在实际使用中，我们往往需要反复告诉 Agent 固定 SOP、项目背景、工具习惯和输出格式。这些信息不应该每次重新解释，但同时也不应该被无脑、扁平地全部塞进上下文。

这是腾讯云在 TencentDB Agent Memory 的 README 里写下的开场。让 Agent 记住，常见的两条路都不好走——一条是把历史全量堆进上下文，token 越滚越多、还越来越吵；另一条是粗暴摘要，省了空间，却把证据压没了，错了也回不去。

TencentDB Agent Memory 帮助 Agent 学会你的流程、保留任务上下文、复用历史经验。但我们拒绝暴力的历史堆砌，也抛弃不可逆的暴力摘要。

这个项目 5 月开源，到现在 GitHub 上 6.1k 星，MIT 协议，TypeScript 写成。slogan 是：「让 Agent 沉淀经验，让人专注创造。」

TencentCloud/TencentDB-Agent-Memory 的 GitHub Star 增长曲线

（图源：star-history.com）

它是什么

一句话：一套符号化短期记忆 + 分层式长期记忆的 Agent 记忆系统。

它本身不是一个独立的 Agent，而是以插件形式挂到现成的 Agent 框架上——主要支持两个：OpenClaw（一个 16 万星的开源个人 Agent，自托管、用 Markdown + SQLite 做记忆）和 Hermes。挂上之后，Agent 多出两个工具：tdai_memory_search 和 tdai_conversation_search，用来检索记忆和历史对话。

定位上还有一条对国内用户友好的设计——本地优先。官方对项目的一句话描述是：

通过 4 层渐进式管线为 AI Agent 提供完全本地的长期记忆，零外部 API 依赖。

默认后端就是本地的 SQLite + sqlite-vec，开箱即用；需要更大规模再换腾讯云向量数据库 TCVDB。

短期记忆：把日志「卸」出上下文

第一个核心设计针对的是短期记忆爆炸。Agent 跑一个稍微复杂点的任务，工具调用日志动辄几十万 token，全塞进上下文又贵又乱。它的做法是符号化 + 上下文卸载：

我们结合上下文卸载提出了符号化记忆：Mermaid 符号图谱取代冗长的自然语言或扁平的 JSON，我们使用高密度、强拓扑的 Mermaid 语法来描绘任务状态流转。完整工具日志被卸载到外部文件系统，上下文仅保留轻量级的 Mermaid 任务地图。

拆开就是四步：完整日志整段写到外部文件系统（refs/*.md）留底；同时抽取其中的关系，画成一张带 node_id 的 Mermaid 任务地图；只把这张轻量地图注入上下文；真要看细节时，再按 node_id 回溯到落盘的原文。

符号化短期记忆的卸载与回溯链路

（短期记忆：完整日志落盘，上下文只留一张高密度的任务地图）

效果就是上面图里那个对比——几十万 token 的日志，在上下文里只剩几百 token 的一张图。证据没丢，只是搬到了随时可取的地方。

长期记忆：从对话到画像的语义金字塔

短期记忆解决「这次任务」，长期记忆解决「越用越懂你」。它把碎片化的对话层层提炼，沉淀成一座四层的语义金字塔：

L0 Conversation（原始对话）→ L1 Atom（结构化事实）→ L2 Scenario（场景块）→ L3 Persona（用户画像）

L0 原始对话 → L3 用户画像的四层语义金字塔

（图源：项目仓库）

越往上越抽象、越精炼：最底层 L0 是原汁原味的对话，往上抽成一条条结构化事实（L1），再聚成有主题的场景块（L2），最后凝练出关于你的用户画像（L3）。Agent 平时用的是上层的画像和场景，需要细节时再往下找。

白盒：记忆不是黑盒

如果只看到这里，它和 Mem0 这类记忆方案似乎没太大差别。真正的区别在两个词：白盒和可追溯。

市面上多数记忆方案，记忆产物是一堆向量——你没法直接读、出了问题也没法调。这个项目反过来，记忆产物是人能看懂的文件：

白盒可调试：记忆产物存储为可读文件（Markdown、Mermaid），非黑盒向量。

存储策略也是配合这一点设计的——海量的事实、日志、轨迹沉到数据库，而画像、场景、画布这些高层产物存成业务可读的 Markdown：

底层数据库与上层文件系统结合的存储方案。底层（海量事实、日志、轨迹）存入数据库或归档文件，高层（画像、场景、画布、Skill）存入业务可读的文件系统（Markdown）。

可追溯说的是另一件事：压缩和抽象最大的风险是「丢证据」，而它声称每一条信息都能查回源头。

每一条信息都 100% 可找回、可恢复：压缩或抽象最大的风险是「丢失证据」。得益于严格的索引映射机制，系统内没有任何一段摘要是「不可逆」的黑盒。

从高层符号下钻到底层证据的可追溯链路

（图源：项目仓库）

下钻路径就是图里这条：上层看到的是符号与结构（Persona 画像、Mermaid 画布），需要细节时落到中层的摘要与索引（场景块、JSONL 摘要），再凭 node_id 或引文匹配，一路下到底层的完整事实与证据（L0 原始对话、refs 原文）。从抽象到原文，每一步都对得上。

数字：省 token，也提通过率

官方给了一组基准测试，对比的是 OpenClaw 裸跑和挂上这个记忆插件之后：

记忆能力	Benchmark	OpenClaw	加插件后	相对变化	Token
短期	WideSearch	33%	50%	+51.52%	−61.38%
短期	SWE-bench	58.4%	64.2%	+9.93%	−33.09%
短期	AA-LCR	44.0%	47.5%	+7.95%	−30.98%
长期	PersonaMem	48%	76%	+59%	—

最亮眼的两个数：WideSearch 上通过率从 33% 提到 50%、token 砍掉 61%；PersonaMem 这种考察「记住用户」的测试，准确率从 48% 拉到 76%。

需要说明的是，这是项目方自测的数据，且按 README 的说法，测的是连续长程会话而非孤立单轮——记忆的价值本来也只在「跑得久」时才显出来。具体数字看自己的场景，但「省 token + 提通过率」这个方向是站得住的。

怎么用

接 OpenClaw 最省事，两条命令：

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

然后在 ~/.openclaw/openclaw.json 里把它打开即可。

接 Hermes 走 Docker：

docker run -d --name hermes-memory --restart unless-stopped \  -p 8420:8420 \  -e MODEL_API_KEY="your-api-key" \  -e MODEL_BASE_URL="https://api.lkeap.cloud.tencent.com/v1" \  -e MODEL_NAME="deepseek-v3.2" \  -v hermes_data:/opt/data \  hermes-memory

从这条命令也能看出它对国内的友好：默认的模型服务可以直接指向腾讯云大模型知识引擎（LKE）的兼容接口，跑 DeepSeek 这类国产模型，不用绕路。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】