2026/8/14 15:13:41
FEATURED · 精选文章 
一、记忆对Agent有多重要可以玩的花活就有多复杂先说结论Agent的记忆不是新概念市面上几乎所有Agent框架都自带记忆能力换对话不丢上下文是基本功。真正拉开差距的是记忆能做到多深。往浅了说记住用户偏好、跨会话保留决策这些是标配往深了说把跑通的做法沉淀成可复用的技能、把文档组织成可下钻的知识图谱、把代码索引成能查影响范围的调用图甚至让一支Agent团队共享同一套经验资产这些才叫把记忆玩出花。看了一圈开源社区大部分Agent的记忆模块其实做得很朴素会话结束时把关键信息离线总结一遍写进一个Markdown文件下次启动时再读回来。够用但天花板很低。总结是一次性的粒度是模糊的没有版本、没有权限、没有团队边界更谈不上把文档和代码也变成可检索的记忆。记忆在这里只是聊天记录的压缩包而不是一个会持续生长的系统。8月3日腾讯开源的TencentDB Agent Memory v2.0走的是完全不同的路线。它把记忆拆成四类资产Chat Memory管对话沉淀Skill管可执行经验Wiki管文档知识CodeGraph管代码调用关系每类资产背后都有一套工程化的沉淀和召回机制。奇哥把仓库源码通读了一遍这篇就带你看看把Agent记忆做成工程到底复杂在哪、值不值。二、项目全貌一个会沉淀经验的Agent团队基础设施TencentDB Agent Memory不是简单的聊天记录仓库也不是普通的RAG。RAG解决的是能查到什么Team Memory还要解决谁可以用、哪个版本有效、应该给哪个Agent。项目按MIT协议开源核心代码是TypeScript官方提供TypeScript和Python两套SDK支持OpenClaw、Hermes、Claude Code、CodeBuddy等多个Agent框架接入。仓库由四个模块组成MemoryCore是记忆内核负责L0到L3的记忆提炼、Skill提取、存储与检索MemoryHub是团队操作台负责建Team建Agent、资产审核配装、Wiki和CodeGraph工坊MemoryProxy是Agent接入的通道负责把记忆注入Agent的上下文MemoryKnowledge是知识引擎负责Wiki和CodeGraph的构建。技术实现总览左半边是沉淀层L0-L3 四种记忆资产中间是 Memory Hub 做团队管理与配装右边 Agent 按身份加载相关资产安装体验也做到了极致。官方提供三个Docker镜像memory-core、memory-hub、memory-proxy多架构支持linux/amd64和linux/arm64公开可拉、无需登录。clone下来进入deploy目录填两组LLM参数跑一条start-all.sh脚本就能拉起完整三件套脚本还会自动初始化管理员账号、生成密钥、自检通过后打印一条可直接复制的claude启动命令。从零到跑通前后不超过十分钟。三、四类记忆资产对话、技能、文档、代码v2.0版本最核心的设计是把记忆分成四类资产分别解决不同的问题。这四类资产从对话或工作痕迹中自动沉淀出来统一登记、统一管理。Memory Hub 的 Chat Memory 管理界面左侧导航区分资产类型中间的原子记忆块按事件流展示右侧展示 L0 对话原始记录、L1 原子记忆、L2 场景记忆、L3 核心记忆四个层级的完整链条第一类是Chat Memory解决跨会话理解用户的问题。它保留偏好、事实、决策和交互历史每个Agent创建时自动获得独立记忆下次对话不必从自我介绍开始。比如你告诉过Agent别重构旧鉴权模块因为移动端还在用这种代价很高的上下文不该靠人每次提醒。第二类是Skill解决沉淀可执行经验的问题。Agent做完复杂工作后可以从对话和工具调用中提炼可复用Skill。Skill不只是一段Prompt它有版本、资源文件、触发边界、执行步骤和验证规则个人Skill默认私有审核后可分享给团队再配装给其他Agent。排障、Review、上线检查练会一次全队可用。第三类是Wiki解决文档结构和关系的问题。它把产品文档、设计方案、运维手册生成结构化页面和链接图谱灵感来自Karpathy的LLM知识库实践。Agent不需要先读完所有文件目录再开工直接搜索、阅读、沿链接下钻。第四类是CodeGraph解决代码调用与影响范围的问题。它索引代码符号、文件、调用关系和影响路径Agent改代码前先做impact analysis搞清楚改了这里会影响哪里。CodeGraph模块复用了开源项目codegraph的代码并在此基础上做了工程化。