腾讯开源的 Agent 记忆中枢，让我重新理解了”团队知识管理”这件事

14,877 ⭐ | 今日 +1,891 ⭐ | 腾讯 Cloud Team 出品
https://github.com/TencentCloud/TencentDB-Agent-Memory

一个团队跑 AI Agent 项目，最痛苦的是什么？

不是模型不够强，是同样的上下文，Agent 每次都要重新读一遍。PRD 文档读一遍，代码规范读一遍，上下文信息读一遍——然后换个人、换个 Agent，又读一遍。

TencentDB-Agent-Memory 解决的就是这个问题：把 Agent 在工作中产生的信息，变成可复用、可共享、有结构的”记忆资产”。

四个记忆层，每一层都对应一个真实痛点

1. Chat Memory：不只是聊天记录

普通 Agent 的上下文窗口满了，历史对话就”消失”了。这个项目的 Chat Memory 会把原始对话逐层提炼：

L0 原始对话 → L1 原子信息 → L2 场景切片 → L3 Agent 人格

提炼出来的不是日志，是可推理的上下文。比如 Agent 说过”别重构那个认证模块，移动端还在用”，这句话会被保留下来，而不是淹没在 token 洪流里。

2. Skill：从对话里提取可复用的操作流

Agent 完成了一个复杂的代码审查任务，它是怎么做的？这个项目能从对话和工具调用里提取出一个 Skill——不是简单的 prompt 片段，而是包含版本、资源文件、触发边界、执行步骤和校验规则的完整操作单元。

团队里的其他 Agent 需要做同类任务？直接加载这个 Skill，不用从零摸索。

3. LLM-Wiki：让 Agent 读文档而不是读文件列表

传统的知识库是”文件夹 + 搜索”。LLM-Wiki 做了两件事：

• 把产品文档、设计规范、运维手册转成有链接图的结构化页面
• Agent 在干活之前，先问 Wiki，而不是从根目录 ls 遍历所有文件

这背后是 Karpathy 提到的 LLM 知识库思路：用结构化记忆替代暴力检索。

4. CodeGraph：不只是告诉 Agent”代码在哪”

CodeGraph 索引了代码符号、文件、调用关系和影响路径。Agent 修改一段代码之前，可以查”改这里会影响哪些模块”——影响路径分析（impact analysis）。

这个能力是很多代码工具缺失的：它们告诉 Agent”代码在这”，但不告诉它”动了这个，会炸掉什么”。

架构亮点：记忆资产与框架解耦

最值得关注的工程决策：记忆资产是与 Agent 框架解耦的。

Memory Hub ←→ 记忆资产（Skill / Wiki / Chat Memory / CodeGraph）
     ↓
Agent（Claude Code / CodeBuddy / 任意框架）

这意味着：

• 你今天用 Claude Code，明天换别的 Agent，记忆资产可以带走
• 团队内部可以共享，不同 Agent 可以加载同一个记忆
• 个人私有 → 团队可见 → 按 ACL 精确授权，三级权限

快速启动

三行命令起整套服务（memory-core + memory-hub + proxy）：

git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
$EDITOR .env  # 填两组 LLM 参数：memory 组 + proxy 组
./start-all.sh

启动完成后，会打印一行可以直接粘贴到 Claude Code 的命令。Web 面板在 http://localhost:8125。

已有 v1.x / v0.x 数据的，官方提供了迁移工具（v2 → v3）。

适合谁用

• 多 Agent 协作团队：多个 Agent 同时处理同一个项目，上下文共享是个老大难
• 需要沉淀经验的 Agent 团队：新 Agent 入职，能直接加载团队记忆，不用从零开始
• 企业内部 AI 落地：知识管理 + Agent 记忆，一套系统解决

总结一句话：不是又一个”给 Agent 加记忆”的小工具，而是把团队知识管理（Wiki）、代码理解（CodeGraph）、操作经验（Skill）、对话上下文（Chat Memory）四种资产统一管理的生产级方案。14.9k Star 和今日 1,891 ⭐ 的增速，说明这不是内部玩具，是真实需求。

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