让 Agent 拥有超强记忆：TencentDB Agent Memory 开源深度解析

在 AI Agent 的实际应用中，会话失忆是一个普遍且棘手的问题。开发者常常需要反复向 Agent 交代项目背景、技术栈偏好和编码规范，但每次开启新会话后，这些信息便如过眼云烟般消失。这种「重复交代」的现象不仅浪费了大量时间，更导致人机协作中积累的经验价值白白流失。随着 Context Engineering（上下文工程）概念的兴起，如何为模型提供合适的信息结构和内容，正变得与模型本身的能力同等重要。

分层蒸馏：长期记忆的语义金字塔

面对 Agent 失忆，传统做法是将历史对话全部塞入上下文。这种方法在短期对话中确实奏效，但一旦涉及长线复杂任务，就会暴露出三个明显缺陷：历史信息无法跨会话保留、事实陈述与用户偏好难以区分、以及 Token 消耗成本持续攀升。更糟糕的是，传统摘要压缩属于有损操作，压缩后的信息无法完整还原，出问题时难以追溯根源。

符号压缩：短期记忆的 Mermaid 方案

TencentDB Agent Memory 采用了截然不同的解决思路——分层蒸馏而非平铺堆积。该方案将长期记忆划分为四个递进层级：L0 层保留完整的原始对话，L1 层自动提取原子事实（如代码偏好、踩坑记录、工作约定），L2 层按场景聚类成记忆块，L3 层则持续蒸馏出稳定的用户画像。Agent 在执行任务时，会先从 L3 获取方向性指导，需要更多细节时再逐层向下追溯。这种设计确保了上层提供方向、下层留存证据的清晰逻辑，同时也为问题追溯提供了完整的 L3→L2→L1→L0 链路。

实际价值与技术优势

对于 Agent 执行长任务时产生的中间输出（如搜索结果、代码日志、报错信息），TencentDB Agent Memory 采用了 Mermaid 符号进行压缩。具体做法是将详细输出保存至外部文件 refs/*.md，而上下文仅保留一张 Mermaid 任务状态图，每个节点通过 node_id 标识，需要细节时可根据 ID 直接定位读取。这种方式既保证了原文不丢失、结构可查，也有效阻止了 Token 的线性增长。相比 JSON 结构的繁琐和纯文本摘要的信息损失，Mermaid 在保持可读性方面表现出色。

便捷接入与未来展望

从项目架构来看，所有记忆中间产物均以可读文件形式存储在本地 ~/.openclaw/memory-tdai/ 目录下。开发者可以直接查看 persona.md 文件，了解 Agent 如何「认知」自己。这种透明性在传统向量数据库中是难以实现的。在技术测试中，WideSearch 显示 Token 消耗降低 61.38%、成功率提升 51.52%；PersonaMem 长期记忆准确率从 48% 提升至 76%。数据默认存储在本地 SQLite，不依赖任何外部 API，对企业用户和数据隐私敏感场景十分友好。

如有侵权，请联系删除。