腾讯开源：让 Agent 拥有「记忆」，不再从零开始

最近，腾讯开源了一个叫 TencentDB Agent Memory 的项目，定位很明确：给 AI Agent 做一套「记忆系统」。

不是又一个 RAG 包装，也不是又一个向量数据库客户端。它的核心主张是——记忆不应该平铺，应该分层；不应该堆文本，应该符号化。

这个项目一出来就在 GitHub 上拿到了不少关注，主要是因为它的 benchmark 数据确实能打：接入 OpenClaw 后，Token 消耗最高降低 61.38%，任务通过率相对提升 51.52%，长期记忆准确率从 48% 拉到 76%。

今天就来拆解一下，它到底做了什么，以及值不值得你关注。

一、先搞清楚它要解决什么问题

你有没有遇到过这种情况：

• 你跟 Agent 聊了半天，换一轮对话它就把之前说的全忘了
• 你反复告诉它你的项目背景、代码规范、输出格式，每次都要重新解释
• 你想把全量历史塞进上下文窗口，结果 Token 烧得飞起，效果还不一定好

这些问题的根源是一样的：大多数 Agent 框架没有独立的「记忆层」。它们要么靠上下文窗口硬扛，要么靠简单的向量检索碰运气。

TencentDB Agent Memory 的思路是：把记忆从 Agent 的推理流程里拆出来，单独做成一套分层系统。

用他们自己的话说：

Memory 不是为了让 AI 存下所有东西，而是为了让人不必重复所有事情。

二、核心技术：两根柱子

整个架构围绕两个核心设计：记忆分层 和 符号化记忆。

1. 记忆分层：从扁平到金字塔

传统记忆系统把所有数据切成碎片，平铺到向量库里。召回的时候就像在一堆便利贴里翻线索，没有宏观视角。

TencentDB Agent Memory 的做法是建一座语义金字塔：

L0 Conversation（原始对话）→ L1 Atom（结构化事实）→ L2 Scenario（场景块）→ L3 Persona（用户画像）

具体来说：

• 短期记忆分层：底层保留原始工具调用结果（refs/*.md），中层抽取步骤摘要（jsonl），高层浓缩为一张轻量级的 Mermaid 任务画布。Agent 在上下文里只需要看高层结构，出错时再沿 node_id 下钻查证。
• 长期记忆分层：不再是一坨扁平的历史记录，而是从原始对话里逐步提炼出结构化事实、场景块，最终生成用户画像。平时靠 Persona 把握偏好，需要细节时再检索底层 Atom。

关键设计：每一条信息都可以从高层一路追溯回底层原文。Persona 能追到 Scenario，Scenario 能追到 Atom，Atom 能追到原始对话。没有任何一段摘要是「不可逆的黑盒」。

这意味着什么？压缩不会丢证据。 这是很多记忆系统做不到的。

2. 符号化记忆：用 Mermaid 代替冗长日志

长程任务里最烧 Token 的是什么？不是推理本身，而是那些冗长的中间日志——搜索结果、代码片段、报错堆栈。

TencentDB Agent Memory 的解法很巧妙：把任务状态流转编码成 Mermaid 符号图谱。

具体流程：

1. 完整工具日志被卸载到外部文件系统
2. 从日志中提取关键关系，生成带 node_id 的 Mermaid 图谱
3. Agent 上下文里只注入这张轻量图谱（几百 Token）
4. 需要核对细节时，grep node_id 即可找回完整原文

一张 Mermaid 图能表达几十万 Token 的日志信息，同时保持人机可读。Agent 看着图谱推理，出了问题再下钻——既降本又保全了可追溯性。

三、实测数据：不是 Demo，是 Benchmark

项目给出了四个 benchmark 的对比数据，而且是在连续长程 Session 下测的，不是单题清空上下文的理想场景：

SWE-bench 的测试方式是每个 Session 连续跑 50 个任务，模拟真实场景下的上下文累积压力。在这种条件下还能同时降 Token 和提通过率，说明这套分层架构确实有效。

四、工程能力：不是论文，是能跑的插件

这个项目不是停留在论文阶段的东西，它已经是一个可以实际接入的插件：

• OpenClaw 插件：一行命令安装，零配置即可启用
• Hermes Gateway 适配：Docker 一条命令启动带记忆能力的 Hermes Agent
• 本地存储：默认用 SQLite + sqlite-vec，开箱即用
• 混合检索：BM25 + 向量 + RRF 融合，兼顾关键词和语义召回
• Agent 工具：提供 tdai_memory_search / tdai_conversation_search 两个工具函数

