TencentDB Agent Memory – 腾讯开源的智能体记忆管理工具

1. TencentDB Agent Memory是什么

TencentDB Agent Memory是腾讯云数据库团队开源的一款面向AI Agent的分层记忆管理工具，采用MIT协议。该工具通过独创的L0-L3四层渐进式记忆架构与上下文卸载+Mermaid任务画布技术，为Agent提供短期记忆压缩与长期个性化记忆能力。在实测中，该工具最高可降低61.38%的Token消耗，同时任务成功率提升51.52%，并已适配OpenClaw和Hermes等主流Agent框架，为长链路Agent任务提供了高效的记忆管理解决方案。

技术定位与领域： 属于自然语言处理与AI Agent基础设施领域，具体聚焦于Agent记忆管理这一细分方向。与传统的大模型提示优化或检索增强生成（RAG）不同，TencentDB Agent Memory专注于解决Agent在长对话和多会话场景中的记忆遗忘、上下文溢出和用户画像构建问题，定位为Agent系统的“记忆中枢”。

研发背景： 由腾讯云数据库团队开发，该团队在数据库存储、检索和分布式系统领域拥有深厚的技术积累。研发动机源于当前主流Agent框架（如OpenClaw、AutoGPT）在处理长任务时普遍存在的上下文窗口限制、Token成本高昂以及缺乏跨会话记忆能力等痛点。腾讯云数据库团队将自身在数据管理和存储方面的经验迁移至Agent记忆领域，旨在提供一套轻量、高效且可追溯的记忆管理方案。

核心价值： 解决了Agent在长链路任务中的两大核心问题：一是短期记忆的上下文溢出，通过上下文卸载技术将原始工具结果移至外部存储，仅保留结构化摘要，显著降低Token消耗；二是长期个性化记忆的缺失，通过四层渐进式架构从原始对话逐步抽象为用户画像，实现跨会话的用户偏好沉淀。这种设计不仅降低了运营成本，还提升了Agent任务完成的连贯性和准确性。

技术特点： 独创L0-L3四层渐进式记忆架构，实现从原始数据到用户画像的层次化抽象；采用上下文卸载+Mermaid任务画布技术，在压缩上下文的同时保留任务结构信息；支持全链路白盒可追溯，所有中间产物均为人类可读文件；默认本地SQLite零依赖部署，进阶可对接腾讯云向量数据库TCVDB实现混合检索。

2. 主要功能

• L0-L3四层渐进式记忆架构： 这是该工具的核心创新。L0层保存原始对话日志；L1层通过LLM提取原子记忆（如事实、偏好）；L2层按场景（如编程、调研）对原子记忆进行分块和聚类；L3层构建用户画像抽象。这种分层设计使得记忆从具体到抽象逐步提炼，既保留了原始证据，又支持高层级的快速检索。

• 上下文卸载与Mermaid任务画布： 针对Agent长任务中的上下文爆炸问题，该功能将原始工具调用结果（如API返回数据、网页内容）卸载至外部存储，仅保留用Mermaid语法描述的结构化任务图。任务图清晰展示了任务步骤、依赖关系和中间状态，使Agent在后续推理中无需重复加载原始数据，从而将上下文压缩至原来的30%-50%。

• 白盒可追溯机制： 所有记忆层均以Markdown、JSONL、Mermaid等人类可读文件格式保存。开发者可以随时从L3用户画像层逐层向下追溯，查看L2的场景分块、L1的原子记忆，直至L0的原始对话。这种设计避免了黑盒压缩导致的信息丢失，为调试和审计提供了完整证据链。

• 异构存储后端支持： 默认使用本地SQLite数据库搭配sqlite-vec向量扩展，实现零依赖部署。进阶场景下，可配置腾讯云向量数据库TCVDB，支持BM25关键词检索与向量语义检索的混合模式，在召回率和精准度之间取得平衡。这种设计兼顾了轻量部署与生产级扩展需求。

• 多框架一键适配： 已原生适配OpenClaw和Hermes两大主流Agent框架。用户只需执行一条插件安装命令，即可在现有Agent环境中集成记忆管理能力，无需修改Agent核心逻辑。支持自动检测框架版本并完成配置，降低了集成门槛。

• 实时Token消耗监控： 集成细粒度的Token使用统计功能，可在Agent运行过程中实时显示每次记忆操作（压缩、检索、更新）的Token消耗。开发者可通过可视化面板对比启用/禁用记忆管理前后的Token使用量，直观评估降本效果。

3. 如何使用

1. 环境要求与前置条件： 需要已安装OpenClaw或Hermes Agent框架（推荐OpenClaw v0.5.0及以上版本）。操作系统支持Linux（Ubuntu 20.04+）、macOS 12+和Windows 10/11。默认本地存储方案无需额外依赖，若使用腾讯云TCVDB需提前开通腾讯云账号并获取API密钥。

2. 安装记忆插件： 在OpenClaw终端中执行以下命令安装记忆插件：

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

   该命令会自动从NPM仓库拉取最新版本插件，并完成依赖检查和环境验证。安装过程通常耗时10-30秒。

3. 重启网关使插件生效： 安装完成后，执行以下命令重启OpenClaw网关服务：

   openclaw gateway restart
   

   重启后，系统会自动加载记忆插件并初始化默认存储后端。可通过 openclaw plugins list 命令确认插件状态为“active”。

4. 配置存储后端（可选）： 默认情况下，插件使用本地SQLite+sqlite-vec后端，无需任何配置即可使用。如需使用腾讯云TCVDB实现混合检索，需在OpenClaw配置文件中添加以下内容：

   memory:
     backend: tencentdb
     tencentdb:
       endpoint: "https://your-instance.tcvdb.tencent.com"
       api_key: "your-api-key"
   

