TencentDB-Agent-Memory开源：腾讯推出AI Agent团队级记忆中枢，12K星引爆GitHub

2026-08-07 · 科技资讯

2026年8月6日，腾讯云在GitHub上开源了TencentDB-Agent-Memory，一款专为AI Agent团队设计的记忆中枢。项目上线当天即斩获1,053颗星（累计已达12,000+），成为AI Agent基础设施赛道的最新爆款。

解决的核心痛点：Agent不会”记住”

当前的AI Agent有一个根本性缺陷——每次对话都是独立的。你今天让Agent分析了一份财报，明天让它做相关决策时，它已经把昨天的分析忘得一干二净。单Agent如此，多Agent协作时情况更糟。

TencentDB-Agent-Memory提出了一套体系化的解决方案，将Agent产生的”记忆”分为四种可复用资产：

– Chat Memory（对话记忆）：长期保存的对话历史，支持向量搜索回溯

– Skill（技能）：Agent执行过的任务模式，可被其他Agent调用

– LLM-Wiki（知识图谱）：从文档和对话中提取的结构化知识

– Code-Graph（代码图谱）：代码库的持久化理解，让新Agent无需重新”读代码”

四种记忆资产通过统一的MemoryProxy层对外服务，任何Agent框架（LangChain、CrewAI、AutoGPT等）都可以接入。

核心技术架构：MemoryCore + MemoryProxy + MemoryPanel 三层协同

项目的核心模块分为三个组件，形成”存储-代理-管控”的完整链路：

### MemoryCore：分层记忆引擎

MemoryCore是整个系统的核心引擎。它不采用”把所有对话塞进向量库”的粗暴做法，而是将记忆分为四个层级（L0→L3）逐步提炼：

– L0 原始对话：完整保留对话原文，支持按时间戳回溯精确措辞

– L1 原子事实：从L0中异步提取的偏好、约束、事件等结构化事实，支持BM25+向量混合检索

– L2 场景模式：围绕项目或场景组织的知识块，快速恢复工作上下文

– L3 团队画像：长期稳定的人格模式和高层认知，让Agent快速进入用户和团队语境

检索时采用自上而下策略：先用L2/L3快速建立上下文框架，仅在需要具体事实时才通过RRF（倒数秩融合）算法回退到L1/L0进行精确检索。这种”渐进式披露”设计避免了上下文窗口膨胀——据官方基准测试，Token消耗最多可降低61.38%。

此外，MemoryCore还实现了符号化短期记忆：在长任务中，冗长的工具日志和错误堆栈会被卸载到外部文件，仅保留一张紧凑的Mermaid任务状态图作为”思维路标”。Agent通过node_id即可按需回溯完整原始数据——既省Token，又不丢可追溯性。

### MemoryProxy：统一接入代理

MemoryProxy是Agent与记忆系统之间的中间层，负责拦截LLM请求并自动注入相关记忆上下文。它屏蔽了底层四层记忆的复杂度，对Agent呈现为一个标准API。目前支持OpenClaw、Hermes、Claude Code、CodeBuddy等主流Agent框架的接入适配器。

### MemoryPanel：团队记忆管控面板

MemoryPanel是一个Web管理界面（默认端口8125），提供记忆资产的全生命周期管理：

– 团队与Agent创建：定义团队成员和Agent角色，设定共享边界

– 资产审核与共享：记忆默认私有（private），需显式操作才能升级为team或restricted（ACL精确授权）

– Agent装备配置：为不同Agent绑定不同的记忆资产组合，调整优先级和使用模式

– 知识工坊：监控Wiki和CodeGraph的处理状态与元数据

这种设计让记忆治理不再是黑盒——谁创建了什么、哪个版本有效、谁有权使用，全部透明可控。

为什么是”团队级”而非”个人级”？

这是这个项目最关键的差异化定位。市面上已有的Agent记忆方案（如MemGPT、Letta）大多是单个Agent的长期记忆。TencentDB-Agent-Memory的设计目标是让多个Agent共享同一套记忆体系。

想象一个AI开发团队：一个Agent负责代码审查、一个负责写文档、一个负责测试。代码审查Agent发现的架构问题，能自动成为写文档Agent的知识背景——这就是”团队级记忆”的价值。

横向对比：MemGPT/Letta vs Zep vs TencentDB-Agent-Memory

| 维度 | MemGPT / Letta | Zep | TencentDB-Agent-Memory |

|——|—————|—–|————————|

关键差异总结：

– Letta（原MemGPT）的精髓是”让Agent成为自己记忆的图书管理员”——Agent通过工具调用主动编辑记忆，每次写入都可审计。代价是LLM参与检索增加了延迟和成本。

