TencentCloud TencentDB-Agent-Memory

TencentCloud TencentDB-Agent-Memory

Agents remember, Humans innovate.

✨ 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，从而减少 token 用量并提升任务成功率。分层长期记忆将碎片化的对话提炼为结构化的角色画像与场景，而非扁平的向量堆叠。

与 OpenClaw 集成后，token 用量最高可降低 61.38%，通过率相对提升 51.52%，PersonaMem 准确率从 48% 提升至 76%。

记忆能力基准测试

| 记忆类型 | 任务 | OpenClaw 成功率 | 集成插件后成功率 | 相对变化 Δ | OpenClaw Token 用量 | 集成插件后 Token 用量 | 相对变化 Δ | |----------|------|----------------|----------------|------------|-------------------|-------------------|------------| | 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% | — | — | — |

以上结果基于连续的长周期会话（而非单轮交互）测量。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

记忆并非让 AI 囤积一切——而是为了让人类免于重复。在实践中，我们不断向 Agent 重复解释相同的 SOP、项目背景、工具惯例和输出格式。这些信息不应被反复提及，也不应被不加区分地全部塞入上下文。

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。我们拒绝暴力式的历史累积，也拒绝不可逆的有损摘要。相反，我们将记忆设计为分层系统：符号化记忆应对任务内的信息过载，记忆分层应对跨会话的经验复用。

让 Agent 记住该记住的，让人专注于判断、创造和真正重要的工作。

核心技术：拒绝扁平存储，拥抱分层与符号化

我们的架构基于两大支柱：记忆分层与符号化记忆。二者共同确保 Agent 不仅仅是“记住更多”，而是“推理更优”。

1. 记忆分层：渐进式披露与异构存储

传统记忆系统将数据切碎并倾倒入扁平的向量存储中。回忆退化为在断连的碎片间盲目搜索，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——其形成与回忆都必须是分层的。

TencentDB Agent Memory 将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 Mermaid 画布。Agent 只需关注上下文中的顶层结构，并在出错时通过 node_id 向下钻取到底层。
• 长期个性化分层。我们构建语义金字塔替代扁平日志：L0 对话（原始对话）→ L1 原子（原子事实）→ L2 场景（场景块）→ L3 角色画像（用户画像）。角色画像层承载日常偏好；仅在需要细节时系统才向下钻取到原子层。
• 技能生成分层。分层同样适用于动作。中间层从底层执行轨迹（对话）中提炼通用解决方案模式（场景），顶层则蒸馏出可复用的技能或标准 SOP（角色画像）。

异构存储与渐进式披露。双层存储策略支撑该架构。底层（事实、日志、轨迹）持久化在数据库中，支持健壮的全文检索；顶层（角色画像、场景、画布）以人类可读的 Markdown 文件存储，兼具高信息密度与白盒可检查性。下层保留证据，上层保留结构。

完全可追溯与无损恢复。压缩往往牺牲可追溯性。TencentDB Agent Memory 通过维护从高层抽象到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蒸馏的用户偏好，系统都保证完整的向下钻取路径：“顶层符号（角色画像/画布）→ 中间层索引（场景/jsonl）→ 底层原始文本（L0 对话/refs）”。

2. 符号化记忆：最小符号承载最大语义（Mermaid 画布）

在长任务中，最大的 token 消耗者是冗长的中间日志（搜索结果、代码、错误追踪）。为此，我们将上下文卸载与符号化记忆相结合：

• Mermaid 符号图。我们使用高密度的 Mermaid 语法编码任务状态转换，而非冗长的散文或扁平的 JSON——既精确到 LLM 可解析，又简洁到人类可阅读。
• 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级的 Mermaid 任务图。
• node_id 追踪。Agent 基于符号图进行推理；如需验证某个细节，通过 node_id 搜索即可立即获取完整原始文本——在降低 token 成本的同时保留完全可追溯性。

graph LR  
    Log["Verbose Logs
(hundreds of thousands of tokens)"] -->|"1. Offload full text"| FS[("External FS
(refs/*.md)")]  
    Log -->|"2. Extract relations"| MMD["Mermaid Canvas
(with node_id)"]  
    MMD -->|"3. Light injection"| Agent(("Agent Context
(a few hundred tokens)"))  
    Agent -. "4. Recall via node_id" .-> 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

演示视频

• OpenClaw_eg.mp4
• Hermes_e