⭐ 设为星标 · 第一时间收到推送
你刚讲过的项目背景、输出偏好、工具约定，换一个会话又要重说一遍。跑到一半的搜索结果、报错日志、工具调用记录，也很容易把上下文塞满。继续塞，贵；粗暴总结，又怕丢证据。
所以我看到 TencentCloud 开源的 TencentDB Agent Memory 时，第一反应是：这个项目不是又做了一个“聊天记录向量库”，而是在认真处理 Agent 记忆的结构问题
Agent 记忆，不能只是把历史塞进向量库
很多“长期记忆”方案，最后都会走向一个熟悉的做法：把对话切片，写入向量库，下次按语义相似度捞几段出来。
这当然有用，但也很容易变成一堆便利贴。它能捞到片段，却不一定知道这些片段之间的层级、场景和证据关系。
TencentDB Agent Memory 的思路更重一点。README 里把它拆成两件事：符号化短期记忆，以及分层式长期记忆。
先看整体链路：
短期记忆负责解决单个长任务里的上下文膨胀。工具日志、搜索结果、报错栈这些东西会被卸载到文件里，当前上下文只保留一张轻量的 Mermaid 任务画布。Agent 看到的是结构和 node_id，真要查证时再沿着引用回到原始文件。
长期记忆则走 L0 到 L3 的分层管线：
L0 是原始对话，L1 是原子事实，L2 是场景块，L3 才是用户画像。
这个设计很关键。用户的长期偏好、项目背景、表达习惯，不应该每次都从一堆原始对话里硬捞。高层画像负责方向，底层事实负责证据。需要精确查证时，再从 Persona 下钻到 Scenario、Atom 和 Conversation。
说人话就是：它不是让 Agent “记得更多”，而是让记忆有层次，能折叠，也能展开。
真正有意思的是短期压缩
长期记忆好理解，短期压缩反而更容易被低估。
现在很多 Agent 长任务会死在一个很实际的问题上：工具调用越来越多，日志越来越厚，模型每一步都背着前面几十万 token 继续跑。你删吧，怕删掉线索；不删吧，窗口和成本都吃不消。
TencentDB Agent Memory 用 Mermaid 画布做了一层“符号化记忆”。完整工具日志放在 refs/*.md 这类外部文件里，当前上下文只保留状态流转和节点关系。
它的目标不是把所有东西总结成一段漂亮摘要，而是保留可追溯路径：
这个点我挺喜欢。因为 Agent 出错时，最怕的不是没有摘要，而是摘要太自信、证据却找不回去。这里的 node_id 和原文引用，至少给调试留了一条路。
README 里给的 benchmark 也主要围绕长程场景。比如 WideSearch 上，OpenClaw 成功率从 33% 到 50%，token 消耗从 221.31M 降到 85.64M。SWE-bench 连续任务里 token 也从 3474.1M 降到 2375.4M。
这些数字来自项目 README，不等于你随便接一个 Agent 都会立刻复现同样收益。但它说明了一个方向：当任务足够长、工具日志足够厚时，记忆系统不只是“体验增强”，它会直接影响成本和通过率。
怎么上手
如果你用的是 OpenClaw，README 给的最短路径很直接：
openclaw plugins install @tencentdb-agent-memory/memory-tencentdb
openclaw gateway restart
然后在 ~/.openclaw/openclaw.json 里启用：
{
"memory-tencentdb": {
"enabled": true
}
}
默认后端是本地 SQLite + sqlite-vec。也就是说，它不是上来就要求你接一个外部托管记忆服务。
如果要启用短期上下文压缩，可以再打开 offload：
{
"memory-tencentdb": {
"config": {
"offload": {
"enabled": true
}
}
}
}
项目也支持 Hermes。README 给了 Docker 从零启动，以及挂到已有 Hermes 安装里的两条路线。Hermes Gateway 默认监听 :8420，可以做 capture、search、recall 这些记忆接口。
这意味着它不是一个只存在 README 里的 demo，而是按插件、Gateway、本地存储、召回工具这些工程边界拆好的系统。
适合谁先试
我觉得它最适合三类人。
第一类，是已经在 OpenClaw 或 Hermes 上跑 Agent 工作流的人。你最容易感受到“长期偏好不用重说”和“长任务日志别再挤爆上下文”的价值。
第二类，是想研究 Agent memory 架构的人。L0 到 L3、BM25 + 向量 + RRF、Persona 和 Scenario 的分层，这些设计都比“切片进库、相似召回”更值得拆开看。
第三类，是做企业或本地化 Agent 的团队。项目强调本地存储、白盒文件、可追溯链路，还提供 Gateway 鉴权和 CORS 配置。对敏感工作流来说，这些比单纯“召回效果好”更现实。
但它并不适合所有人。
如果你只是偶尔用一次 ChatGPT 或 Claude，不跑长任务，也没有稳定的 Agent 宿主，装这一套可能有点重。它要求 Node.js >=22.16.0，OpenClaw 插件兼容版本也写到 >=2026.3.13。Hermes 路线还要处理 Gateway、环境变量、LLM 凭证和 provider 配置。
另外，这个项目虽然 Star 涨得快，open issues 也不少。截至这次核对有 247 个 open issues，最近还有关于 Hermes 显式 memory 写入、L2/L3 生成等问题的讨论。它适合愿意动手调试的人先上，不适合拿来当“完全不用管”的黑盒服务。
写在最后
Agent 记忆这件事，过去常常被包装成“给 AI 一个数据库”。但真实工作流里，记忆更像一套操作系统能力：什么该留下，什么该折叠，什么时候召回，出了错怎么回到证据。
TencentDB Agent Memory 的价值就在这里。它没有只停在“我能存历史”，而是把短期上下文卸载、长期画像、混合检索、证据下钻和宿主框架接入放到了一套工程里。
现在如果你每天都在跑长程 Agent，或者正在给 Agent 做记忆/召回/上下文压缩，这个项目值得收藏，甚至值得拆源码看一遍。