スキル agentdb-performance-optimization

agentdb-performance-optimization

安全 🌐 ネットワークアクセス📁 ファイルシステムへのアクセス⚙️ 外部コマンド

Оптимизация производительности векторной базы данных AgentDB

こちらからも入手できます: 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.

対応: Claude Codex Code(CC)
📊 69 十分
1

スキルZIPをダウンロード

2

Claudeでアップロード

設定 → 機能 → スキル → スキルをアップロードへ移動

3

オンにして利用開始

テストする

「agentdb-performance-optimization」を使用しています。 Настрой AgentDB с бинарным квантованием и индексированием HNSW для масштабного развертывания

期待される結果:

  • 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

「agentdb-performance-optimization」を使用しています。 Как оптимизировать для максимальной точности вместо скорости

期待される結果:

  • 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

セキュリティ監査

安全
v5 • 1/17/2026

All 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.

2
スキャンされたファイル
688
解析された行数
3
検出結果
5
総監査数
監査者: claude 監査履歴を表示 →

品質スコア

38
アーキテクチャ
100
保守性
87
コンテンツ
20
コミュニティ
100
セキュリティ
87
仕様準拠

作れるもの

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

これらのプロンプトを試す

Базовая настройка оптимизации
Настрой AgentDB с квантованием, индексированием HNSW и кэшированием для оптимальной производительности. Покажи параметры конфигурации и объясни компромиссы между использованием памяти и точностью.
Оптимизация памяти
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.
Оптимизация скорости
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?
Стратегия масштабирования
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.

ベストプラクティス

  • 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

回避

  • 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

よくある質問

Какой тип квантования мне выбрать?
Бинарное для максимальной экономии памяти (в 32 раза) с потерей точности 2-5%. Скалярное для сбалансированного снижения в 4 раза с точностью 98-99%. Продуктовое для высокоразмерных векторов, требующих сжатия в 8-16 раз.
Какая минимальная версия AgentDB требуется?
Требуется AgentDB v1.0.7 или новее. Выполни npx agentdb@latest --version, чтобы проверить установленную версию.
Как интегрировать это с Claude Code?
Импортируй createAgentDBAdapter из agentic-flow/reasoningbank и настрой с параметрами оптимизации. Навык предоставляет полные примеры на TypeScript для всех параметров конфигурации.
Безопасны ли мои данные при квантовании?
Квантование сохраняет семантическое сходство при снижении точности. Бинарное квантование использует 1 бит на размерность. Потеря точности обычно составляет 2-7% в зависимости от характеристик данных и случая использования.
Почему мой поиск все еще медленный после оптимизации?
Проверь процент попаданий в кэш с помощью adapter.getStats(). Увеличь cacheSize, если меньше 80%. Убедись, что индексирование HNSW включено. Убедись, что efSearch не установлен слишком низко для твоих требований к полноте.
Как это сравнивается с другими векторными базами данных?
AgentDB с оптимизациями достигает сопоставимой или лучшей производительности, чем Pinecone, Weaviate и Qdrant для одноузловых развертываний. Индексирование HNSW обеспечивает логарифмическую сложность поиска, аналогичную отраслевым стандартам.

開発者の詳細

ファイル構成

📄 SKILL.md