开源,Openclaw增强,TencentDB Agent Memory:腾讯云开源 AI 记忆框架技术解析

嗨，我是小华同学，专注解锁高效工作与前沿AI工具！每日精选开源技术、实战技巧，助你省时50%、领先他人一步。👉免费订阅，与10万+技术人共享升级秘籍！

你有没有过这种经历？花半小时告诉 AI 你的写作规范——Markdown、16 字标题、开头钩子、结尾 CTA——第二天打开新对话，一切归零。就像每天早上去公司，所有同事都不认识你了，得重新入职培训一次。

这，就是 AI Agent 的「失忆症」。而腾讯云刚刚开源的 TencentDB Agent Memory（v0.3.6），就是专门治这个病的。

背景：AI Agent 为什么容易”失忆”？

要理解这个问题，我们得先知道现在的 AI 是怎么工作的。

每次你跟 AI 对话，它看到的其实是一个「上下文窗口」——你可以理解成一页草稿纸，里面写着你当前这次对话的所有内容。这页草稿纸大小是有限的，一旦超出了，最早写的内容就会被擦掉。

过去大家为了解决这个问题，想过两种办法：

• ●第一种：把聊天记录全塞进去。 结果草稿纸很快就满了，而且越往后越贵（AI 按字数收费），最后直接爆掉。
• ●第二种：把历史对话压缩成摘要。 就像把一本书压缩成一句话，虽然省空间，但大量细节被丢了，想找之前的某个具体信息根本找不到。

这两种方案的毛病是一样的：它们把记忆当成”存东西”，而不是”理解东西”。

腾讯云的思路不一样。他们从人脑的工作方式中得到了启发。

核心原理：四层记忆金字塔，像人脑一样记忆

人的记忆不是一个大垃圾桶，什么东西都往里面丢。你不会记住今天路上看到的所有车牌号，但你会记住今天跟朋友聊了一件很有意思的事。人脑会分层——有些东西是模糊的印象，有些是清晰的画面，有些是精确的数字。

TencentDB Agent Memory 把同样的思路用在了 AI 身上，设计了一个 四层记忆结构。

第一层（L0）：原始对话记录

这是 AI 跟你说的每一句话的完整存档，就像记忆的「硬盘」。平时不翻它，但需要的时候随时可以找回来。这一层保证：任何时候，任何细节都不会丢失。

第二层（L1）：原子事实

AI 会从你们的聊天中自动提取出一个个「关键事实」，就像给你整理了一张张记忆卡片。比如”用户喜欢用 Markdown 格式”、”用户是腾讯云的产品经理”、”用户在写公众号文章”。这些都是独立的小事实。

第三层（L2）：场景块

把多个相关的事实拼在一起，就形成了一个完整的「场景」。举个例子：L1 里散落着”Markdown 格式””16-26 字标题””开头钩子””结尾 CTA”，L2 把它们组装成一个场景——「用户在写公众号文章，遵循特定的写作规范」。

第四层（L3）：用户画像

这是最上层，也是最智能的一层。它会根据你长期的行为，生成一个持续更新的「用户画像」。你写作习惯用什么风格、你更偏好简洁还是详细、你目前的长期目标是什么——这些不用你反复说，AI 自己就知道了。

用人话总结就是：L3 画像让 AI 知道”你是什么样的人”，L2 场景让它知道”我们在做什么事”，L1 事实是”为什么这么做的证据”，L0 原始对话是”证据从哪里来的”。

而且最关键的一点——这四个层次之间可以双向追溯。你想知道 AI 为什么认为你喜欢 Markdown？从 L3 画像往下追，经过 L2 场景、L1 事实，一路追到 L0 里你某天发的那条消息。全程透明，没有黑盒。

应用场景：这套记忆系统能用在哪儿？

说了这么多原理，这套系统在实际业务中到底能做什么？以下是最典型的 4 个场景：

个人 AI 助手 — 长期对话记忆。 你每天用 AI 处理写作、调研、日程管理，随着对话轮次增多，AI 越用越懂你——不再需要每次重复你的工作流程和输出偏好。比如你坚持用 Markdown 写周报，两周后 AI 自动准备好格式，你只需填内容。

企业客服智能体 — 客户画像沉淀。 客服 AI 对接数百个客户，每个客户的诉求、沟通风格、历史问题各不相同。记忆系统自动为每个客户构建独立画像，下次客户开口，AI 就知道他是”产品 B 的老用户，上次为接口文档问题咨询过”。

代码开发协作 — 项目上下文保持。 一个项目可能跨度数月，中间经历多次需求变更和技术选型。记忆系统持续记录每次讨论的关键决策和原因，下次打开新对话，AI 直接基于完整的项目记忆继续推进。

