腾讯开源Agent记忆神器，让AI拥有超强记忆力！

发现大部分用 Agent 做过项目的人，都经历过这种情况。

花了半天把项目背景给 Agent 交代清楚。比如技术栈用到 TypeScript、测试文件放在 __tests__ 目录，还有写好避坑指南、代码注释保持简短等等。

说完这些之后，一开始 Agent 配合得很好，任务也能很快完成。但当我们新打开一个会话时，便会发现，说过的内容全忘了，又得重新交代。

这种每次重新反复的交流，其实都是在浪费人机协作产生的经验价值。

那些踩过的坑、确认过的偏好、跑通过的流程，本可以沉淀下来，却因会话结束而凭空消失。

随着 Agent 在越来越多的真实项目中应用，AI 频繁出现失忆的情况，变成了实实在在的工时消耗。

这也是为什么，近两年大家都在一直激烈的讨论 Context Engineering（上下文工程）。

答案就是，给模型提供什么样的信息、结构，在这件事本身上，正变得和模型能力一样的重要。

另外 AI 的记忆层，也正在从可选插件，变成 Agent 架构里绕不过去的基础组件。

就在这背景下，腾讯云数据库团队开源了一套面向 AI Agent 的分层记忆引擎：TencentDB Agent Memory。

开源不久，便斩获了 4500+ Star。其核心目标只有一个：不是让 AI 存下所有东西，而是让人不必重复跟 AI 交代所有事情。

GitHub：https://github.com/Tencent/TencentDB-Agent-Memory/

下面带大家一起来看下，这个项目到底能帮我们解决什么问题，以及背后的技术原理是什么。

狂塞上下文，对话越来越乱

以前面对 Agent 失忆的情况，大家最简单的做法，可能是把历史对话全部塞进上下文，让 Agent 每次都能看到完整的过去信息。

不得不说，这种解决方式对短对话确实管用。如果在长线复杂的任务里，就会暴露出三个问题：

1. 跨会话断裂：历史的对话不跨会话保留，就等于没有了记忆；
2. 事实与偏好混淆：比如「我喜欢用 TypeScript」 和 「帮我查一下天气」，两条信息的方向完全不同；
3. 上下文膨胀：任务越长，历史记录越多，Token 消耗成本越大，模型注意力也会持续衰减。

既然这种暴力堆历史内容的方式不行，于是就有人提出了长上下文压缩，然而再次被打脸。

传统的摘要压缩是有损的，压缩之后无法还原，出了问题找不到根因，同样也只能让 AI 去猜。

记忆分层，对话更清晰

于是 TencentDB Agent Memory 提供的解法是：给长期记忆建立层级，给短期记忆引入符号压缩。

长期记忆：四层语义金字塔

以往大多数记忆方案会把对话切成片段，再扔进向量数据库，让所有信息平铺在同一层。

比如「你喜欢用 TypeScript」和「你昨天问了天气」这两句话，在向量数据库里地位是相同的。

在信息召回时，AI 只能靠相似度来碰运气，没有一个宏观结构的引导。

所以，这次 TencentDB Agent Memory 换了一个思路，采用分层蒸馏，而不是平铺堆积。

简单来说，就是先让模型提取出有用的事实，再归纳成场景，最终浓缩成用户画像。

这四层结构从下往上依次是：

• L0 全量保留原始对话；
• L1 自动提取原子事实（代码偏好、踩坑记录、工作约定）；
• L2 按场景聚类成记忆块；
• L3 持续蒸馏出稳定的用户画像。

Agent 会先从 L3 画像获取方向，当需要更多细节时就会逐层往下钻。也就是说，上层给的是方向，下层留的是证据。

这样做还有一个好处，当出了问题，可以沿着 L3→L2→L1→L0 这条链路追溯。

短期记忆：Mermaid 符号画布

此外 Agent 在执行长任务，调用工具产生的中间输出，比如搜索结果、代码日志、报错信息等内容。

这种信息叠加起来动辄几万 Token，如果全部堆在对话上下文，很快就会撑爆上下文长度。

为了解决这个问题，TencentDB Agent Memory 采用了 Mermaid 做符号压缩。

这种方式，既能让 LLM 精确解析，也能给人阅读。而不像 JSON 结构那样，读起来很费劲，若是纯文本摘要，又容易丢失结构。

TencentDB Agent Memory 具体做法是，把工具调用的详细输出保存到外部文件refs/*.md。

对于上下文只保留一张 Mermaid 任务状态图，每个节点有 node_id，需要细节时可以根据节点 ID 从文件中直接定位读取。

这样做的好处就是：既能保证原文不丢，结构可查，也能阻止 Token 的线性增长。

真正价值，不止于节省 Token

在我看来，以上给出的解法得到的价值还远远不够，先跟大家说三个开发者值得关注的地方。

从项目结构上看，所有记忆中间产物都以可读文件存在本地 ~/.openclaw/memory-tdai/，L3 是 persona.md，L2 是 Markdown，L1 是原始事实列表内容。

以前大部分记忆系统出了问题，只从查看向量分数来猜测原因，而用 TencentDB Agent Memory 可以沿 L3→L0 一路追溯，对生产环境意味着有非常强的可维护性。

试想下，当打开 persona.md 文件，就能直接查看到 Agent 把你记成了什么样的人。

对于这个项目而言，代码本身也是一份非常值得学习的设计文档。

分层记忆、符号压缩、异构存储都有清晰、完整的架构，对想自建类似系统的开发者来说，可以快速上手读源码学习研究。

另外数据默认存放在本地 SQLite，不依赖任何外部 API，对企业用户或数据隐私敏感场景也非常友好。

在数据测试方面，以连续长任务会话为例，在 SWE-bench 上每个会话连续跑 50 个任务。

WideSearch 显示 Token 消耗降低61.38%，成功率提升51.52%；PersonaMem 长期记忆准确率从48%升到76%。

不仅 Token 消耗大幅降低了，而且长期记忆的准确率也得到了明显的提升。

接入很简单，不只限于龙虾

接下来，再说下如何使用，项目提供了三种接入方式，接入非常简单。

如果我们正使用 OpenClaw，可作为OpenClaw 插件安装，只需两行命令，无需配置，直接开箱即用：

openclaw plugins install @tencentdb-agent-memory/memory-tencentdbopenclaw gateway restart

对于Hermes Agent，可使用 Docker 快速部署，支持任何兼容 OpenAI 接口的模型。

另外，最新开源版本 1.0.0-beta.1 还提供独立服务模式，可从嵌入式插件，升级为独立可部署的 Memory 服务。

并且提供完整 HTTP v2 RESTful API，直接用 TypeScript SDK 或 Python SDK 即可快速开始。

有了这些接入方式，不管我们用什么 Agent 框架，只要可以发送 HTTP 请求，都能快速接入，让模型的长期记忆层变成通用基础设施。

Agent 失忆不只是使用体验上的的问题，还在不断浪费每一次人机协作所产生的经验价值。

近半年，模型能力的增长已在逐步放缓，下一个真正的差异化，将不在模型参数量，而在经验的积累。

当我们和 Agent 协作的时间越长，它就越懂我们的代码风格、踩过的坑，以及惯用的解决方案。

在我看来，这些完全都是属于我们自己的数字资产，不会因为更换或升级了模型而消失。

现在腾讯云数据库团队，将记忆层这套基础设施开源了，个人开发者也能轻松建立自己的经验壁垒。

更让人能从重复交代、重复踩坑的消耗里解放出来，把更多的精力真正放在判断和创造力上。

GitHub 项目地址：https://github.com/Tencent/TencentDB-Agent-Memory