说实话，咱就是说SQLite向量数据库应用于Agent实战，这事儿挺有意思的。

你得明白为啥需要向量数据库。

传统的数据库检索慢，内存占用又高，这可咋整？

传统的关键词匹配检索方法Yi经过时了你得用向量检索。

哈哈，你是不是想问为啥百度不收录某些网站？

咱就是说百度不收录可Neng是因为网站内容不够优质，或者是网站结构有问题，亦或是竞争对手太强，你懂的。

回归正题，向量数据库是如何解决这些问题的呢？

从硬扫到秒查，这才是咱们想要的。

def recall_related_memories: query_emb = get_embedding results = self.collection.query return results if results else

每次新请求前，将用户输入转为向量，在 Chroma 中搜索Zui相似的 top_k 条历史摘要。

返回的摘要直接注入后续 prompt，作为“经验参考”，模拟人类联想回忆。

def trigger_reflection: # 从SQLite读取Zui近n条摘要 rows = cur.execute).fetchall recent_summaries = " ".join reflection = llm_complete # 将反思结果也作为特殊记忆存入SQLite和Chroma ...

反思结果同样生成嵌入并存储，让系统“学习自己的思考”，形成元认知。

反思 prompt 强制输出  个关键点 + 个改进计划，结构清晰便于后续使用。

class GoalManager: @staticmethod def add_goal: ... @staticmethod def update_goal: ... @staticmethod def get_active_goals: ... @staticmethod def check_goal_progress: # 返回格式化的目标状态文本

目标独立于单次对话，可跨越多天追踪。

每次对话注入 check_goal_progress 的输出，让 Agent 意识到当前使命，避免回答偏离长期方向。

class Agent: def process_input: related = self.memory.recall_related_memories # 检索记忆 goal_context = GoalManager.check_goal_progress # 获取目标 system_prompt = f"""... {goal_context} {memory_context} ...""" response = llm_complete # 生成回答 self.memory.log_memory_event # 存储记录 if self.memory.interaction_counter % REFLECTION_INTERVAL == : self.memory.trigger_reflection # 定时反思 return response . 完整工程实现

以Ubuntu22.04系统，Python3.10版本为例进行展示。 我们新建一个项目文件夹 agent_vecbase 来存放我们的所有文件。

sqlite3 agent_memory.db "SELECT * FROM goals;"

观察到目标数据存在说明情景记忆存储正常。

SQLite Zuo结构化存储向量数据库处理语义检索LLM 层负责反思和.

def get_embedding -> List: # normalize_embeddings=True保证向量模长为 ，使余弦相似度计算geng精确。 embedding = embedding_model.encode return embedding.tolist . 情景记忆记录

def log_memory_event: summary = self.generate_summary # 调用LLM生成摘要 embedding = get_embedding # 写入SQLite cur.execute) # 写入Chroma self.collection.add self.interaction_counter +=

向量数据库的核心是把文本转换为向量，然后存储在向量数据库中，并提供向量相似性检索。 举个例子，当用户需要大模型根据提供的文档回答问题时大模型先将文档的文本信息转化为向量存储到向量数据库中，当后续用户提问相关问题时大模型将用户提出的问题转化为向量，在向量数据库中搜索出Zui相似的上下文向量，再返回给大模型。

这样不仅永远不会超出 Token 限制，还Neng让LLM处理海量的知识库。 而在企业AI Agent开发中,向量 数据库是一项重要技术。 行业人士判断 年有望成为AI Agent商业化 应用 元年 创建一个 test_agent.py 文件，直接调用核心函数进行断言测试： 传统 数据库 只NengZuo 精确匹配 而 向量数据库 实现了 语义理解 当你搜索 首dou美食 时 传统数据库需要你输入 北京美食 才Neng找到 但 向量数据库 Neng理解 首dou=北京=帝dou 的语义关系 当前的HNSW算法 高维 向量 下的 低延迟 高召回率 成为RAG的首选检索组件 下面将解析一个具备长期记忆、语义检索、反思学习和目标管理的 AI Agent 工程实现。 使用 DeepSeek 大模型 作为推理核心 SentenceTransformers 本地嵌入模型 实现语义记忆 SQLite 存储结构化记录 Chroma 作为 向量 数据库。 整个系统可离线运行嵌入部分，仅对话需 API，适合轻量级生产环境。 HNSW 算法具有以下特性： 于是 向量 数据库应运而生解决了大模型长时记忆的问题同时开发者还发现不止于此 向量 下面 我们来了解一下 如何 度量两个 向量 的相似度 一句话概括 向量 数据库的核心是把文本转换为 向量 然后存储在 向量 数据库中 并提供 向量 相似性检索 当前的测试输出说明基本功Neng正常 顺带一提 Founder Park 联合751园区、 Zilliz Zui有影响力的 向量 数据库 、智谱 AI 领先的大模型 站在 AI Native 时代 重新思考 应用 和服务 基于共同想要解决的行业发展问题 一同发起大模型领域的 Hackathon 这对应我们 如何 利用模型端的创新去赋Neng各行各业 这个紧要关头我们和大模型、 向量 数据库领域Zui强的两家技术公司站在一起赋Neng AI Native 的 应用创新 退出程序（输入 quit

# .envLLMAPIKEY ="sk-99fdxxxxxxxxxxxxd0c "LLMMODELID ="deepseek-v4-flash "LLMBASEURL ="https://api.deepseek.com "

def init_sqlite : cur . execute cur . execute