   配置完成后再次重启网关使设置生效。

5. 验证记忆效果： 启动一个包含多步骤的Agent任务（如“调研AI Agent最新进展并生成报告”），在任务执行过程中观察Token消耗变化。可通过查看 ~/.openclaw/memory/ 目录下的本地文件，逐层追溯记忆内容。例如，L0原始对话保存在 l0_dialogue.jsonl，L3用户画像保存在 l3_profile.md。

4. 优缺点分析

5. 同类工具对比

选型建议： 对于已使用OpenClaw或Hermes框架的团队，TencentDB Agent Memory是最佳选择，其插件化集成方式可快速为现有Agent系统添加记忆管理能力，尤其适合需要处理长链路任务且关注成本控制的场景。对于需要构建大规模用户画像系统的团队，Mem0的广泛SDK集成能力更具优势，但需自行搭建向量数据库基础设施。对于追求Agent完全自主运行能力的开发者，Letta提供了更完整的运行时环境，但需要将现有Agent迁移至其专有框架，迁移成本较高。

6. 编辑点评

TencentDB Agent Memory在技术创新性上表现出色，其L0-L3四层渐进式记忆架构是当前Agent记忆管理领域少有的系统性设计。不同于Mem0等工具仅关注个性化事实存储，TencentDB Agent Memory同时解决了短期记忆压缩和长期记忆沉淀两大核心问题，且通过上下文卸载+Mermaid画布的技术组合实现了Token消耗的显著降低。从实用价值来看，61.38%的Token成本降低和51.52%的任务成功率提升是经过生产环境验证的硬指标，对于需要大规模部署Agent的企业而言，这意味着可观的成本节约和体验改善。

该工具的主要适用人群为Agent开发者和AI应用架构师，特别是那些正在使用OpenClaw或Hermes框架，并面临长任务上下文溢出问题的团队。对于个人开发者，零依赖的本地部署方案也提供了友好的入门体验。从未来发展潜力来看，随着Agent系统从单轮对话向多轮、多会话、多Agent协作演进，记忆管理将成为Agent基础设施的关键组件。TencentDB Agent Memory的白盒设计使其在调试和审计方面具有天然优势，未来若能扩展对更多框架的支持并完善文档，有望成为Agent记忆管理领域的标杆项目。

7. 应用场景

• 编程开发助手： 在跨越多天的代码项目中，Agent需要持续记忆项目代码规范、已使用的设计模式、待办任务和已解决的问题。TencentDB Agent Memory通过L2场景分块将这些信息按项目组织，并在L3层面形成开发习惯画像，使Agent能够在新会话中直接复用历史经验，避免重复确认。

• 深度调研分析： 在网页搜索、文献阅读和研究分析等长链路任务中，Agent需要处理大量中间结果。上下文卸载技术将原始网页内容移至外部存储，仅保留Mermaid任务图记录调研路径和关键发现，使Agent能够在不丢失上下文的情况下持续推进调研。

• 工作流编排： 在多步骤自动化工作流（如数据ETL、报告生成）中，Agent需要记录每一步的执行状态、中间数据和异常信息。TencentDB Agent Memory的任务画布功能可清晰展示工作流拓扑结构，支持断点续传和状态恢复，即使任务中断也能从最近节点继续执行。

• 个性化客服： 在跨会话的客户服务场景中，Agent需要记住用户的历史诉求、偏好设置和沟通风格。L3用户画像层自动沉淀这些信息，使Agent能够在不同会话中提供一致的个性化服务，如根据用户偏好的语言风格回复、自动关联历史工单等。

• 文档分析处理： 在长篇文档的逐段分析过程中，Agent需要保持分析逻辑的连贯性。上下文压缩机制将已分析段落的内容摘要化存储，使Agent在分析后续章节时仍能引用前文结论，避免因上下文溢出导致的逻辑断裂。

8. 常见问题FAQ

Q：TencentDB Agent Memory是否支持非OpenClaw框架的Agent？
A：目前仅原生支持OpenClaw和Hermes框架，其他框架（如LangChain、AutoGPT）需要手动适配。社区正在开发通用适配器，预计未来版本将支持更多框架。

Q：本地SQLite存储的容量上限是多少？
A：SQLite理论上支持TB级数据，但在Agent记忆场景中，建议单个会话的记忆条目不超过10万条。超过此阈值时，查询延迟可能明显增加，建议升级至腾讯云TCVDB。

Q：如何查看和验证记忆层的具体内容？
A：所有记忆层均保存在 ~/.openclaw/memory/ 目录下。L0层为 l0_dialogue.jsonl（JSONL格式），L1层为 l1_atomic_memory.jsonl，L2层为 l2_scenario_chunks.md（Markdown格式），L3层为 l3_user_profile.md。可使用文本编辑器直接查看。

Q：Token消耗降低61.38%是理论值还是实测值？
A：该数据来源于腾讯云数据库团队在编程、调研、文档分析、工作流编排四类任务上的多轮实测，平均Token消耗降低61.38%，任务成功率提升51.52%。实际效果可能因任务复杂度和上下文长度而异。

Q：L3用户画像的构建需要多少轮对话？
A：通常在5-10轮对话后开始形成初步画像，20轮以上对话后画像趋于稳定。冷启动阶段建议手动预设基础画像，或通过RAG技术从历史数据中快速构建初始画像。

Q：是否支持多用户/多Agent场景？
A：支持。每个Agent实例默认使用独立的存储空间，可通过配置文件中的 instance_id 参数区分不同用户或Agent。多用户场景下，建议使用腾讯云TCVDB作为共享存储后端。

9. 项目地址

• GitHub仓库： https://github.com/Tencent/TencentDB-Agent-Memory