@GoSailGlobal: 腾讯也下场了 做agent memory 代理记忆项目 开源链接： https://github.com/Tencent/TencentDB-Agent-Memory…

✨ 亮点

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

• 符号化短期记忆将繁重的工具日志卸载并压缩为紧凑的 Mermaid 符号，减少令牌消耗并提升任务成功率。
• 分层长期记忆将碎片化的对话提炼为结构化的画像和场景，而非扁平向量堆。与 OpenClaw 集成后，令牌消耗最多降低 61.38%，通过率相对提高 51.52%，PersonaMem 准确率从 48% 提升至 76%。

以上结果基于连续长周期会话测量，而非单轮交互。例如，SWE-bench 每轮会话连续运行 50 个任务，以模拟真实长周期 agent 面临的上下文累积压力。

概述

记忆不是让 AI 囤积一切——而是避免人类反复重复自己。 实践中，我们不断向 Agent 重复解释相同的 SOP、项目背景、工具规则和输出格式。这些信息本无需重复，更不应该被不加区分地塞入上下文。

TencentDB Agent Memory 帮助 Agent 学习你的工作流程、保留任务上下文并复用过往经验。我们拒绝暴力的历史堆积和不可逆的有损摘要，而是将记忆设计为分层系统：符号化内存应对任务内的信息过载，内存分层应对跨会话的经验积累。

让 Agent 记住该记住的内容，让人类专注于判断、创造和真正重要的工作。

核心技术：摒弃平面存储，拥抱分层与符号化

我们的架构基于两大支柱：内存分层和符号化内存。二者共同确保 Agent 不仅仅是“记得更多”，而是“推理更优”。

1. 内存分层：异构存储下的渐进式披露

传统记忆系统将数据切碎后倒入平面向量存储。回忆退化为在碎片中盲搜，缺乏宏观指引。无论是长期知识、短期任务还是未来技能，记忆都不应是扁平的——其形成和检索都必须分层。

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）；中层提取步骤级摘要（jsonl）；顶层将状态浓缩为轻量化的 Mermaid 画布。Agent 在上下文中只需关注顶层结构，出错时通过 node_id 钻取到底层。
• 长期个性化分层： 摒弃平面日志，构建语义金字塔：L0 对话（原始对话）→ L1 原子（原子事实）→ L2 场景（场景块）→ L3 画像（用户画像）。画像层承载日常偏好；当需要细节时，系统钻取到原子层。
• 技能生成分层： 分层同样适用于动作。中层从底层执行轨迹（对话）中提取通用解决模式（场景），顶层提炼为可复用的技能或标准 SOP（画像）。

异构存储与渐进式披露。 双存储策略支撑这一架构：底层（事实、日志、轨迹）持久化到数据库，支持健壮的全文本检索；顶层（画像、场景、画布）存储为人类可读的 Markdown 文件，具有高信息密度和可白盒检查性。底层保留证据，顶层保留结构。

完整可追溯和可无损恢复。 压缩往往会牺牲可追溯性。TencentDB Agent Memory 通过维护从高层抽象到地面真实证据的确定性路径，避免不可逆压缩。无论是卸载的错误日志还是提炼的用户偏好，系统都保证完整的钻取路径：“顶层符号（画像/画布） → 中层索引（场景/jsonl） → 底层原始文本（L0 对话/refs）”。

2. 符号化内存：最少符号承载最大语义（Mermaid 画布）

在长任务中，最大的令牌消耗者是冗长的中间日志（搜索结果、代码、错误轨迹）。为此，我们将上下文卸载与符号化内存结合：

• Mermaid 符号图。 我们使用高密度的 Mermaid 语法编码任务状态转换——LLM 足以解析，人类也能阅读。
• 历史卸载。 完整的工具日志被卸载到外部文件；上下文中仅保留轻量化的 Mermaid 任务图。
• node_id 追溯。 Agent 在符号图上进行推理；需要验证细节时，通过 node_id 搜索即可立即获取完整原始文本——既降低了令牌成本，又保留了完整可追溯性。

mermaid graph LR Log["冗长日志（数十万令牌）"] -->|"1. 卸载全文"| FS[("外部文件系统 (refs/*.md)")] Log -->|"2. 提取关系"| MMD["Mermaid 画布（含 node_id）"] MMD -->|"3. 轻量注入"| Agent(("Agent 上下文（数百令牌）")) Agent -. "4. 通过 node_id 召回" .-> FS style Log fill:#f1f5f9,stroke:#94a3b8,stroke-dasharray: 5 5,color:#475569 style FS fill:#f8fafc,stroke:#cbd5e1,stroke-width:2px,color:#334155 style MMD fill:#eff6ff,stroke:#3b82f6,stroke-width:2px,color:#1e3a8a style Agent fill:#fffbeb,stroke:#f59e0b,stroke-width:2px,color:#92400e

快速开始

🎬 演示

OpenClaw × Agent Memory | Hermes × Agent Memory

1. OpenClaw

1.1 安装插件

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

1.2 零配置启用

默认使用本地 SQLite + sqlite-vec 后端。

// ~/.openclaw/openclaw.json  
{  
  "memory-tencentdb": {  
    "enabled": true  
  }  
}  

