Сценарий “SQLite + vec” (например, через расширение sqlite-vec или veqlite) для памяти ReAct-агента крайне популярен для встроенных и десктопных проектов, так как сочетает простоту, универсальность и низкие требования к инфраструктуре. Такой подход позволяет интегрировать долговременную память (таблицы SQLite для текста/метаданных) с возможностями семантического поиска (векторные embedding с помощью virtual table, например, vec или veqlite).
Производительность для больших коллекций: Векторные расширения SQLite (на момент 2025 года) реализуют только brute-force поиск (точный KNN по векторному расстоянию, без HNSW, IVF и других индексов), что ограничивает оптимальную работу размером до 100-200 тысяч embedding. Производительность будет ниже, чем у специализированных LanceDB, Qdrant, Milvus.
Отсутствие продвинутых index/ANN-структур: Если нужна мега-быстрая реакция на больших коллекциях (миллионы embedding), лучше использовать специализированные базы, заточенные под ANN (LanceDB, Qdrant). Для небольших/средних коллекций SQLite + vec идеален.
Вы из какого года пишите? Телепортация во времени уже разрешена в будущем?
Сценарий “SQLite + vec” (например, через расширение sqlite-vec или veqlite) для памяти ReAct-агента крайне популярен для встроенных и десктопных проектов, так как сочетает простоту, универсальность и низкие требования к инфраструктуре. Такой подход позволяет интегрировать долговременную память (таблицы SQLite для текста/метаданных) с возможностями семантического поиска (векторные embedding с помощью virtual table, например, vec или veqlite).
Производительность для больших коллекций: Векторные расширения SQLite (на момент 2025 года) реализуют только brute-force поиск (точный KNN по векторному расстоянию, без HNSW, IVF и других индексов), что ограничивает оптимальную работу размером до 100-200 тысяч embedding. Производительность будет ниже, чем у специализированных LanceDB, Qdrant, Milvus.
Отсутствие продвинутых index/ANN-структур: Если нужна мега-быстрая реакция на больших коллекциях (миллионы embedding), лучше использовать специализированные базы, заточенные под ANN (LanceDB, Qdrant). Для небольших/средних коллекций SQLite + vec идеален.
Интересно )
Отлично! Пишите продолжение! Подписался на Вас.