agentdb-performance-optimization
AgentDB Vektordatenbank-Performance optimieren
Également disponible depuis: ruvnet
Vektordatenbanken verbrauchen massiv Speicher und leiden unter langsamen Suchen bei Skalierung. Dieser Skill bietet bewährte Optimierungstechniken einschließlich Quantisierung, HNSW-Indexierung und Caching, um 150x-12.500x Performance-Verbesserungen zu erreichen und gleichzeitig die Speichernutzung um 4-32x zu reduzieren.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "agentdb-performance-optimization". Konfiguriere AgentDB mit binärer Quantisierung und HNSW-Indexierung für ein großskaliges Deployment
Résultat attendu:
- Binäre Quantisierung: 32x Speicherreduktion (3GB -> 96MB für 1M Vektoren)
- HNSW-Index: Hierarchical Navigable Small World mit M=32 Verbindungen
- Cache-Größe: 2000 Muster für häufige Abfragebeschleunigung
- Erwartete Performance: weniger als 100us Suchlatenz, 10x schnellere Abfragen
- Trade-off: 2-5% Genauigkeitsverlust akzeptabel für Skalierung
Utilisation de "agentdb-performance-optimization". Wie optimiere ich für maximale Genauigkeit statt Geschwindigkeit
Résultat attendu:
- Quantisierung deaktivieren (Typ auf 'none' setzen) für volle float32-Präzision
- HNSW M-Parameter auf 32 erhöhen für mehr Graph-Verbindungen
- efSearch auf 200 setzen für höheren Recall bei Abfragen
- 2000+ Cache-Größe für häufige Musterbeibehaltung verwenden
- Erwartet: weniger als 200us Latenz mit 100% beibehaltener Genauigkeit
Audit de sécurité
SûrAll 78 static findings are false positives. This skill is pure documentation containing only markdown with TypeScript code examples. The CRITICAL heuristic misidentified documentation patterns as malicious. HIGH findings misclassified 'quantization' (ML compression) as cryptographic algorithms. MEDIUM findings mistook markdown code fences for shell execution. No executable code, network operations, or credential access exists.
Facteurs de risque
🌐 Accès réseau (3)
📁 Accès au système de fichiers (1)
⚙️ Commandes externes (55)
Score de qualité
Ce que vous pouvez construire
Vektor-Embeddings skalieren
Speichereffiziente Vektorsuche für Produktions-ML-Anwendungen mit Millionen von Embeddings bereitstellen
Agenten-Speicher beschleunigen
Reasoning-Bank-Abfragen für intelligente Agenten beschleunigen, die schnellen Kontextabruf benötigen
Datenbankressourcen optimieren
Infrastrukturkosten durch Anwendung von Quantisierung und Indexierung auf großskalige Vektorspeicher reduzieren
Essayez ces prompts
Konfiguriere AgentDB mit Quantisierung, HNSW-Indexierung und Caching für optimale Performance. Zeige die Konfigurationsoptionen und erkläre die Trade-offs zwischen Speichernutzung und Genauigkeit.
Welche Quantisierungsstrategie sollte ich verwenden, um die Speichernutzung um 32x für ein großskaliges Deployment mit 1M+ Vektoren zu reduzieren? Zeige die Konfiguration und die erwartete Auswirkung auf die Genauigkeit.
Konfiguriere AgentDB für maximale Suchgeschwindigkeit mit Sub-100us Abfragen. Inkludiere HNSW-Parameter-Tuning und Cache-Konfiguration. Welche Genauigkeits-Trade-offs sollte ich erwarten?
Erstelle ein Optimierungsrezept für die Skalierung von AgentDB von 10K auf über 1M Vektoren. Inkludiere Quantisierungstyp-Auswahl, HNSW-Parameter und Cache-Dimensionierung für jede Skalierungsstufe.
Bonnes pratiques
- Beginne mit skalarer Quantisierung (4x Reduktion) für Produktion, es sei denn Speicher ist kritisch, da sie 98-99% Genauigkeit bewahrt
- Überwache die Cache-Trefferrate und strebe größer als 80% an, indem du cacheSize basierend auf Zugriffsmustern anpasst
- HNSW-Parameter progressiv abstimmen: beginne mit Standardwerten (M=16, efSearch=100) und passe dann basierend auf Recall-Anforderungen an
Éviter
- Keine Quantisierung bei Datensätzen über 100K Vektoren zu verwenden verursacht unnötigen Speicherdruck und langsame Suchen
- efSearch zu hoch (über 200) zu setzen verschlechtert die Performance ohne signifikante Recall-Verbesserung für die meisten Anwendungsfälle
- HNSW-Indexierung zu deaktivieren kehrt zu linearem Scan (O(n)) zurück und macht großskalige Abfragen unpraktikabel
Foire aux questions
Welchen Quantisierungstyp sollte ich wählen?
Welche minimale AgentDB-Version ist erforderlich?
Wie integriere ich dies mit Claude Code?
Sind meine Daten mit Quantisierung sicher?
Warum ist meine Suche nach der Optimierung immer noch langsam?
Wie vergleicht sich dies mit anderen Vektordatenbanken?
Détails du développeur
Auteur
DNYoussefLicence
MIT
Dépôt
https://github.com/DNYoussef/ai-chrome-extension/tree/main/.claude/skills/agentdb-optimizationRéf
main
Structure de fichiers
📄 SKILL.md