07-09"
url: "https://skillstore.io/skills/dnyoussef-agentdb-performance-optimization/audits/10"
identifiers:
- type: other
value: "skillstore:dnyoussef-agentdb-performance-optimization:audit:10"
description: "Skillstore immutable audit report identifier"
Varianten vergleichen
2 installierbare VariantenJeder Autor bleibt ein eigener installierbarer Skill. Die empfohlene Variante wird nach Skillstore-Nachweisen bewertet.
Warum diese Variante zuerst steht
ruvnet-agentdb-performance-optimization
2026-09-09
dnyoussef-agentdb-performance-optimization
2026-09-09
Skillstore-Score
Warum dieser Score Evidenzvertrauen: HochWas Sie erstellen können
Produktive Vektorsuche abstimmen
Wähle AgentDB-Quantisierung, HNSW und Cache-Einstellungen für einen wachsenden Suchdienst.
Speicherbedarf reduzieren
Plane Komprimierungs- und Bereinigungsänderungen, bevor AgentDB auf eingeschränkter Infrastruktur bereitgestellt wird.
Skalierungsoptionen vergleichen
Schätze Kompromisse zwischen Geschwindigkeit, Genauigkeit und Speicherbedarf ab, bevor du zu größeren Embedding-Sammlungen wechselst.
Diese Prompts ausprobieren
Hilf mir, einen AgentDB-Quantisierungsmodus für meine Datensatzgröße, Speichergrenze und mein Genauigkeitsziel auszuwählen.
Überprüfe meine AgentDB-Ziele für Suchlatenz und empfehle HNSW-, Cache- und Abrufeinstellungen, die ich zuerst testen sollte.
Erstelle einen AgentDB-Skalierungsplan für den Wechsel von meiner aktuellen Vektoranzahl zu meiner Zielanzahl bei kontrollierter Speichernutzung.
Entwirf einen Benchmark und eine Risikoprüfung für AgentDB-Performanceänderungen, einschließlich Recall-Prüfungen, Latenzzielen und Befehlssicherheit.
Bewährte Praktiken
- Benchmarke aktuelle Latenz, Recall und Speicherbedarf, bevor du Optimierungseinstellungen änderst.
- Pinne Paketversionen und prüfe Befehle, bevor du Benchmarks in einem echten Workspace ausführst.
- Validiere die Genauigkeit nach der Quantisierung mit repräsentativen Produktionsabfragen.
Vermeiden
- Wähle keine binäre Quantisierung für genauigkeitskritische Workloads ohne Recall-Tests.
- Erhöhe die Cache-Größe nicht, ohne die Speichergrenzen zu prüfen.
- Führe in sensiblen Umgebungen keine latest-package-Befehle automatisch aus.
Häufig gestellte Fragen
Ändert dieser Skill meine AgentDB-Datenbank?
Welche AgentDB-Optimierung sollte ich zuerst ausprobieren?
Kann binäre Quantisierung die Genauigkeit verringern?
Sind die Benchmark-Zahlen garantiert?
Ist es sicher, die aufgeführten npx-Befehle auszuführen?
Unterstützt es Claude, Codex und Claude Code?
Entwicklerdetails
Autor
DNYoussefLizenz
MIT
Skillstore-Revision
r1
Versionshinweis
Der Autor hat keine Version angegeben.
Repository
https://github.com/DNYoussef/ai-chrome-extension/tree/main/.claude/skills/agentdb-optimizationRef.
0519034dad657fb1f7706e0550e962beeda73fdf
Aktualität der Wartung
22.7.2026
Nutzung
4 Downloads · 270 Aufrufe
Dateistruktur
📄 SKILL.md