启用后，TencentDB Agent Memory 自动处理对话捕获、记忆提取、场景聚合、画像生成以及下一轮之前的召回。

1.3 启用短期压缩（可选，需版本 ≥ 0.3.4）

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

步骤 1 — 在插件配置中注册插槽

添加 slots 字段，使 OpenClaw 将上下文卸载请求路由到此插件：

{  
  "plugins": {  
    "slots": {  
      "contextEngine": "openclaw-context-offload"  
    }  
  }  
}  

步骤 2 — 应用运行时补丁

为获得最佳效果，请运行以下补丁脚本。它会 Hook after-tool-call 消息，使其能被正确卸载和恢复：

bash scripts/openclaw-after-tool-call-messages.patch.sh  

💡 每个 OpenClaw 安装只需应用一次补丁。升级 OpenClaw 后，重新运行脚本以重新应用。

2. Hermes（Docker，需版本 ≥ 0.3.4）

除了 OpenClaw，此插件还支持 Hermes (https://github.com/NousResearch/hermes-agent) Agent。你可以通过一条命令启动启用记忆的 Hermes：

# ============ 配置参数 ============  
# MODEL_API_KEY LLM API 密钥（必填）——请替换为你自己的凭证  
# MODEL_BASE_URL LLM 端点，默认为腾讯云 LKE（大模型知识引擎）  
# MODEL_NAME 模型名称，默认为 DeepSeek-V3.2  
# MODEL_PROVIDER 提供商类型："custom" 适用于任何兼容 OpenAI 的端点  
MODEL_API_KEY="your-api-key"  
MODEL_BASE_URL="https://api.lkeap.cloud.tencent.com/v1"  
MODEL_NAME="deepseek-v3.2"  
MODEL_PROVIDER="custom"  

# ============ docker run 参数 ============  
# -d 后台运行容器  
# --name hermes-memory 容器名称，便于后续 docker exec / logs / stop  
# --restart unless-stopped 崩溃或主机重启时自动重启  
# -p 8420:8420 主机端口 ↔ 容器端口（Hermes Gateway）  
# -e MODEL_* 将上述配置参数注入为环境变量  
# -v hermes_data:/opt/data 将记忆数据持久化到命名卷（重启后存活）  

# 构建  
docker build -f Dockerfile.hermes -t hermes-memory .  

# 运行  
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 Gateway  
curl http://localhost:8420/health  

# 进入 Hermes 交互式 Shell  
docker exec -it hermes-memory hermes  

镜像默认搭载腾讯云 DeepSeek-V3.2。如果使用该模型，可省略 MODEL_BASE_URL / MODEL_NAME / MODEL_PROVIDER，仅传入 MODEL_API_KEY。

🔧 可配置参数

每个字段都有合理的默认值——零配置即可运行。 当你想调优时，根据深入程度逐层剥离。

🟢 第一级 · 日常调优（覆盖 90% 使用场景）

🟡 第二级 · 高级调优（长任务/长会话）

🔴 第三级 · 完整参数参考（运维/自定义模型/远程 Embedding）

所有字段、类型和约束详见 openclaw.plugin.json。

• embedding.* — 远程 embedding 服务（兼容 OpenAI API）
• llm.* — 独立 LLM 模式（绕过 OpenClaw 内置模型，用指定 API 执行 L1/L2/L3）
• offload.backendUrl / backendApiKey — 将 L1/L1.5/L2/L4 流程卸载到后端服务
• report.* — 指标上报

🤔 功能

1. 宏观画像 + 微观事实：统一的钻取机制

压缩的最大风险是以丢失证据为代价节省令牌。因此 TencentDB Agent Memory 不会将历史压缩为不可逆的摘要——它保留了从高层抽象回到地面真实证据的清晰路径。

上层承载判断和方向，下层承载证据和精度。短期压缩与长期记忆形成一个闭环：可折叠可展开，既抽象又可审计。

2. 白盒可调试性：记忆不是黑盒

大多数记忆系统在此方面不足：当召回错误时，你看到的只是一堆向量分数，无从得知问题所在。TencentDB Agent Memory 将关键中间产物保留为可读文件：

• L2 场景块是纯 Markdown——打开即可检查。
• L3 画像位于 persona.md，并可追溯回生成它的场景。
• 短期任务画布是 Mermaid——人类和 Agent 均可阅读。
• 原始载荷、摘要和节点通过 result_ref 和 node_id 互相链接。
  调试不再是探查不透明的数据库——而是沿着“画像 → 场景 → 原子 → 对话”链进行确定性追踪，直至根因浮出水面。

所有这些分层记忆产物都位于 ~/.openclaw/memory-tdai/ 下——随时打开目录，自己检查每一层。

3. 生产级工程：不止是演示

文档

社区与贡献

我们欢迎各种形式的贡献——错误报告、功能建议、文档修正、基准复现、生态集成，或直接提交 Pull Request。Agent 记忆远未解决，我们期待与你一同探索。

• 🐞 发现了 bug 或有问题？ 在 GitHub Issues (https://github.com/Tencent/TencentDB-Agent-Memory/issues) 新建 issue —— 我们会在 24 小时内回复。
• 💡 有想法要分享？ 同样欢迎通过 issue 提出。