四、记忆不是平铺记录而是逐层生长对话首先作为L0原始记录保存再由异步Pipeline提炼为不同粒度的记忆。这个分层设计是整套系统的骨架决定了记忆从原始到抽象的进化路径。记忆分层金字塔底部 L0 全量保留原始对话和事件流碎片对话往上 L1 抽取事实偏好约束结构事实L2 按项目或工作场景聚合场景认知顶部 L3 形成稳定的服务画像L0是原始对话和完整上下文主要用途是核对原话、时间和来源是唯一保存全部细节的层。L1从对话中提取事实、偏好、约束和事件形成可精确召回的可执行信息。L2围绕项目或场景组织知识块让Agent能快速恢复一个工作场景。L3是长期画像、稳定模式和高层认知让Agent迅速进入用户和团队的语境。生成和召回都是分层的。平时用L2和L3快速进入语境需要具体事实时通过BM25关键词检索、向量检索和RRF倒数排名融合回到L1甚至L0。结果还会经过条数、字符预算和超时限制避免记忆反过来占满上下文。这个细节很关键记忆系统最大的风险不是记不住而是记太多把上下文挤爆。从代码实现看这套分层是认真做了工程化的。L1、L2、L3的提炼由独立的PipelineWorker竞争消费支持分布式部署用Redis的XREADGROUP做消费者组竞争消费用分布式锁保护每层任务锁每30秒续约续约失败就中止任务。死信队列处理失败任务指数退避重试所有写入通过幂等键保证不重复。甚至并发度、轮询间隔、锁TTL这些参数都开放配置默认并发60。五、Memory Hub让一支Agent团队共享一套经验四类资产是零件Memory Hub是把零件组装成队伍的操作台。官方文档里给了一个非常生动的玩法给一个人的公司组一支会成长的Agent队伍。冷启动流程上一位 Agent 完成的 Skill、团队 Wiki、代码库 CodeGraph、历史交互沉淀的 Chat Memory 全部进入 Memory Hub 做审核、配装和分发下一位 Agent 站在团队已有积累上开始工作打开Memory Hub建一个Team你可以给队伍配四个角色Scout负责查资料找机会Builder负责写代码做产品Reviewer负责测试挑毛病你负责定目标做判断。关键是不再开四个彼此失联的聊天窗口而是组一支角色不同、能够继承团队经验的Agent小队。然后给每个角色配装备。Scout配用户访谈的Chat Memory、市场研究的Wiki、竞品分析的SkillBuilder配产品Wiki、项目CodeGraph、功能交付的SkillReviewer配历史事故的Chat Memory、项目CodeGraph、发布检查清单的Skill。不同角色不同Loadout少给噪音多给它完成工作真正需要的记忆。权限控制是这套系统特别在意的地方。新Chat Memory和Skill默认私有分享是一个明确动作不是默认泄漏。可见性分四档private严格属于Owner团队管理员也不能看team面向全队restricted通过User/Role/Agent ACL精确授权agent用于同团队Agent的定向装配。一支Agent团队共享经验不共享隐私。Memory Hub 的资产面板左侧资产类型导航右侧按 Agent 维度展示已分配的 Chat Memory 原子块支持团队同步、私有分享、按 Agent 批量配装冷启动也考虑到了。导入已有代码库CodeGraph自动索引符号和调用关系导入文档Wiki自动生成结构化页面导入过去的对话SessionSkill和Chat Memory自动提取可复用资产。换句话说你付过的学习成本都变成了存档新Agent进来直接读档不用重新学一遍。六、Memory Proxy让Claude Code挂上团队记忆光有记忆库还不够Agent怎么用上这些记忆才是关键。Memory Proxy就是干这个的它是Agent和记忆之间的通道让Claude Code这类编码Agent直接用上团队记忆。Proxy同时兼容Anthropic和OpenAI两套协议/claude-code//v1/messages和/v1/chat/completions都能接。首轮会通过AskUserQuestion引导用户选择team、agent、task然后记住这个绑定关系。之后每一轮Proxy把该Agent的L2/L3记忆、匹配的Skill、Wiki和CodeGraph拼进system prompt转发给上游LLM。鉴权也做了完整的链路x-tdai-user-key请求头发给内核内核通过/v3/meta/auth/verify校验后换取user_id然后按用户维度控制资产可见性。