写在前面
不知道你有没有这种感觉。
每次和 AI 助手聊完天，关掉窗口，下次再打开，它就像失忆了一样。你之前说过的偏好，做过的决定，踩过的坑，全没了。你得重新自我介绍，重新解释项目背景，重新告诉它"我喜欢用 tabs 不是空格"。
挺累的。
最近在 GitHub 上闲逛，翻到腾讯云开源的一个项目，叫 TencentDB Agent Memory。研究了一下，觉得思路有点意思，今天就来聊聊。
它想解决什么问题？
一句话：让 Agent 记住走过的路，别每次都从零开始。
官方 slogan 是 “Agents remember. Humans innovate.”，Agent 负责记忆，人类负责创新。这个定位我认同。
我们平时用 AI，大概会遇到几种"失忆"场景：
跨会话失忆：上次聊的用户偏好，这次全忘了
经验没法沉淀：Agent 费劲搞定一个复杂任务，下次遇到类似的还得重来
文档喂不进去：产品文档、设计规范塞给 Agent，它也抓不住结构和关系
代码看不懂：让它改代码，它不知道改动会影响哪些地方
这个项目就是冲着这几个痛点来的。
四类"记忆资产"
它把记忆分成四类，分类还挺清晰的。
Chat Memory（对话记忆）
就是记住你说过的话。但不是把聊天记录一股脑塞回去，而是做了分层蒸馏：从原始对话里提炼出事实、偏好、决策，再往上聚合成场景、人设。
这点比单纯存聊天记录聪明。聊天记录越攒越长，塞进 prompt 既贵又乱，提炼过的记忆才好用。
Skill（技能）
这是我最喜欢的一个设计。Agent 完成一个复杂任务后，可以把整个过程提炼成一个"技能"，里面包含版本、触发条件、执行步骤、验证规则，不只是 prompt 片段。
下次遇到类似任务，直接装备这个技能就行。而且技能可以共享给团队里的其他 Agent。
Wiki（知识图谱）
把产品文档、运维手册这些，转化为带链接关系的结构化页面。灵感来自 Karpathy 提过的 “LLM Wiki” 概念。Agent 可以顺着链接图谱一层层钻取，不用在一堆 chunk 里盲搜。
CodeGraph（代码图谱）
这个对程序员很友好。它会索引代码里的符号、文件、调用关系。Agent 改代码之前，可以先查一下这个函数被谁调用了，改这里会影响哪些地方。
目前优先支持公共 HTTPS 仓库，私有仓库的支持还在完善。
记忆分层：L0 到 L3
技术上最值得说的是这个。它没有把记忆扁平地存一堆，而是分了四层：
检索的时候也讲究。先用 L2/L3 给 Agent 一个大背景，需要具体细节时再回退到 L1/L0，用的是 BM25 + 向量检索 + RRF 的混合方式。而且会限制条目数量、字符预算、超时，防止记忆把上下文窗口撑爆。
这个设计很务实。很多人做 RAG 的时候容易陷入"召回越多越好"的误区，但记忆塞太多，Agent 反而会迷失。
不只是记忆，还要"治理"
这点是它和普通 RAG 框架最大的区别。它把记忆当成一个需要全生命周期管理的资产：
所有权和版本：每个资产有 Owner，有版本号，有状态
三级可见性：
private：只有 Owner 能看team：团队成员可见restricted：用 ACL 精确授权给特定用户、角色、Agent
Agent 装备：可以像给游戏角色配装备一样，给不同 Agent 绑定不同记忆
配套有一个 Web 面板叫 Memory Hub，端口 8125，可视化地管理团队、资产、Agent 装备、访问权限。
这套治理思路在企业场景里太有必要了。想象一下，一个团队五六个 Agent 协作，谁的记忆能共享给谁，哪些是机密，哪些可以公开，没有这套机制根本玩不转。
部署起来难不难？
官方给了一键脚本：
git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
# 编辑 .env，填两组 LLM 参数
./start-all.sh
跑完打开 http://localhost:8125 就能看到面板。兼容 OpenClaw、Hermes、Claude Code、CodeBuddy 这些框架，也提供 SDK。
我自己还没实际部署跑过，但从文档来看门槛不算高，主要是要准备 LLM 的 API 配置。
效果怎么样？
官方给了一个 benchmark：
PersonaMem 测试（测 Agent 长时间交互后能否正确应用用户信息）：未启用 48% → 启用后 76%，相对提升 59%。
数据漂亮，不过我倾向于自己上手试一试再下结论。Benchmark 和真实使用场景之间，总有一段距离。
我的几点看法
研究完这个项目，几个感受：
思路对。把记忆分层、资产化、可治理，这比无脑堆 context window 聪明得多。Agent 的上下文窗口再大，也不是用来塞历史聊天记录的。
适合团队场景。如果只是个人用单个 Agent，可能有点重；但多个 Agent 协作、或者团队共享知识资产，这套机制就很有价值。
开源生态的良性信号。腾讯云把这种基础设施级别的项目开源出来（MIT 许可），对国内 AI Agent 生态是好事。也希望后续私有仓库支持、跨框架迁移这些能尽快完善。
值得学习的工程思路。即便你不用这个项目，它"记忆分层蒸馏 + 资产化治理 + 按需调用"的设计理念，也值得自己做 Agent 时参考。
谁适合试试？
在搭多 Agent 协作系统的团队
受不了 Agent 每次都失忆的个人开发者
想给 Agent 加长期记忆但不想自己从零造轮子的人
对 AI Agent 记忆机制设计感兴趣、想学习参考的
写在最后
在 Minecraft 里，我喜欢找一个方块角落安安静静地搭东西。做 AI 应用其实也类似，与其追求酷炫的循环和自动化，不如先把基础搭扎实。记忆，就是 Agent 的地基之一。
TencentDB Agent Memory 给了一个相当完整的答案。至于它是不是你的答案，得自己试了才知道。
评论