騰訊開源 TencentDB Agent Memory：面向AI代理的四層本地記憶體管道

騰訊近日開源了TencentDB Agent Memory，這是一個面向AI代理的記憶體系統，採用MIT許可證釋出。該系統旨在解決長週期代理任務中的上下文膨脹和召回失敗問題，透過結合符號短期記憶與分層長期記憶，為代理提供高效、可追溯的記憶管理。

當前大多數記憶堆疊將資料碎片化並存入扁平向量儲存，導致召回成為隨機片段間的盲目相似性搜尋，缺乏宏觀指導。TencentDB Agent Memory則構建了一個四層語義金字塔：L0對話（原始對話）、L1原子（原子事實）、L2場景（場景塊）和L3角色（使用者畫像）。角色層儲存日常偏好，優先查詢；系統僅在需要細節時向下鑽取至原子或對話層。底層保留證據，上層保留結構。儲存方式異構：事實、日誌和軌跡儲存在資料庫中支援全文檢索；角色、場景和畫布以可讀的Markdown檔案儲存，位於~/.openclaw/memory-tdai/目錄下。

在符號短期記憶方面，長時間任務中冗長的工具日誌、搜尋結果和錯誤追蹤會消耗大量令牌。TencentDB Agent Memory透過上下文解除安裝結合符號記憶解決這一問題：完整工具日誌被解除安裝到外部檔案（refs/*.md），狀態轉換以Mermaid語法編碼在輕量級任務畫布中。代理在上下文視窗中僅推理符號圖，需要原始文本時透過節點ID檢索對應檔案。騰訊開發團隊將其描述為從頂層符號到中間索引到底層原始文本的確定性鑽取。

基準測試成績斐然。在WideSearch基準上，整合外掛後透過率從33%提升至50%（相對提升51.52%），令牌消耗從2.2131億降至8564萬（減少61.38%）。在SWE-bench上，成功率從58.4%升至64.2%，令牌從34.741億降至23.754億（減少33.09%）。在AA-LCR上，成功率從44.0%升至47.5%，令牌從1.12億降至7730萬（減少30.98%）。長期記憶方面，PersonaMem準確率從48%躍升至76%。需注意這些資料來自騰訊內部評估。

檢索預設採用混合策略：結合BM25關鍵詞搜尋和向量嵌入，透過互惠排名融合（RRF）進行融合。開發者可透過配置欄位切換為純關鍵詞或純嵌入模式。BM25分詞器支援中文（jieba）和英文。預設每五輪對話觸發一次L1記憶提取，每50條新記憶生成一次使用者畫像。召回預設返回5個專案，超時5秒則跳過注入而非阻塞對話。

OpenClaw整合以單個npm包（@tencentdb-agent-memory/memory-tencentdb）提供，需Node.js 22.16或更高版本。啟用僅需一個配置標誌，外掛自動處理對話捕獲、記憶提取、場景聚合、角色生成和召回。Hermes版本則提供Docker映象，預設模型為騰訊雲DeepSeek-V3.2，任何相容OpenAI的端點均可透過MODEL_PROVIDER=custom使用。會話期間暴露出兩個工具：tdai_memory_search（搜尋L1-L3）和tdai_conversation_search（搜尋L0原始對話）。還可選擇騰訊雲向量資料庫作為本地SQLite的替代後端。

總之，TencentDB Agent Memory透過創新的分層記憶架構和符號短期記憶，顯著降低了令牌消耗並提升了代理在長週期任務中的表現，為AI代理的記憶管理提供了一套完整、可本地化部署的開源解決方案。