AI 都在讲记忆,TencentDB Agent Memory 想做的是“团队经验资产化”

记忆这个话题，对 Agent 来说已经不新鲜了。

聊天历史可以保存上下文，RAG 可以检索资料，向量数据库可以存储语义片段，很多 Agent 产品也都开始加入用户画像和长期记忆。

所以，TencentDB Agent Memory 的看点，并不是“它也给 Agent 加了一套记忆系统”。真正值得关注的是：它试图把一次工作产生的经验，变成下一个 Agent 可以直接继承的团队资产。

先说清楚：它不是让 Agent 记住更多

普通的 Agent 记忆，解决的问题通常是：

这个 Agent 之前和用户聊过什么？

TencentDB Agent Memory 想解决的问题则更进一步：

这次工作中产生了哪些经验？谁可以使用？哪个 Agent 需要它？下一次如何按需调用？

这也是它和普通聊天记录、向量检索系统之间的区别。

它不把记忆看成一堆等待召回的文本，而是把记忆拆成可以被管理、审核、授权和复用的资产。

从聊天记录到四类记忆资产

TencentDB Agent Memory 目前将经验组织成四类核心资产：Chat Memory、Skill、Wiki 和 CodeGraph。

Chat Memory：记住人和事

Chat Memory 保存对话中产生的事实、偏好、约束、决策和项目背景。

例如：

不要重构旧鉴权模块，移动端还在使用。

如果这句话只存在于某一次聊天里，换一个 Session 或换一个 Agent，它很可能就消失了。

在 TencentDB Agent Memory 中，这类信息可以逐步沉淀为可检索、可追溯的长期记忆。

Skill：把做过一次的事情变成可复用方法

Skill 不只是一个 Prompt 片段。

它可以包含版本、资源文件、触发边界、执行步骤和验证规则。

一次排障任务完成后，可以沉淀为排障 Skill；一次上线流程跑通后，可以沉淀为发布检查 Skill；一次代码审查形成稳定方法后，也可以变成团队以后反复调用的 Skill。

它解决的是一个很实际的问题：

不要让每个 Agent 都重新摸索已经验证过的做法。

Wiki：让文档变成 Agent 可以使用的知识地图

Wiki 面向产品文档、设计方案、运维手册等资料。

它并不只是把文档切成很多段，再依靠相似度进行搜索，而是试图保留页面结构和文档之间的关系。

Agent 可以先找到相关页面，再沿着链接继续深入，而不是每次都从文件列表开始重新阅读。

CodeGraph：让 Agent 看懂代码之间的关系

CodeGraph 负责索引代码中的文件、符号、调用关系和影响路径。

普通检索可能只能告诉 Agent：

相关代码在这个文件里。

CodeGraph 进一步希望告诉它：

修改这里，可能会影响哪些调用方和下游模块？

这让 Agent 在修改代码前，可以先进行 Caller、Callee 和影响范围分析，减少“改对了这一行，却破坏了其他地方”的情况。

它最大的变化：从单个 Agent 记忆，走向团队记忆

许多 Agent Memory 方案只服务于一个 Agent：这个 Agent 记住用户，下次继续使用。

TencentDB Agent Memory 更关注多 Agent 协作场景。

例如，一个小型 Agent 团队可能由三个角色组成：

Scout├── 用户访谈 Chat Memory├── 市场研究 Wiki└── 竞品分析 SkillBuilder├── 产品 Wiki├── 项目 CodeGraph└── Feature Delivery SkillReviewer├── 历史事故 Chat Memory├── 项目 CodeGraph└── Release Checklist Skill

Scout 负责调研，Builder 负责开发，Reviewer 负责测试。它们不应该共享完全相同的上下文，也不应该把所有历史资料都塞进每一次对话。

更合理的方式是：不同 Agent 拥有不同的 Memory Loadout，只加载完成当前工作真正需要的资产。

因此，这套系统的关键不只是“记忆”，而是“装配”：

把合适的经验，交给合适的 Agent，在合适的任务中使用。

分层记忆：先给方向，再给证据

TencentDB Agent Memory 的记忆结构并不是平铺的，而是采用了 L0 到 L3 的分层方式：

层级	保存内容	主要用途
L0 Conversation	原始对话和完整上下文	核对原话、时间和来源
L1 Atom	事实、偏好、约束和事件	精确召回可执行信息
L2 Scenario	围绕项目或场景组织的知识块	快速恢复工作语境
L3 Core / Persona	长期画像、稳定模式和高层认知	让 Agent 快速进入状态