也就是说同一个记忆库不同的用户登录看到的东西可以完全不同。另外还内置了Cost Guard可以为不同Agent配置不同模型来降低成本。七、基准测试PersonaMem提升59%官方公布的基准测试结果虽然只覆盖了一个指标但很有说服力。在PersonaMem基准上不启用Agent Memory时得分48%启用后提升到76%相对提升59%。PersonaMem检验的是Agent能否在长期交互后正确理解和运用用户信息正好命中这个项目要解决的核心问题。坦白说一个基准还不够。官方自己也承认Agent Memory还没有标准答案Benchmark需要更多场景覆盖全自动记忆路由仍在迭代跨框架迁移仍在Roadmap上。但作为腾讯在Agent记忆这个方向上的一次完整开源这个起点已经相当扎实。八、奇哥的看法这个项目值得关注不是因为它的Benchmark有多高而是因为它把Agent记忆这件事从口号变成了工程。市面上聊Agent记忆的很多但大多数停留在概念层面要么是简单的对话历史回放要么是粗暴的RAG拼接。TencentDB Agent Memory给出的是一整套工程答案四类资产分层管理、L0到L3逐层提炼、分布式Pipeline、精细的权限控制、多框架接入甚至把团队协作这种组织问题都考虑进去了。最值得琢磨的是它的产品哲学记忆不是用来存下所有东西而是解决三个问题什么值得留下、谁可以使用、下一次怎样少拿但拿对。这个思路比堆上下文长度高级得多。上下文窗口再大也是有限的真正的解法是让Agent知道该记住什么、该忘掉什么。另外值得一提的是它把Agent记忆和团队协作焊在了一起。单独一个Agent的记忆是效率问题团队的记忆才是资产问题。腾讯在WorkBuddy上证明了它能把办公智能体做成国民级产品这次开源的Agent Memory则展示了它在Agent基础设施层的积累。两个方向合在一起看腾讯在AI时代的布局比表面看到的要深。如果你在折腾Agent、或者正在给团队搭AI工作流这个项目值得clone下来跑一遍。体验一下从零开始给Agent装一套会成长的大脑你会对AI Agent的下一步有更具体的感知。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】
腾讯开源Agent记忆模块
一、记忆对Agent有多重要可以玩的花活就有多复杂先说结论Agent的记忆不是新概念市面上几乎所有Agent框架都自带记忆能力换对话不丢上下文是基本功。真正拉开差距的是记忆能做到多深。往浅了说记住用户偏好、跨会话保留决策这些是标配往深了说把跑通的做法沉淀成可复用的技能、把文档组织成可下钻的知识图谱、把代码索引成能查影响范围的调用图甚至让一支Agent团队共享同一套经验资产这些才叫把记忆玩出花。看了一圈开源社区大部分Agent的记忆模块其实做得很朴素会话结束时把关键信息离线总结一遍写进一个Markdown文件下次启动时再读回来。够用但天花板很低。总结是一次性的粒度是模糊的没有版本、没有权限、没有团队边界更谈不上把文档和代码也变成可检索的记忆。记忆在这里只是聊天记录的压缩包而不是一个会持续生长的系统。8月3日腾讯开源的TencentDB Agent Memory v2.0走的是完全不同的路线。它把记忆拆成四类资产Chat Memory管对话沉淀Skill管可执行经验Wiki管文档知识CodeGraph管代码调用关系每类资产背后都有一套工程化的沉淀和召回机制。奇哥把仓库源码通读了一遍这篇就带你看看把Agent记忆做成工程到底复杂在哪、值不值。二、项目全貌一个会沉淀经验的Agent团队基础设施TencentDB Agent Memory不是简单的聊天记录仓库也不是普通的RAG。RAG解决的是能查到什么Team Memory还要解决谁可以用、哪个版本有效、应该给哪个Agent。项目按MIT协议开源核心代码是TypeScript官方提供TypeScript和Python两套SDK支持OpenClaw、Hermes、Claude Code、CodeBuddy等多个Agent框架接入。仓库由四个模块组成MemoryCore是记忆内核负责L0到L3的记忆提炼、Skill提取、存储与检索MemoryHub是团队操作台负责建Team建Agent、资产审核配装、Wiki和CodeGraph工坊MemoryProxy是Agent接入的通道负责把记忆注入Agent的上下文MemoryKnowledge是知识引擎负责Wiki和CodeGraph的构建。