TencentDB Agent Memory：让 AI Agent 拥有团队级记忆的爆款开源项目

腾讯云团队级记忆系统 TencentDB Agent Memory 正在重新定义 AI Agent 的长期记忆范式。该项目通过符号化短期记忆与分层长期记忆的双轨架构，将 token 消耗降低最高 61.38%，任务成功率相对提升 51.52%，同时将 PersonaMem 准确率从 48% 拉升至 76%。2026-08-05 单日新增 1,891 颗 star，强势登上 GitHub Trending，是当前企业级 Agent 记忆领域最具热度的开源项目。

TencentDB Agent Memory 的核心设计原则是”拒绝扁平存储，拥抱分层与符号化”。传统记忆系统将数据打碎后丢进向量库，检索变成在碎片中盲目搜索，既无宏观引导，也无层级可言。该项目则将记忆视为一座金字塔：短期记忆从原始工具日志（L0）逐层提炼为步骤级摘要（L1），最终压缩为轻量级 Mermaid 符号画布（L2）放入上下文；长期记忆则从对话（L0）→ 原子事实（L1）→ 场景块（L2）→ 用户画像（L3）形成语义金字塔，使 Agent 只关注顶层结构，需要细节时再通过 node_id 精准回溯。这种可回溯、可解释的压缩路径，是它区别于粗暴上下文堆积的根本差异。

截至 2026-08-06，TencentDB Agent Memory 在 GitHub 累计斩获 14,873 颗 star，fork 1,349 次，支持 TypeScript/JavaScript，开源于 2026 年 4 月，2026-08-05 仍保持活跃更新（单日 1,891 stars 的 trending 表现）。npm 包 @tencentdb-agent-memory/memory-tencentdb 已发布 36 个版本，依赖 23 个 npm 包。登上 GitHub Trending 并获得 Trendshift 推荐，Hacker News / Reddit / Twitter 多平台同步引发讨论。

GitHub：https://github.com/TencentCloud/TencentDB-Agent-Memory

原作者为 TencentCloud（腾讯云） 团队，核心贡献者包括 @Maxwell-Code07、@Yuntong8888 等。项目与 OpenClaw 深度集成（标注要求 OpenClaw ≥ 2026.3.13），同时也支持接入 Claude Code、CodeBuddy 等主流 Agent 框架，并可搭配 Hermes Gateway 使用。

TencentDB Agent Memory 起源于一个朴素的问题：用 Agent 时，如何减少重复劳动？ 当项目背景、工具规范、输出格式已经被反复解释过，这些信息不应该需要再次重复，也不应该被不加区分地塞进上下文。该项目帮助 Agent 学习工作流、保留任务上下文、复用历史经验——不是用暴力历史堆积，也不是用不可逆的有损摘要，而是用记忆分层：符号化短期记忆处理任务内信息过载，记忆分层处理跨会话经验积累。README 直言：”让 Agent 记住值得记住的，这样人就能专注于判断、创造和真正重要的工作。”

核心技术层面，项目有两大支柱：

• 记忆分层（Memory Layering）：短期上下文分层中，底层存档原始工具输出（refs/*.md），中层提取步骤级摘要（jsonl），顶层将状态压缩为轻量 Mermaid 画布。Agent 只需关注顶层结构，出错时通过 node_id 下钻验证。长期个性化分层中，从对话（L0）→ 原子事实（L1）→ 场景（L2）→ 画像（L3）构建语义金字塔，代替扁平日志。
• 符号化记忆（Symbolic Memory）：用 Mermaid 语法编码任务状态转换，以高精度供 LLM 解析，以精简体积节省 token；完整工具日志卸载至外部文件系统，只保留轻量符号图谱在上下文中，验证细节时通过 node_id 即时召回完整原始文本——token 成本与完整可追溯性兼得。

技术亮点：
– 双轨存储：底层（事实/日志/轨迹）持久化入数据库保障全文检索，顶层（画像/场景/画布）存为人类可读的 Markdown 保障信息密度
– 完整回溯链：任意顶层符号（Persona / canvas）→ 中层索引（Scenario / jsonl）→ 底层原文（L0 Conversation / refs），无损恢复
– 异构存储 + 渐进式披露：数据库 + Markdown 双底座，按需加载不同层级
– Mermaid 符号图谱：最小符号体积承载最大语义，上下文仅需数百 token
– OpenClaw 深度集成：提供官方插件，开箱即用，配套 Web 控制台（localhost:8125）
– 支持 Agent 框架：OpenClaw、Claude Code、CodeBuddy、Hermes Gateway

安装步骤（全局一键启动）：

git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
$EDITOR .env       # 填写两组 LLM 参数（memory 组 + proxy 组）
./start-all.sh     # 一键启动 memory-core + memory-hub + proxy
# 启动完成后会打印一行配置，直接粘贴到 Claude 使用

访问控制台：http://localhost:8125

数据迁移（从 v1.x / v0.x 升级到 v2.0.0+）：项目提供了专用迁移工具。

使用场景与目标用户：

TencentDB Agent Memory 适合需要长时间运行、多轮交互、跨会话记忆保持的 AI Agent 场景。具体包括：SWE-bench 类代码任务（连续 50 个任务模拟真实长时 Agent 压力）、客户支持 Agent（需记忆 SOP 和历史偏好）、一人公司 Agent 团队（减少重复背景说明）、企业知识管理 Agent。目标用户涵盖 Agent 开发者、AI 工程团队、以及需要部署企业级 AI Agent 的技术管理者。

典型输入与输出案例：

输入示例（一）：
开发者向 Agent 说明项目背景（SOP、工作流规范）一次后，后续多轮对话无需重复，Agent 自动从 L3 Persona 层调取已有记忆。

输出示例（一）：
Agent 在执行任务时，上下文仅含数百 token 的 Mermaid 符号图，消耗 token 从 221.31M 降至 85.64M（-61.38%），成功率从 33% 提升至 50%（+51.52%）。

输入示例（二）：
长期运行 SWE-bench 连续 50 个任务，Agent 需要在前序任务中学到的代码规范、工具习惯持续生效。

输出示例（二）：
经过 50 轮连续任务后，Agent 任务成功率从 58.4% 提升至 64.2%（+9.93%），token 消耗从 3474.1M 降至 2375.4M（-33.09%），PersonaMem 准确率从 48% 升至 76%，且任意时刻可追溯任意顶层决策的原始证据。

GitHub: https://github.com/TencentCloud/TencentDB-Agent-Memory