Tencent/TencentDB-Agent-Memory

Agents 负责记忆，人类专注创新。

✨ 亮点

TencentDB Agent Memory = 符号化短期记忆 + 分层式长期记忆。

符号化短期记忆：卸载沉重的工具日志，将其压缩为精简的 Mermaid 符号，从而降低 Token 消耗并提升任务成功率。

分层式长期记忆：将碎片化的对话提炼为结构化的角色（Persona）和场景（Scene），而非平铺的向量堆。

在与 OpenClaw 集成后，Token 消耗最高降低了 61.38%，任务通过率相对提升了 51.52%，PersonaMem 准确率从 48% 提升至 76%。

记忆能力	基准测试	OpenClaw 成功率	插件增强后	相对增幅	OpenClaw Token	插件增强后 Token	相对降幅
短期	WideSearch	33%	50%	+51.52%	221.31M	85.64M	−61.38%
短期	SWE-bench	58.4%	64.2%	+9.93%	3474.1M	2375.4M	−33.09%
短期	AA-LCR	44.0%	47.5%	+7.95%	112.0M	77.3M	−30.98%
长期	PersonaMem	48%	76%	+59%	—	—	—

以上数据是在持续的长周期会话中测得，而非孤立的单轮对话。例如，SWE-bench 在单次会话中连续执行 50 个任务，以模拟真实长周期 Agent 面临的上下文积累压力。

概述

记忆的意义不在于让 AI 囤积所有信息，而在于让用户不必重复相同的话。

在实践中，我们经常需要反复向 Agent 解释相同的 SOP、项目背景、工具约定和输出格式。这类信息不应要求重复输入，也不应被不加甄别地填塞进上下文中。

TencentDB Agent Memory 帮助 Agent 学习你的工作流、留存任务上下文并复用过往经验。我们拒绝粗暴的线性历史积累和不可逆的有损摘要。相反，我们将记忆设计为一套分层系统：通过符号化记忆解决任务内信息过载，通过记忆分层实现跨会话经验沉淀。

让 Agent 记住该记住的事，让人们能够专注于判断、创造和真正重要的工作。

核心技术：拒绝平铺式存储，拥抱分层与符号化

我们的架构基于两大支柱：记忆分层和符号化记忆。它们共同确保 Agent 不仅仅是“记得更多”，而是“推理更好”。

1. 记忆分层：基于异构存储的渐进式呈现

传统的记忆系统会将数据切碎并存入平铺的向量数据库中。召回时，它退化为在离散碎片中进行的盲目搜索，缺乏宏观层面的引导。

无论是长期知识、短期任务还是未来的技能能力，记忆都不应是平铺的——其形成和召回都必须是分层的。TencentDB Agent Memory 采用分层作为统一的架构范式：

短期上下文分层：底层归档原始工具输出 (refs/*.md)；中间层提取步骤级摘要 (jsonl)；顶层将状态压缩为轻量级的 Mermaid 画布。Agent 仅需关注上下文中的顶层结构，当出现错误时，可通过 node_id 向下钻取至底层细节。
长期个性化分层：我们摒弃了平铺日志，转而构建语义金字塔：L0 对话（原始对话）→ L1 原子事实（核心事实）→ L2 场景（场景模块）→ L3 角色（用户画像）。角色层承载日常偏好；仅在需要细节时，系统才会向下钻取至原子事实层。
技能生成分层：分层同样适用于行动。中间层从底层的执行记录（对话）中推导出通用的解决方案模式（场景），顶层则将其提炼为可复用的技能或标准 SOP（角色）。

异构存储与渐进式呈现。 双层存储机制。