– Zep的创新在于把”时间”作为记忆的核心维度——用户换了工作，旧的职位自动标记为过时，无需Agent判断。适合需要精确时序推理的场景。

– TencentDB-Agent-Memory的创新在于团队即记忆单元——不是5个Agent各记各的，而是一个团队共享一个”存档文件”。新Agent加入团队时，直接加载团队积累的经验，无需从零开始。

实战演练：一个5人AI开发团队的完整工作流

假设团队配置如下：

– 👤 你：设定目标、做决策

– 🔭 Scout Agent：市场调研、竞品分析

– 🛠 Builder Agent：编写代码、构建产品

– 🧪 Reviewer Agent：代码审查、测试

– 🧠 Agent Memory：保存团队经验

### Step 1：冷启动——导入”存档文件”

团队新项目启动时，通过MemoryPanel一次性导入已有资产：

– 导入代码仓库 → CodeGraph自动索引符号、文件、调用关系

– 导入产品文档 → Wiki自动生成结构化页面和链接图

– 导入历史对话 → Skill和Chat Memory自动提取为可复用资产

Scout Agent加载后，直接获得市场调研Wiki和历史用户访谈Chat Memory，无需从”请你读一下这份100页的调研报告”开始。

### Step 2：任务执行——记忆自动流转

Builder Agent开发新功能时：

1. MemoryProxy自动注入项目CodeGraph（”修改auth.ts可能影响login.ts和session.ts“）

2. 遇到已在Wiki中记录的API规范，Agent直接引用而非重新阅读文档

3. 完成功能后，提取为Feature Delivery Skill（包含执行步骤、资源文件和验证规则）

Reviewer Agent接手时：

1. 自动获得Builder刚创建的Skill和历史Bug记录（Chat Memory）

2. 发现架构问题后写入Chat Memory，自动成为Scout下次技术选型的背景知识

### Step 3：经验积累——从私有到共享

默认所有新记忆为私有。经过团队审核后：

– “发布检查清单 Skill” → 升级为team，分配给全体成员

– “架构决策 Wiki” → 升级为team，分配给Builder和Reviewer

– 个人对话历史 → 保持private，仅自己可见

这套流程的核心价值在于：每个Agent的产出，都成为下一个Agent的输入，经验永不归零。

部署指南要点

### 最小化部署（推荐快速体验）

git clone https://github.com/TencentCloud/TencentDB-Agent-Memory
cd TencentDB-Agent-Memory
# 一键启动 memory-core + memory-hub + proxy
# 需要 Node.js ≥ 22.16.0，Docker
cd deploy
docker compose up -d
# MemoryPanel 访问 http://localhost:8125

### 接入Hermes/OpenClaw

OpenClaw用户一行命令即可：

openclaw plugins install @tencentdb-agent-memory/memory-tencentdb

Hermes用户使用Docker容器一键启动，支持完整四层记忆管线。

### 生产环境注意事项

1. BM25分词：默认使用中文分词，英文项目需切换到"en"模式，否则召回质量会严重下降

2. embedding配置：本地SQLite+sqlite-vec零外部依赖；如需向量检索，需配置OpenAI兼容的embedding服务（apiKey+baseUrl+model+dimensions四元组缺一不可，缺失自动降级为非向量模式）

3. 数据留存在本地：所有记忆数据存储在~/.openclaw/memory-tdai/下，L2场景文件和L3画像文档均为可读Markdown——非黑盒，随时可审计

4. 已知局限：系统存储记忆但不裁决冲突——两个Agent记录了矛盾的API事实时，检索会随意选一个；代码库快速迭代时，旧记忆不会自动过期。团队需建立定期审核机制

总结：AI Agent的”操作系统”需要文件系统

如果把Agent比作进程，那么TencentDB-Agent-Memory就是为这些进程提供的持久化文件系统。它不是让单个Agent变得更聪明，而是让Agent团队能够积累、共享、传承经验。

更适合谁用：

– ✅ 2-5人的AI开发小团队，希望Agent产出能复用

– ✅ 对数据隐私有严格要求，不想把内部代码上传到第三方云服务

– ✅ 已在使用OpenClaw/Hermes/Claude Code等Agent框架

不适合的场景：

– ❌ 个人开发者只需单Agent长期记忆 → MemGPT/Letta更轻量

– ❌ 需要精确时序推理（如”用户上个月说过什么”） → Zep更专业

上手建议：Docker一键部署后，从Chat Memory开始体验，逐步扩展到Skill和LLM-Wiki。真正的价值不在于”安装成功”，而在于团队养成了”做完事就沉淀记忆”的习惯——让走过的路，成为下一个Agent的起跑线。

— END —
LC 智趣厅 · 科技与生活的交点
ihygg.cn