---

type: agent name: AgentDB slug: agent-db kind: subagent department: it reports_to: it-director manages: [] status: active readiness_pct: 80 implementation: systemd-cron runtime: python3 + sqlite-vec trigger: cron schedule: "0 */2 * * *" source_dir: /srv/services/agent-db skills:

• semantic-search
• vector-embeddings
• markdown-indexing
• sqlite-vec responsibilities:
• reindex memory + wiki кожні 2 години
• serve /memsearch skill
• 916 chunks across 270 files projects_involved: [meta-management] created: 2026-05-10 last_updated: 2026-05-12

---

AgentDB — semantic search over memory + wiki

Що це

Інтерактивний пошук поверх двох джерел знань Сергія:

• /root/.claude/projects/-/memory/ — auto-memory bot'а (decisions, sessions, project_, feedback_)
• /srv/wiki/ — повна project wiki

Замінює grep/find для запитів типу «де ми про це домовились», «який був статус X 2 тижні тому», «що ми обговорювали по brand X». Семантичний (по смислу), не keyword match.

Стек

• Embeddings: paraphrase-multilingual-MiniLM-L12-v2 (sentence-transformers, 118MB, multilingual incl. UA)
• Storage: sqlite + sqlite-vec virtual table (vec0) для KNN search
• Chunking: по абзацах, max 1500 chars + 200 char overlap
• Запити: cosine similarity / L2 distance (нормалізовані вектори)

Файлова структура

/srv/services/agent-db/
├── agent_db.py            # core library (chunking, indexing, search)
├── build_index.py         # ETL — повний reindex
├── search.py              # CLI пошук
├── memdb.sqlite           # storage (~10-50MB зазвичай)
├── .venv/                 # ізольоване Python середовище
└── (pip deps: sentence-transformers, sqlite-vec, numpy)

/usr/local/bin/memsearch   # CLI shortcut (bash wrapper над search.py)
/var/log/agent-db.log      # cron logs

Як використовувати

CLI

memsearch "коли ми вирішили перемкнути на Llama-8B"
memsearch "SPARC методологія" -k 5
memsearch "Heafolik відгуки модерація" --full

З Python (для майбутніх інтеграцій у бот / PM-Agent)

sys.path.insert(0, "/srv/services/agent-db")
from agent_db import open_db, semantic_search

conn = open_db()
hits = semantic_search(conn, "tabletki cron BigQuery", k=10)
for h in hits:
    print(h.file_path, h.score, h.text[:200])

Метрики (baseline 2026-05-10)

• Файлів проіндексовано: 270
• Chunks: 916
• Час на повний reindex (cold): 211 секунд
• Час на повний reindex (warm, нічого не змінилося): ~30 секунд (тільки stat-checks)
• Розмір memdb.sqlite: ~10MB

Cron

0 */2 * * * /srv/services/agent-db/.venv/bin/python /srv/services/agent-db/build_index.py >> /var/log/agent-db.log 2>&1

Кожні 2 години — incremental reindex (тільки змінені файли).

Майбутні інтеграції (не у MVP)

1. SessionStart hook — на старті кожної сесії робити memsearch по контексту останньої розмови, додавати топ-5 результатів у additionalContext. Замість/у додачу до MEMORY.md.
2. Telegram-bot команда — /recall <query> запитує AgentDB і повертає топ-3 резюме у чат.
3. PM-Agent інтеграція — при формуванні digest'у викликати semantic search для зв'язування активності з історичними рішеннями.
4. dev-crew enrichment — при виконанні SPARC-фази Specification, agent_db automatically pulls relevant historical decisions.

Обмеження

• Multilingual model але не SOTA для UA — paraphrase-MiniLM-L12-v2 трохи поступається BAAI/bge-m3 для семантично складних UA-запитів. Можна upgrade'нути коли буде потреба.
• Тільки .md — не індексує JSON, Python код, MD-таблиці окремо.
• Без re-ranking — простий KNN. Для якіснішого результату можна додати cross-encoder для топ-50 → топ-10 re-rank, але це додаткова latency (зараз ~200ms на запит).
• CPU embedding — на VPS немає GPU. ~150ms на 1 запит. Прийнятно.

Backup / rollback

memdb.sqlite regenerable з нуля за 3.5 хв. У разі corruption — rm memdb.sqlite && python3 build_index.py.

Cross-references

• AgentDB заявлений у SPARC vs RuvFlo report як третя ідея запозичення з ruvnet/ruflo
• Запозичено патерн з ruflo AgentDB (vec storage + hybrid search), але мінімалістично без graph layer