腾讯开源AI记忆工具:让AI Agent记住该记住的,忘掉该忘掉的

如果你用过AI Agent，一定遇到过这样的烦恼：明明刚交代过的项目背景，转头它就忘了；前一天刚教过的操作流程，第二天又要重新教一遍。更令人抓狂的是，当你把长长的历史对话一股脑塞进上下文，Token消耗猛增，回答质量却反而下降。这背后其实是AI记忆机制的根本问题——大多数系统要么什么都记不住，要么什么都往里堆。

最近腾讯云开源了一个叫TencentDB-Agent-Memory的项目，试图用一套分层记忆体系来解决这个痛点。它在GitHub上线没多久就收获了超过7400颗星，接近700次Fork。项目名称直白地告诉你它专注于AI Agent的记忆，而且完全本地运行，不依赖任何外部API。

这个工具最核心的理念是“拒绝扁平化存储”。传统的记忆系统往往把历史对话打碎成向量碎片，丢进一个向量数据库，等到需要时再盲搜。这种做法的结果是：Agent只能看到一堆孤立的片段，缺乏宏观的上下文指导。腾讯的方案是把记忆分成四个层次：

• 最底层是原始的对话记录（L0）
• 往上依次是原子事实（L1）
• 场景模块（L2）
• 用户画像（L3）

每一层都有不同的存储介质和检索策略。底层存的是完整的日志和事实，用数据库做全文检索；高层则提炼成人类可读的Markdown文件，比如用户画像就保存在persona.md里，打开就能看到Agent对你的理解。

这样的分层设计带来一个很实用的能力：渐进式披露。Agent在日常对话中只需要关注最高层的结构，比如当前的用户偏好和任务状态；当需要调查具体细节时，它可以沿着“画像→场景→原子事实→原始对话”这条路径一层层往下钻取。这有点像你工作中先看周报摘要，遇到问题再翻到原始聊天记录，而不是每次都把整个聊天记录从头到尾读一遍。

除了记忆分层，另一个亮点是符号记忆。在长时间任务中，最大的Token消耗来自那些冗长的中间日志——搜索返回的页面、代码执行结果、错误堆栈。TencentDB-Agent-Memory的做法是将这些原始日志卸载到外部文件，只在上下文中保留一个轻量的Mermaid符号图。Mermaid是一种用文本描述图表的语法，在Markdown中很常见。这个符号图记录了任务的状态转换，每个节点都有一个node_id。Agent在符号图上推理，当需要验证某个细节时，通过node_id快速从外部文件里捞回完整文本。这样一来，上下文里的Token量从几十万骤降到几百，而且保留了完整的溯源能力。

效果如何？项目给出了在OpenClaw框架上的实测数据：

在WideSearch基准测试上，任务通过率从33%提升到50%，相对提升了51.52%。更重要的是Token消耗从2.21亿降到了8500多万，降幅61.38%。

在SWE-bench这种需要连续执行50个任务的长期任务集上，通过率也从58.4%提升到64.2%，Token消耗降低33%。

长期记忆方面，在PersonaMem基准上准确率从48%跃升到76%，提升了59%。

这些数字不是单轮对话的结果，而是模拟真实长期任务连续跑出来的。

这个工具目前主要支持两个集成方式。如果你用的是OpenClaw框架，安装一个插件就能用，默认使用本地SQLite加sqlite-vec作为后端，零配置启动。如果你想在Hermes Agent上使用，可以通过Docker一键拉起带有记忆能力的Hermes服务，也可以手动挂载到已有的Hermes安装上。项目还提供了一个可选的网关，暴露HTTP接口供其他系统调用，并且支持API密钥认证和CORS控制，方便集成到生产环境。

值得一提的是，整个记忆系统的中间产物都是白盒可读的。L2场景模块是Markdown文件，L3用户画像也是Markdown，短期的任务画布是Mermaid图。如果发现Agent记错了，你可以直接打开这些文件，沿着“画像→场景→原子事实”的链条一路排查，而不是对着一个黑盒的向量分数发愁。这种可调试性在实际使用中非常关键——你不仅能知道它记住了什么，还能知道它为什么记住了这个。

项目目前还在快速迭代中，已经规划了跨Agent和跨设备的记忆迁移、自动技能生成、可视化记忆仪表盘等功能。代码基于MIT许可证开源，主语言是TypeScript，也包含部分Python和Shell脚本。

对于经常和AI Agent打交道的人来说，这个工具提供了一个很实在的解决思路：不是让AI记住所有东西，而是让它记住该记住的东西，并且在你需要的时候能想得起来。毕竟，记忆的意义不是堆砌，而是让人类不用重复自己。

感兴趣的读者可以访问项目Github网址，了解更多细节：

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