在实际使用中我们往往需要反复告诉 Agent 固定 SOP、项目背景、工具习惯和输出格式。这些信息不应该每次重新解释但同时也不应该被无脑、扁平地全部塞进上下文。这是腾讯云在 TencentDB Agent Memory 的 README 里写下的开场。让 Agent 记住常见的两条路都不好走——一条是把历史全量堆进上下文token 越滚越多、还越来越吵另一条是粗暴摘要省了空间却把证据压没了错了也回不去。TencentDB Agent Memory 帮助 Agent 学会你的流程、保留任务上下文、复用历史经验。但我们拒绝暴力的历史堆砌也抛弃不可逆的暴力摘要。这个项目 5 月开源到现在 GitHub 上 6.1k 星MIT 协议TypeScript 写成。slogan 是「让 Agent 沉淀经验让人专注创造。」TencentCloud/TencentDB-Agent-Memory 的 GitHub Star 增长曲线图源star-history.com它是什么一句话一套符号化短期记忆 分层式长期记忆的 Agent 记忆系统。它本身不是一个独立的 Agent而是以插件形式挂到现成的 Agent 框架上——主要支持两个OpenClaw一个 16 万星的开源个人 Agent自托管、用 Markdown SQLite 做记忆和 Hermes。挂上之后Agent 多出两个工具tdai_memory_search和tdai_conversation_search用来检索记忆和历史对话。定位上还有一条对国内用户友好的设计——本地优先。官方对项目的一句话描述是通过 4 层渐进式管线为 AI Agent 提供完全本地的长期记忆零外部 API 依赖。默认后端就是本地的SQLite sqlite-vec开箱即用需要更大规模再换腾讯云向量数据库 TCVDB。短期记忆把日志「卸」出上下文第一个核心设计针对的是短期记忆爆炸。Agent 跑一个稍微复杂点的任务工具调用日志动辄几十万 token全塞进上下文又贵又乱。它的做法是符号化 上下文卸载我们结合上下文卸载提出了符号化记忆Mermaid 符号图谱取代冗长的自然语言或扁平的 JSON我们使用高密度、强拓扑的 Mermaid 语法来描绘任务状态流转。完整工具日志被卸载到外部文件系统上下文仅保留轻量级的 Mermaid 任务地图。拆开就是四步完整日志整段写到外部文件系统refs/*.md留底同时抽取其中的关系画成一张带node_id的 Mermaid 任务地图只把这张轻量地图注入上下文真要看细节时再按node_id回溯到落盘的原文。符号化短期记忆的卸载与回溯链路短期记忆完整日志落盘上下文只留一张高密度的任务地图效果就是上面图里那个对比——几十万 token 的日志在上下文里只剩几百 token 的一张图。证据没丢只是搬到了随时可取的地方。长期记忆从对话到画像的语义金字塔短期记忆解决「这次任务」长期记忆解决「越用越懂你」。它把碎片化的对话层层提炼沉淀成一座四层的语义金字塔L0 Conversation原始对话→ L1 Atom结构化事实→ L2 Scenario场景块→ L3 Persona用户画像L0 原始对话 → L3 用户画像的四层语义金字塔图源项目仓库越往上越抽象、越精炼最底层 L0 是原汁原味的对话往上抽成一条条结构化事实L1再聚成有主题的场景块L2最后凝练出关于你的用户画像L3。Agent 平时用的是上层的画像和场景需要细节时再往下找。白盒记忆不是黑盒如果只看到这里它和 Mem0 这类记忆方案似乎没太大差别。真正的区别在两个词白盒和可追溯。市面上多数记忆方案记忆产物是一堆向量——你没法直接读、出了问题也没法调。这个项目反过来记忆产物是人能看懂的文件白盒可调试记忆产物存储为可读文件Markdown、Mermaid非黑盒向量。存储策略也是配合这一点设计的——海量的事实、日志、轨迹沉到数据库而画像、场景、画布这些高层产物存成业务可读的 Markdown底层数据库与上层文件系统结合的存储方案。底层海量事实、日志、轨迹存入数据库或归档文件高层画像、场景、画布、Skill存入业务可读的文件系统Markdown。可追溯说的是另一件事压缩和抽象最大的风险是「丢证据」而它声称每一条信息都能查回源头。每一条信息都 100% 可找回、可恢复压缩或抽象最大的风险是「丢失证据」。得益于严格的索引映射机制系统内没有任何一段摘要是「不可逆」的黑盒。从高层符号下钻到底层证据的可追溯链路图源项目仓库下钻路径就是图里这条上层看到的是符号与结构Persona 画像、Mermaid 画布需要细节时落到中层的摘要与索引场景块、JSONL 摘要再凭node_id或引文匹配一路下到底层的完整事实与证据L0 原始对话、refs原文。从抽象到原文每一步都对得上。数字省 token也提通过率官方给了一组基准测试对比的是 OpenClaw 裸跑和挂上这个记忆插件之后记忆能力BenchmarkOpenClaw加插件后相对变化Token短期WideSearch33%50%51.52%−61.38%短期SWE-bench58.4%64.2%9.93%−33.09%短期AA-LCR44.0%47.5%7.95%−30.98%长期PersonaMem48%76%59%—最亮眼的两个数WideSearch 上通过率从 33% 提到 50%、token 砍掉 61%PersonaMem 这种考察「记住用户」的测试准确率从 48% 拉到 76%。需要说明的是这是项目方自测的数据且按 README 的说法测的是连续长程会话而非孤立单轮——记忆的价值本来也只在「跑得久」时才显出来。具体数字看自己的场景但「省 token 提通过率」这个方向是站得住的。怎么用接 OpenClaw 最省事两条命令openclaw plugins install tencentdb-agent-memory/memory-tencentdbopenclaw gateway restart然后在~/.openclaw/openclaw.json里把它打开即可。接 Hermes 走 Dockerdocker run -d --name hermes-memory --restart unless-stopped \ -p 8420:8420 \ -e MODEL_API_KEYyour-api-key \ -e MODEL_BASE_URLhttps://api.lkeap.cloud.tencent.com/v1 \ -e MODEL_NAMEdeepseek-v3.2 \ -v hermes_data:/opt/data \ hermes-memory从这条命令也能看出它对国内的友好默认的模型服务可以直接指向腾讯云大模型知识引擎LKE的兼容接口跑 DeepSeek 这类国产模型不用绕路。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】