技术实现总览左半边是沉淀层L0-L3 四种记忆资产中间是 Memory Hub 做团队管理与配装右边 Agent 按身份加载相关资产安装体验也做到了极致。官方提供三个Docker镜像memory-core、memory-hub、memory-proxy多架构支持linux/amd64和linux/arm64公开可拉、无需登录。clone下来进入deploy目录填两组LLM参数跑一条start-all.sh脚本就能拉起完整三件套脚本还会自动初始化管理员账号、生成密钥、自检通过后打印一条可直接复制的claude启动命令。从零到跑通前后不超过十分钟。三、四类记忆资产对话、技能、文档、代码v2.0版本最核心的设计是把记忆分成四类资产分别解决不同的问题。这四类资产从对话或工作痕迹中自动沉淀出来统一登记、统一管理。Memory Hub 的 Chat Memory 管理界面左侧导航区分资产类型中间的原子记忆块按事件流展示右侧展示 L0 对话原始记录、L1 原子记忆、L2 场景记忆、L3 核心记忆四个层级的完整链条第一类是Chat Memory解决跨会话理解用户的问题。它保留偏好、事实、决策和交互历史每个Agent创建时自动获得独立记忆下次对话不必从自我介绍开始。比如你告诉过Agent别重构旧鉴权模块因为移动端还在用这种代价很高的上下文不该靠人每次提醒。第二类是Skill解决沉淀可执行经验的问题。Agent做完复杂工作后可以从对话和工具调用中提炼可复用Skill。Skill不只是一段Prompt它有版本、资源文件、触发边界、执行步骤和验证规则个人Skill默认私有审核后可分享给团队再配装给其他Agent。排障、Review、上线检查练会一次全队可用。第三类是Wiki解决文档结构和关系的问题。它把产品文档、设计方案、运维手册生成结构化页面和链接图谱灵感来自Karpathy的LLM知识库实践。Agent不需要先读完所有文件目录再开工直接搜索、阅读、沿链接下钻。第四类是CodeGraph解决代码调用与影响范围的问题。它索引代码符号、文件、调用关系和影响路径Agent改代码前先做impact analysis搞清楚改了这里会影响哪里。CodeGraph模块复用了开源项目codegraph的代码并在此基础上做了工程化。四、记忆不是平铺记录而是逐层生长对话首先作为L0原始记录保存再由异步Pipeline提炼为不同粒度的记忆。这个分层设计是整套系统的骨架决定了记忆从原始到抽象的进化路径。记忆分层金字塔底部 L0 全量保留原始对话和事件流碎片对话往上 L1 抽取事实偏好约束结构事实L2 按项目或工作场景聚合场景认知顶部 L3 形成稳定的服务画像L0是原始对话和完整上下文主要用途是核对原话、时间和来源是唯一保存全部细节的层。L1从对话中提取事实、偏好、约束和事件形成可精确召回的可执行信息。L2围绕项目或场景组织知识块让Agent能快速恢复一个工作场景。L3是长期画像、稳定模式和高层认知让Agent迅速进入用户和团队的语境。生成和召回都是分层的。平时用L2和L3快速进入语境需要具体事实时通过BM25关键词检索、向量检索和RRF倒数排名融合回到L1甚至L0。结果还会经过条数、字符预算和超时限制避免记忆反过来占满上下文。这个细节很关键记忆系统最大的风险不是记不住而是记太多把上下文挤爆。从代码实现看这套分层是认真做了工程化的。L1、L2、L3的提炼由独立的PipelineWorker竞争消费支持分布式部署用Redis的XREADGROUP做消费者组竞争消费用分布式锁保护每层任务锁每30秒续约续约失败就中止任务。死信队列处理失败任务指数退避重试所有写入通过幂等键保证不重复。甚至并发度、轮询间隔、锁TTL这些参数都开放配置默认并发60。五、Memory Hub让一支Agent团队共享一套经验四类资产是零件Memory Hub是把零件组装成队伍的操作台。官方文档里给了一个非常生动的玩法给一个人的公司组一支会成长的Agent队伍。冷启动流程上一位 Agent 完成的 Skill、团队 Wiki、代码库 CodeGraph、历史交互沉淀的 Chat Memory 全部进入 Memory Hub 做审核、配装和分发下一位 Agent 站在团队已有积累上开始工作打开Memory Hub建一个Team你可以给队伍配四个角色Scout负责查资料找机会Builder负责写代码做产品Reviewer负责测试挑毛病你负责定目标做判断。关键是不再开四个彼此失联的聊天窗口而是组一支角色不同、能够继承团队经验的Agent小队。