腾讯开源Agent记忆系统，破解AI长对话失忆难题
TencentDB Agent Memory正式发布，采用四层渐进式记忆架构助力AI Agent高效处理复杂长任务。
5月14日，腾讯云数据库团队正式开源TencentDB Agent Memory，这是一套面向AI Agent的本地优先记忆引擎，旨在彻底解决长对话场景下的"失忆"问题。据介绍，该项目历时6个月研发，默认使用SQLite + sqlite-vec作为本地后端，可作为OpenClaw插件安装，也支持Hermes Gateway接入。
核心创新：四层渐进式记忆架构
与传统简单将历史对话塞入向量库的做法不同，Agent Memory采用独特的两套记忆结构设计。长期记忆按L0原始对话、L1原子事实、L2场景分块、L3用户画像逐层沉淀；短期任务记忆则将冗长的工具日志外置到refs文件，步骤摘要写入jsonl，并用Mermaid画布保留任务结构和节点索引。
这种设计的关键价值在于：它没有用一次性摘要吞掉历史细节，而是保留了从高层画像、任务画布一路追溯到底层原文的完整路径。
性能提升显著
在30步以上的复杂工作流中，Agent平时只需读取轻量的Mermaid结构图，需要查证细节时再按node_id回到原始日志。官方基准测试显示：
- WideSearch任务：Token消耗从221.31M降至85.64M，降幅达61.38%，通过率相对提升51.52%
- PersonaMem评测：长期记忆准确率从48%提升至76%
应用场景与意义
以竞品分析报告为例，Agent需要分别搜索多款产品信息，每步搜索返回约2000字原文，但真正有用的可能只是一句结论。到汇总步骤时，上下文已堆叠上万字无用信息。Agent Memory的符号化压缩技术可将25:1的信息压缩，仅用80字表达2000字核心信息，ref指针指向磁盘原文，需要时随时回查。
目前，该项目已在GitHub开源，腾讯云Lighthouse OpenClaw已无缝集成该插件，用户可一键开启记忆增强功能。