用过AI助手的朋友都有这个痛点——聊了十几轮之后，AI把你前面说过的重要信息忘得一干二净。每次都要重新解释一遍背景、偏好、要求。腾讯最近开源了一款记忆插件，专门解决这个痛点。

📦 项目基本信息

💡 核心理念：记忆不是为了囤积，而是为了不重复

传统记忆系统的做法：把对话历史全部塞进向量数据库，召回时做相似度搜索。结果呢？检索到的都是碎片化的段落，没有宏观结构，AI看了半天不知所云。

腾讯的思路完全不同——记忆不是要把所有东西都塞进AI，而是让人不用重复自己。信息应该被结构化地保存，需要的时候精确召回，而不是一股脑儿倒给AI让它自己理解。

⚙️ 核心技术：两层架构

① 记忆分层（Memory Layering）

从原始对话到用户画像，分成四层逐步提炼：

关键设计：每层都能回溯到原始证据。AI说"根据你之前的偏好……"，如果用户质疑，可以一路追溯到最初是哪句话提炼出来的。压缩不丢失，召回可审计。

② 符号记忆（Symbolic Memory）

长任务中，Token消耗最大的不是对话文字，而是冗长的中间日志——搜索结果、代码输出、错误堆栈。

解决方案：用Mermaid图表把任务状态编码成紧凑符号，注入上下文的只有几百个Token。要查详情时，通过node_id精确召回原始日志。

mermaid graph LR     Log["Verbose Logs
(海量Token)"] -->|"1.Offload"| FS[("外部FS
(refs/*.md)")]     Log -->|"2.提取关系"| MMD["Mermaid Canvas
(带node_id)"]     MMD -->|"3.轻量注入"| Agent(("Agent Context
(几百Token)"))     Agent -. "4.node_id召回" .-> FS

📊 效果数据（官方Benchmark）

*数据来自官方仓库，在连续多轮长对话中测量，非单次测试

✨ 特色功能

🧠 宏观画像 + 微观事实统一机制

查偏好只看L3用户画像，查具体事实下钻到L1原子层，不用把整段历史都塞进上下文。

🔍 白盒可调试

记忆不是黑盒子——L2场景是Markdown，L3用户画像是md文件，Mermaid画布人类可读。随时打开检查，AI记错了什么一目了然。

🔄 完整召回链路

Persona → Scenario → Atom → Conversation，每层都能追溯到底层证据。不像向量数据库只知道"相似度高"，不知道"为什么相似"。

🛠️ 混合检索

BM25关键词 + 向量语义 + RRF融合召回，关键词和语义理解两手抓，召回率更高。

🚀 支持的部署方式

方式一：OpenClaw 插件（推荐）

openclaw plugins install @tencentdb-agent-memory/memory-tencentdb openclaw gateway restart

方式二：Hermes Docker

# 构建镜像 docker build -f Dockerfile.hermes -t hermes-memory .  # 运行容器 docker run -d \   --name hermes-memory \   --restart unless-stopped \   -p 8420:8420 \   -e MODEL_API_KEY="你的API密钥" \   -e MODEL_BASE_URL="https://api.lkeap.cloud.tencent.com/v1" \   -e MODEL_NAME="deepseek-v3.2" \   -v hermes_data:/opt/data \   hermes-memory

*默认使用腾讯云LKE的DeepSeek-V3.2，也支持任意的OpenAI兼容接口

💬 总结

TencentDB Agent Memory 的核心价值就三个字——记得住、省Token、可审计。

它不是简单地把对话存进向量数据库然后做相似度搜索，而是真正做了分层提炼——从原始对话中提取原子事实，聚合成语义场景，最后生成用户画像。召回时按需下钻，不用把整段历史都塞进上下文。

对于需要AI长期记住用户偏好、任务背景、项目规范的使用场景，这个插件值得一试。

欢迎关注，有问题也欢迎留言交流～