然后给每个角色配装备。Scout配用户访谈的Chat Memory、市场研究的Wiki、竞品分析的SkillBuilder配产品Wiki、项目CodeGraph、功能交付的SkillReviewer配历史事故的Chat Memory、项目CodeGraph、发布检查清单的Skill。不同角色不同Loadout少给噪音多给它完成工作真正需要的记忆。权限控制是这套系统特别在意的地方。新Chat Memory和Skill默认私有分享是一个明确动作不是默认泄漏。可见性分四档private严格属于Owner团队管理员也不能看team面向全队restricted通过User/Role/Agent ACL精确授权agent用于同团队Agent的定向装配。一支Agent团队共享经验不共享隐私。Memory Hub 的资产面板左侧资产类型导航右侧按 Agent 维度展示已分配的 Chat Memory 原子块支持团队同步、私有分享、按 Agent 批量配装冷启动也考虑到了。导入已有代码库CodeGraph自动索引符号和调用关系导入文档Wiki自动生成结构化页面导入过去的对话SessionSkill和Chat Memory自动提取可复用资产。换句话说你付过的学习成本都变成了存档新Agent进来直接读档不用重新学一遍。六、Memory Proxy让Claude Code挂上团队记忆光有记忆库还不够Agent怎么用上这些记忆才是关键。Memory Proxy就是干这个的它是Agent和记忆之间的通道让Claude Code这类编码Agent直接用上团队记忆。Proxy同时兼容Anthropic和OpenAI两套协议/claude-code//v1/messages和/v1/chat/completions都能接。首轮会通过AskUserQuestion引导用户选择team、agent、task然后记住这个绑定关系。之后每一轮Proxy把该Agent的L2/L3记忆、匹配的Skill、Wiki和CodeGraph拼进system prompt转发给上游LLM。鉴权也做了完整的链路x-tdai-user-key请求头发给内核内核通过/v3/meta/auth/verify校验后换取user_id然后按用户维度控制资产可见性。也就是说同一个记忆库不同的用户登录看到的东西可以完全不同。另外还内置了Cost Guard可以为不同Agent配置不同模型来降低成本。七、基准测试PersonaMem提升59%官方公布的基准测试结果虽然只覆盖了一个指标但很有说服力。在PersonaMem基准上不启用Agent Memory时得分48%启用后提升到76%相对提升59%。PersonaMem检验的是Agent能否在长期交互后正确理解和运用用户信息正好命中这个项目要解决的核心问题。坦白说一个基准还不够。官方自己也承认Agent Memory还没有标准答案Benchmark需要更多场景覆盖全自动记忆路由仍在迭代跨框架迁移仍在Roadmap上。但作为腾讯在Agent记忆这个方向上的一次完整开源这个起点已经相当扎实。八、奇哥的看法这个项目值得关注不是因为它的Benchmark有多高而是因为它把Agent记忆这件事从口号变成了工程。市面上聊Agent记忆的很多但大多数停留在概念层面要么是简单的对话历史回放要么是粗暴的RAG拼接。TencentDB Agent Memory给出的是一整套工程答案四类资产分层管理、L0到L3逐层提炼、分布式Pipeline、精细的权限控制、多框架接入甚至把团队协作这种组织问题都考虑进去了。最值得琢磨的是它的产品哲学记忆不是用来存下所有东西而是解决三个问题什么值得留下、谁可以使用、下一次怎样少拿但拿对。这个思路比堆上下文长度高级得多。上下文窗口再大也是有限的真正的解法是让Agent知道该记住什么、该忘掉什么。另外值得一提的是它把Agent记忆和团队协作焊在了一起。单独一个Agent的记忆是效率问题团队的记忆才是资产问题。腾讯在WorkBuddy上证明了它能把办公智能体做成国民级产品这次开源的Agent Memory则展示了它在Agent基础设施层的积累。两个方向合在一起看腾讯在AI时代的布局比表面看到的要深。如果你在折腾Agent、或者正在给团队搭AI工作流这个项目值得clone下来跑一遍。体验一下从零开始给Agent装一套会成长的大脑你会对AI Agent的下一步有更具体的感知。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】 