快速接入 OpenClaw

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

然后在配置里加一行：

{
  "memory-tencentdb": {
    "enabled": true
  }
}

启用后，它会自动完成对话录制、记忆提取、场景归纳、用户画像生成和下一轮对话前的召回。零配置就能跑。

如果要进一步启用短期记忆压缩（上下文卸载），版本要求 ≥ 0.3.4，配置稍微复杂一点，需要注册 contextEngine slot 并执行一个 patch 脚本。

Docker 启动 Hermes

docker run -d \
  --name hermes-memory \
  --restart unless-stopped \
  -p 8420:8420 \
  -e MODEL_API_KEY="your-api-key" \
  -v hermes_data:/opt/data \
  hermes-memory

镜像内置了腾讯云 DeepSeek-V3.2 的默认值，只传 API Key 就能用。

五、白盒可调试：记忆不是黑盒

这是我觉得最值得关注的一点。

很多记忆系统的问题是：召回错了，你只能看到一串向量分数，根本不知道哪里出了问题。

TencentDB Agent Memory 把关键中间产物都保存为可读文件：

• L2 Scenario 块是 Markdown，直接打开就能检查
• L3 Persona 存在 persona.md 里，可以追溯到对应的 Scenario
• 短期任务画布是 Mermaid 格式，人和 Agent 都能读
• 原文、摘要、节点之间有 result_ref 和 node_id 关联

调试不再是翻黑盒数据库，而是沿着「Persona → Scenario → Atom → Conversation」的链路逐层定位。

所有分层记忆产物都存放在 ~/.openclaw/memory-tdai/ 下，可以直接打开目录逐层查看。

六、可调参数：三层展开

所有字段都有合理默认值，零配置就能跑。要调优的话，按使用深度分三层：

日常调参（覆盖 90% 场景）：

• recall.strategy：召回策略，支持 keyword / embedding / hybrid（推荐 RRF 融合）
• recall.maxResults：每次召回条数，默认 5
• pipeline.everyNConversations：每 N 轮对话触发一次记忆提取，默认 5

进阶调优（长任务/长 Session）：

• offload.mildOffloadRatio：温和压缩触发比例，默认 0.5
• offload.aggressiveCompressRatio：激进压缩触发比例，默认 0.85
• pipeline.l1IdleTimeoutSeconds：用户停止对话多久后触发提取，默认 600 秒

完整参数（运维/自定义模型）：

• embedding.*：远程 embedding 服务配置
• llm.*：独立 LLM 模式，可绕过宿主框架的内置模型
• offload.backendUrl：将压缩流程卸载到后端服务

七、Roadmap 接下来要做什么

项目已经完成了：

• 长期个性化记忆（L0 → L3）
• 短期记忆压缩（Context Offload + Mermaid 画布）
• 本地 SQLite 和腾讯云向量数据库 TCVDB 后端
• OpenClaw 插件和 Hermes Gateway 适配

接下来在做的：

• 记忆可迁移：跨 Agent / 跨框架 / 跨设备的导入导出与热迁移
• Skill 自动生成：从执行轨迹中自动提炼可复用的 Skill
• 可视化调试面板：记忆观测和调试的图形化界面

八、值不值得关注？

适合关注的场景：

• 你在做长程 Agent（需要跨 session 记忆）
• 你在用 OpenClaw 或 Hermes，想直接加记忆能力
• 你的 Agent 任务 Token 消耗大，想做上下文压缩
• 你需要记忆系统可调试、可追溯，不想用黑盒方案

需要注意的：

• 目前存储后端只支持 SQLite，大规模生产环境可能需要等 TCVDB 后端成熟
• 与 OpenClaw 的集成最深，其他 Agent 框架的适配还在路上
• 短期压缩功能需要打 patch，升级 OpenClaw 后需要重新执行

和 Mem0 的区别： 如果你看过我之前写的 Mem0 详解，可能会问这两个有什么区别。简单来说，Mem0 更偏「通用记忆 API」，而 TencentDB Agent Memory 更偏「分层记忆架构」。前者强调的是接口简洁和多后端支持，后者强调的是记忆的层次化管理和符号化表达。两者解决的是同一个问题的不同侧面。

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

如果你正在给 Agent 做记忆系统，或者在用 OpenClaw 想加记忆能力，这个项目值得花半小时跑一下 demo 看看效果。

Agent 记忆这个方向，现在还远没有定论。腾讯这版的「分层 + 符号化」是一条有意思的路，但 Mem0、Zep、Memorall 等方案也各有打法。接下来谁跑出来，取决于谁的记忆系统真正能在生产环境里扛住长程、多轮、跨 session 的压力。

我会持续跟踪 Agent 记忆这条线的技术演进，包括新项目的拆解、benchmark 的复现、以及实际接入中的踩坑经验。

关注我，下一篇我会实测 TencentDB Agent Memory 在真实长任务下的表现，看看 benchmark 数据和实际体验到底差多少。