平时，Agent 可以先使用 L2 和 L3 快速恢复上下文；当需要具体事实时，再通过 BM25、向量检索和 RRF 回到 L1 或 L0。

这种设计可以理解为“渐进式披露”：

先给 Agent 方向，再给它证据；先恢复语境，再展开细节。

它既减少了上下文压力，也避免了摘要出错后无法追溯的问题。

记忆不是黑盒，而是可治理对象

很多记忆系统只关心“召回了什么”，却很难回答：

这条记忆是谁创建的？
它属于哪个团队？
哪个版本有效？
哪些 Agent 有权使用？
如果内容过期，如何撤回或更新？

TencentDB Agent Memory 把这些问题纳入了 Memory Hub 的管理范围。

记忆资产可以设置不同的可见性：

private：只有 Owner 可以读取
team：团队成员可以读取
restricted：通过 User、Role 或 Agent 精确授权
agent：针对指定 Agent 定向装配

这意味着，团队共享的不是一份没有边界的公共 Prompt，而是一组有 Owner、有版本、有权限的资产。

这也是它和简单的聊天历史、向量库之间非常重要的区别：

它不仅要让 Agent 找到信息，还要让组织知道这条信息应该由谁使用。

冷启动：先读档，再开工

新 Agent 最大的问题，往往不是不会回答问题，而是不了解项目。

它需要重新读文档、重新理解代码、重新询问团队习惯，还要重新踩一遍已经解决过的坑。

TencentDB Agent Memory 支持导入已有的代码库、文档和历史对话：

代码库 → CodeGraph文档与文件 → Wiki历史对话 → Chat Memory / Skill

这样，新建 Agent 时不必从空白开始，而是可以直接继承团队已经付过的学习成本。

不要重新训练每一个 Agent，给它一份团队存档。

一次工作的经验，如何进入下一次工作？

这套系统试图形成一个完整闭环：

导入历史对话 / 文档 / 代码↓自动生成 Memory、Skill、Wiki、CodeGraph↓人工审核、授权、绑定 Agent↓Agent 使用这些资产完成任务↓新的对话和任务继续沉淀为经验

Memory 不负责替 Agent 执行所有工作，它负责让下一轮工作继承上一轮工作留下的成果。

没有记忆，Agent Loop 可能只是更快地重复；有了可复用的团队经验，每一轮才有机会比上一轮更好。

如何开始？

当前仓库提供了完整三件套部署方式：

git clone https://github.com/TencentCloud/TencentDB-Agent-Memory.gitcd TencentDB-Agent-Memory/deploy/global-imagescp .env.example .env$EDITOR .env./verify.sh./start-all.sh

完整部署包括 Memory Core、Memory Hub 和 Proxy，默认端口如下：

服务	默认端口
Memory Core	8420
Panel UI	8125
Knowledge	8424
Proxy	8096

部署完成后，可以在面板中创建 Team、Agent 和 Task，再为不同 Agent 绑定不同的记忆资产。

目前项目支持 OpenClaw、Hermes、Claude Code、CodeBuddy 和 SDK 等接入方式，但部分接入场景仍处于快速迭代阶段。

官方 Benchmark

当前默认分支 README 展示了 PersonaMem 测试结果：

未启用 TencentDB Agent Memory：48%
启用后：76%
相对提升：59%

这个结果说明，分层记忆对于长期交互中的用户理解确实可能有帮助。

不过，实际效果仍会受到模型、任务类型、数据规模和配置方式影响，不能简单理解为所有场景都会获得同样提升。

目前还不适合谁？

这个项目目前仍处于 Beta 快速迭代阶段。

如果只是偶尔使用一个 Agent，不需要共享项目经验，也没有权限管理和多角色协作需求，那么直接使用普通聊天历史或 RAG，可能已经足够。

它更适合以下场景：

同一个项目会使用多个 Agent
团队经常重复解释项目背景和工作流程
希望把排障、Review、发布等经验沉淀为 Skill
需要控制哪些记忆可以被哪些 Agent 使用
希望让新 Agent 快速继承历史代码、文档和对话经验

最后说说它真正的特点

AI 记忆已经不是一个新概念。

聊天历史回答“之前说过什么”，RAG 回答“相关资料在哪里”，向量检索回答“哪些内容相似”。

TencentDB Agent Memory 想做的事情更像是：

把对话、方法、文档和代码，组织成有来源、有权限、有版本、可以被不同 Agent 重新装配的团队经验资产。

所以，它真正的创新点不在于“让 Agent 记住更多”，而在于把记忆从一个模型内部能力，变成了一套团队协作基础设施。

一次工作产生的经验，不再只属于某个聊天窗口；它可以被审核、沉淀、共享，然后成为下一个 Agent 的起点。

项目地址：https://github.com/TencentCloud/TencentDB-Agent-Memory

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。

回首页，搜索你想要的文档

相关学习资料