让 Agent 拥有超强记忆，TencentDB Agent Memory 开源了！

最近关于 AI Agent 的讨论越来越热，但细聊下来发现，不少用 Agent 做过项目的人都经历过同一种抓狂：花了大半天把项目背景交代得清清楚楚——技术栈是 TypeScript，测试文件放在 __tests__ 目录，代码注释要简短，还有一堆踩坑指南——结果新开一个会话，Agent 立马失忆，一切又得从头再来。

这种重复交代的循环，本质上就是在浪费人机协作积累的经验价值。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，却随着会话结束凭空消失。随着 Agent 在真实项目中用得越来越深，AI 失忆已经成了实实在在的工时消耗。

这也不难理解，为什么过去两年里"Context Engineering"（上下文工程）会被反复讨论。答案其实很清晰：给模型提供什么样的信息、以什么结构组织这些信息，这件事的重要性正在逼近模型能力本身。而 AI 的记忆层，也正从一个可选插件，变成 Agent 架构里绕不过去的基础组件。

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

。开源没多久就收获了 4500+ Star。它的核心目标很直接——。

下面就来拆解一下，这个项目究竟能解决什么问题，背后的技术原理又是什么。

狂塞上下文，对话越来越乱

以前遇到 Agent 失忆，最直接的做法就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。说实话，对话短的时候这招挺管用，可一旦牵扯到长线复杂任务，三个问题就会立刻暴露：

1. 跨会话断裂
   ——历史对话不跨会话保留，换了会话就等于没有记忆；

2. 事实与偏好混淆
   ——"我喜欢用 TypeScript"和"帮我查一下天气"，两条信息的方向完全不同，混在一起等于什么都没记住；

3. 上下文膨胀
   ——任务越长，历史记录越多，Token 消耗成倍增长，模型的注意力也持续衰减。

既然暴力堆历史不行，那就试试长上下文压缩？结果再次被打脸。传统的摘要压缩是有损的，压缩完就没办法还原，出了问题只能让 AI 猜，根因根本找不到。

记忆分层，对话更清晰

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

之前大多数记忆方案把对话切成片段，扔进向量数据库，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同等，召回时只能靠相似度碰运气，没有宏观结构引导。

这次换了个思路：

。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，需要更多细节时逐层往下钻。上层给的是方向，下层留的是证据。还有一个额外的好处：出了问题，可以沿着 L3→L2→L1→L0 这条链路一路追溯，不用在黑箱里猜。

Agent 执行长任务时，调用工具产生的中间输出——搜索结果、代码日志、报错信息——叠加起来动辄几万 Token。如果全堆在对话上下文，很快就能撑爆上下文长度。

TencentDB Agent Memory 用 Mermaid 做符号压缩。Mermaid 这种图形化语言，既能让 LLM 精确解析，人也能直接阅读，不像 JSON 那样读起来费劲，也不像纯文本摘要容易丢失结构。

具体做法是：工具调用的详细输出保存到外部文件 refs/*.md，上下文中只保留一张 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。这样既能保证原文不丢、结构可查，又能阻止 Token 线性增长。

真正价值，不止于节省 Token

以上这些解法带来的价值远不止于省 Token。值得关注的有三点：

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。以前大部分记忆系统出问题只能靠向量分数瞎猜，这里可以直接沿 L3→L0 一路追溯——对生产环境来说，这意味着极强的可维护性。

对于开发者而言，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，想自建类似系统的话，可以直接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非常友好。

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

，成功率提升 ；PersonaMem 长期记忆准确率从 升到 。不仅 Token 消耗大幅降低，长期记忆的准确率也得到了明显提升。

接入很简单，不只限于龙虾

接下来聊下怎么用。项目提供了三种接入方式，都非常简单。

如果用 OpenClaw，可以作为

安装，只需两行命令，无需配置，开箱即用：

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

对于

，可以使用 Docker 快速部署，支持任何兼容 OpenAI 接口的模型。

最新开源的 1.0.0-beta.1 版本还提供了

，可以从嵌入式插件升级为独立可部署的 Memory 服务，并提供完整 HTTP v2 RESTful API，用 TypeScript SDK 或 Python SDK 即可快速开始。

有了这些接入方式，不管用什么 Agent 框架，只要能发 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。

写在最后

Agent 失忆不只是使用体验问题，更是在不断浪费每一次人机协作产生的经验价值。近半年模型能力增长已在逐步放缓，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、惯用的解决方案。这些完全都属于我们自己的数字资产，不会因为更换或升级模型而消失。

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。更重要的是，让人能从重复交代、重复踩坑的消耗里解放出来，把更多精力放在真正的判断和创造力上。