TencentDB Agent Memory：腾讯云开源的 AI Agent 四层渐进式记忆系统-无双技术网

你有没有遇到过这种情况：跟 AI Agent 说了半天需求，它转头就忘了前面说过什么？或者在长任务中，上下文被中间日志塞爆，导致任务失败？

这就是当前 AI Agent 面临的核心痛点——没有真正的长期记忆。腾讯云最新开源的 TencentDB Agent Memory 正是为了解决这个问题而生。

项目简介

TencentDB Agent Memory 是一个全本地运行、零外部 API 依赖的 AI Agent 长期记忆系统。它通过四层渐进式管道，让 Agent 真正拥有”记住该记住的、忘掉该忘掉的”能力。

项目地址：github.com/TencentCloud/TencentDB-Agent-Memory
Stars：8,255 ⭐
技术栈：TypeScript
许可证：Apache-2.0
核心定位：OpenClaw / Hermes 插件，也支持独立 Gateway 部署

核心理念：记忆不是”什么都存”，而是”分层理解”

项目团队提出了一个重要观点：记忆不是把一切都塞进 AI 上下文里，而是让人类不必重复自己。

我们每天都在重复解释相同的 SOP、项目背景、工具约定给 Agent——这些信息不应该每次都重新说一遍。但也不应该简单粗暴地全丢进上下文。TencentDB Agent Memory 提出的方案是：把记忆做成一个分层系统。

四层渐进式记忆架构

整个系统的核心是”分层渐进”的设计哲学，分为四大层级：

L0 – 对话层（Conversation）

原始对话记录，完整保留所有交互细节。这是最底层的证据，不丢任何信息，但也不直接塞给 Agent。

L1 – 原子层（Atom）

从对话中提取的原子化事实——比如”用户偏好 Python 而非 JavaScript”、”项目部署在 192.168.1.100″。每一条都有明确的来源追溯。

L2 – 场景层（Scenario / Scene Block）

将相关的原子事实聚合为场景块，比如”AI交互偏好”、”技术工具使用习惯”、”项目部署环境”。这是 Agent 日常决策时的主力信息来源。

L3 – 人格层（Persona）

从多个场景中提炼出的用户画像，包含底层偏好、长期目标和行为模式。Agent 在对话开始时只需要加载这一层级，就能”认识”用户。

关键设计：全链路可追溯。从 L3 的人格描述，可以一路钻取到 L0 的原始对话，确保 Agent 的”记忆”不是黑盒幻觉，而是有据可查的事实。

符号化短期记忆：甩掉日志包袱

长任务中最大的 Token 消耗者是谁？不是用户需求，而是冗长的中间日志——搜索结果、报错堆栈、代码输出。这些内容动辄几百 KB，却只有 5% 有用。

TencentDB Agent Memory 的解决方案很巧妙：

卸载完整日志 → 写入外部文件系统（refs/*.md）
提取结构化关系 → 转为 Mermaid 符号图（只保留 node_id）
轻量注入 → Agent 上下文只保留几百 Token 的符号图
按需回溯 → 需要细节时，通过 node_id grep 原始日志

这个设计把“知道去哪里找”和“找到的内容”做了彻底解耦，效果显著。

实测数据：Token 暴降 61%，通过率提升 51%

在 OpenClaw 平台上，TencentDB Agent Memory 交出了一份亮眼的成绩单：

指标	基准值	搭载后	提升幅度
WideSearch 通过率	33%	50%	+51.52%（相对）
WideSearch Token 消耗	221.31M	85.64M	−61.38%
SWE-bench 通过率	58.4%	64.2%	+9.93%
SWE-bench Token 消耗	3474.1M	2375.4M	−33.09%
PersonaMem 准确率	48%	76%	+59%

尤其值得关注的是 PersonaMem 准确率从 48% 跃升到 76%——几乎翻倍。这说明分层记忆不仅省钱，还实打实地让 Agent “更懂你”。

安装使用（小白友好版）

方式一：作为 OpenClaw 插件

如果你已经在用 OpenClaw，一行命令搞定：

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

默认使用本地 SQLite + sqlite-vec 作为存储后端，无需配置任何外部服务。启用后自动处理对话捕获、记忆提取、场景聚合和人格生成。

方式二：Docker 一键部署（含 Hermes）

cd docker/opensource
docker build -f Dockerfile.hermes -t hermes-memory .
docker run -d   --name hermes-memory   --restart unless-stopped   -p 8420:8420   -e MODEL_API_KEY="your-api-key"   -e MODEL_BASE_URL="https://api.lkeap.cloud.tencent.com/v1"   -e MODEL_NAME="deepseek-v3.2"   -e MODEL_PROVIDER="custom"   -v hermes_data:/opt/data   hermes-memory

# 验证
curl http://localhost:8420/health

方式三：接入已有 Hermes 实例

# 安装插件包
mkdir -p ~/.memory-tencentdb
cd $(mktemp -d) && npm init -y --silent
npm install @tencentdb-agent-memory/memory-tencentdb@latest --omit=dev
cp -r node_modules/@tencentdb-agent-memory/memory-tencentdb ~/.memory-tencentdb/tdai-memory-openclaw-plugin

# 链接到 Hermes 插件目录
ln -sf ~/.memory-tencentdb/tdai-memory-openclaw-plugin/hermes-plugin/memory/memory_tencentdb   ~/.hermes/hermes-agent/plugins/memory/memory_tencentdb

# 编辑 ~/.hermes/config.yaml
# memory:
#   provider: memory_tencentdb

设计哲学：拒绝扁平，拥抱层级

市面上大多数记忆系统采用的是”扁平向量库”模式——把所有内容打碎成片段，丢进向量数据库，召回时靠语义搜索。这在实践中导致了两个问题：

碎片化召回：搜索召回的是孤立片段，缺乏宏观上下文的引导
黑盒不可控：Agent 不知道自己”记得”什么，也不知道哪些是可信的事实

TencentDB Agent Memory 的答案是：记忆从形成到召回都必须是层级的。上层结构（Persona/Canvas）承载日常决策，下层证据（Atom/Conversation）提供可信追溯。两层用不同的存储：上层用可读的 Markdown 文件（白盒可审查），下层用数据库（全文检索）。