长期调研项目 — 跨会话信息积累。 写行业调研报告可能需要反复搜索、对比、迭代修改。记忆系统把每次对话的关键发现沉淀为结构化记忆，避免重复搜索和信息遗漏。

两大特色：Mermaid 任务地图 + 白盒可调试

除了四层金字塔，这套系统还有两个让人眼前一亮的创新点。

特色一：Mermaid 任务地图

AI 执行长任务时（比如修复 50 个 Bug），会产生海量的工具日志——搜索结果、报错信息、代码片段……这些日志加起来可能比一本书还厚，全部堆在”草稿纸”里，AI 直接就”撑死了”。

TencentDB Agent Memory 的解法很巧妙：把繁琐的日志卸载到外部文件，只留一张轻量级”任务地图”在上下文里。

这张地图用的是 Mermaid——一种画流程图的语法。你可以把它理解成一张施工图：上面只有关键节点和箭头，简洁明了。AI 看图就能知道任务到哪一步了，需要验证具体细节时，再根据节点编号找回原文。

这就像你搬家的时候，不是把所有家具都塞进车里，而是列一张清单贴在车上，具体家具需要时再从仓库调。

特色二：白盒可调试

很多 AI 记忆系统是”黑盒”——你只知道它记住了什么，但不知道它为什么这么记、记在哪里、准不准确。

这套系统完全反着来：所有记忆产物都以可读的 Markdown 和 Mermaid 文件存放在本地 ~/.openclaw/memory-tdai/ 目录下。你可以直接打开文件夹，像翻书一样查看 AI 记住了你哪些东西。从「用户画像 → 场景块 → 原子事实 → 原始对话」，每一步都清清楚楚——你可以自己验证 AI 有没有记错、有没有遗漏，调试过程完全透明可控。

效果如何？用数据说话

以下数据来自官方 Benchmark，对比了接入本插件前后的变化：

在短期记忆测试中：

在长期记忆测试中：

最惊喜的是：成功率大幅提升的同时，Token 消耗反而大幅下降。 在 WideSearch 测试里，Token 用量比原来少了 61.38%，成功率却翻了一半多。这说明分层记忆不只是”记得多”，而是”记得准、省着用”。

怎么用？三步接入

这套系统虽然背后技术复杂，但用起来极其简单。因为它完全本地运行，不需要任何外部 API，零配置就能开箱即用。

🔧 第一步：安装插件

打开终端，输入一行命令：

⚙️ 第二步：启用插件

在 OpenClaw 配置中加入：

✅ 第三步：验证运行状态

安装完成后，可以通过以下方式确认记忆系统正常工作：

• ●查看记忆文件：打开 ~/.openclaw/memory-tdai/ 目录，确认是否有 persona/、scenarios/、atoms/ 等子目录生成。
• ●查看运行日志：openclaw gateway logs 中搜索 tdai 或 memory 关键词，确认记忆采集和提取流程已启动。
• ●触发记忆召回：与 AI 进行 5-8 轮对话后，发送”你还记得我的偏好吗？”，观察 AI 是否能准确引用之前对话中提取的记忆。

当然，如果你有更多定制需求，它也提供丰富的调参选项：时区设置、召回策略、记忆提取频率、画像生成频率等等，满足高级用户的微调需求。

总结：AI 记忆的下一代方案

回过头来看，TencentDB Agent Memory 做的事情其实很朴素：

它没有发明什么”更聪明的压缩算法”，也没有搞”更大的上下文窗口”。它只是认认真真地模仿了人脑记忆的方式——把信息分层，该记得记，该忘的省，需要的时候能找回来。

但就是这么简单的一个思路，在 Benchmark 上带来了最高 +59% 的成功率提升，同时 Token 消耗减少超过 60%。

这个项目由腾讯云维护，MIT 开源协议，2026 年 4 月 7 日创建，当前版本 v0.3.6，两个月已收获 5,066+ GitHub Star 和 431 Forks。目前已有 OpenClaw 和 Hermes 两大 Agent 框架的适配，未来还会支持跨框架记忆迁移、Skill 自动生成、可视化调试面板等能力。

当然，它也不是完美的。目前需要 Node.js ≥ 22.16 的运行环境，本地 SQLite + 向量检索会消耗一定系统资源，跨框架的记忆迁移和导入导出功能尚在开发中——如果你正在使用非 Node.js 技术栈，可能需要等待后续版本的支持。

你最想用这套记忆系统解决什么问题？评论区聊聊。如果觉得有用，点个「在看」让更多人看到。

在公众号后台回复「记忆」，获取 TencentDB Agent Memory GitHub 项目地址和快速上手指南。