agentdb-performance-optimization
Оптимизация производительности векторной базы данных AgentDB
Également disponible depuis: ruvnet
Векторные базы данных потребляют огромные объемы памяти и страдают от медленного поиска при масштабировании. Этот навык предоставляет проверенные методы оптимизации, включая квантование, индексирование HNSW и кэширование для достижения улучшения производительности в 150-12 500 раз при одновременном снижении использования памяти в 4-32 раза.
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". Настрой AgentDB с бинарным квантованием и индексированием HNSW для масштабного развертывания
Résultat attendu:
- Бинарное квантование: снижение памяти в 32 раза (3 ГБ -> 96 МБ для 1 млн векторов)
- Индекс HNSW: иерархический навигируемый малый мир с M=32 соединениями
- Размер кэша: 2000 паттернов для ускорения частых запросов
- Ожидаемая производительность: задержка поиска менее 100 микросекунд, запросы в 10 раз быстрее
- Компромисс: приемлемая потеря точности 2-5% при масштабировании
Utilisation de "agentdb-performance-optimization". Как оптимизировать для максимальной точности вместо скорости
Résultat attendu:
- Отключи квантование (установи type в 'none') для полной точности float32
- Увеличь параметр HNSW M до 32 для большего количества графовых соединений
- Установи efSearch на 200 для более высокой полноты при запросах
- Используй размер кэша 2000+ для сохранения частых паттернов
- Ожидаемый результат: задержка менее 200 микросекунд со 100% сохраненной точностью
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
Масштабирование векторных эмбеддингов
Развертывание эффективного по памяти векторного поиска для продакшн ML-приложений с миллионами эмбеддингов
Ускорение памяти агентов
Ускорение запросов к банку рассуждений для интеллектуальных агентов, требующих быстрого извлечения контекста
Оптимизация ресурсов базы данных
Снижение затрат на инфраструктуру путем применения квантования и индексирования к масштабным векторным хранилищам
Essayez ces prompts
Настрой AgentDB с квантованием, индексированием HNSW и кэшированием для оптимальной производительности. Покажи параметры конфигурации и объясни компромиссы между использованием памяти и точностью.
Какую стратегию квантования мне использовать, чтобы снизить использование памяти в 32 раза для масштабного развертывания с более чем 1 млн векторов? Покажи конфигурацию и ожидаемое влияние на точность.
Настрой AgentDB для максимальной скорости поиска с запросами менее 100 микросекунд. Включи настройку параметров HNSW и конфигурацию кэша. Какие компромиссы по точности мне следует ожидать?
Создай рецепт оптимизации для масштабирования AgentDB с 10 тыс. до более чем 1 млн векторов. Включи выбор типа квантования, параметры HNSW и размер кэша для каждого уровня масштаба.
Bonnes pratiques
- Начинай со скалярного квантования (снижение в 4 раза) для продакшна, если только память не критична, так как оно сохраняет 98-99% точности
- Отслеживай процент попаданий в кэш и стремись к более чем 80%, настраивая cacheSize на основе паттернов доступа
- Настраивай параметры HNSW постепенно: начни с значений по умолчанию (M=16, efSearch=100), затем корректируй на основе требований к полноте
Éviter
- Отсутствие квантования на наборах данных более 100 тыс. векторов вызывает излишнее давление на память и медленный поиск
- Установка efSearch слишком высоко (выше 200) ухудшает производительность без значительного улучшения полноты для большинства случаев использования
- Отключение индексирования HNSW возвращает к линейному сканированию (O(n)), делая масштабные запросы непрактичными
Foire aux questions
Какой тип квантования мне выбрать?
Какая минимальная версия AgentDB требуется?
Как интегрировать это с Claude Code?
Безопасны ли мои данные при квантовании?
Почему мой поиск все еще медленный после оптимизации?
Как это сравнивается с другими векторными базами данных?
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