腾讯云开源 Agent-Memory：给 AI 装上长期记忆，token 直降 61%

lipengfei634626165@163.com (lpflpf) — Mon, 10 Aug 2026 08:00:00 +0800

如果你用过带 Agent 的编程工具，大概率遇到过这种时刻：AI 帮你查了一堆资料、改了一堆代码，但到了任务后半段，它忘了自己前面查过什么，又开始重复搜索、重复犯错。就像一个人失忆了，每次都要从头开始。

这是当前 Agent 最大的痛点之一：没有记忆。市面上已有的解法大多是"多轮对话压缩"或"记忆向量库"，治标不治本。而腾讯云最近开源的项目 TencentDB Agent-Memory，选择了一条不同的路——用"符号记忆 + 分层长期记忆"，把 token 消耗降了 61%，任务成功率提升 51%。

项目上线后迅速登上 GitHub 趋势榜，本周新增约 8 千 star。它是目前开源社区里，把"Agent 记忆"这件事做得最系统的方案之一。

为什么 Agent 需要记忆，而不是"更大的上下文"

先搞清楚问题在哪。

现在的 Agent 处理长任务时，通常会做三件事：搜索资料、写代码、跑结果。问题在于，这三件事会产生海量的中间日志——搜索结果、代码片段、报错信息。这些日志全部塞进上下文，token 消耗爆炸；如果不塞，Agent 就"失忆"，无法利用之前的成果。

Google 的统计显示，当前 Agent 任务中 token 的最大消耗点，恰恰是这些"过程产物"，而不是最终的对话内容。

传统记忆方案是怎么做的？把对话历史切成碎片，丢进一个平铺的向量数据库，需要时用相似度检索捞出来。听起来合理，实际效果却很一般——碎片化的记忆丢失了语义结构，就像把一本书撕成单页再堆在一起，检索出来的是残页，不是知识。

腾讯云这套方案的核心思路，用一句话概括：记忆不该是平铺的，该是有结构的。

两大支柱：符号记忆 + 分层长期记忆

TencentDB Agent-Memory 的架构建立在两根柱子上。

第一根：符号短时记忆（Symbolic Short-term Memory）

针对长任务里最烧 token 的中间日志，方案是"符号化"——把冗长的工具调用日志、搜索结果、错误堆栈，压缩成紧凑的 Mermaid 图符号。比如一次包含大量中间步骤的搜索，压缩后只占原来几十分之一的空间，但保留了完整的决策链路。

效果有多明显？接入 OpenClaw 后，WideSearch 场景的 token 消耗从 221.31M 降到 85.64M，直降 61.38%；SWE-bench 场景从 3474M 降到 2375M，降 33%。

第二根：分层长期记忆（Layered Long-term Memory）

短期记忆解决"这次任务别失忆"，长期记忆解决"下次任务别从头学"。

系统会把碎片化的对话，提炼成结构化的"人设（Persona）“和"场景（Scene）"——这个用户的工作习惯是什么、这个项目的技术栈是什么、之前解决过哪些问题。下次任务启动时，Agent 先加载相关的人设和场景，而不是重新摸索一遍。

这项能力在 PersonaMem 基准上从 48% 提到 76%，提升 59%。翻译成人话：AI 记得住你是谁、你之前干过什么，不用每次重新认识你。

官方对这套理念的总结很到位：“记忆不是把一切都囤在 AI 里，而是让人类不必重复自己。”

兼容性和接入方式

TencentDB Agent-Memory 是 MIT 协议，核心是 npm 包，通过 MCP（Model Context Protocol）协议接入——目前主流的 Agent 框架（OpenClaw、Claude Code 生态等）都能用。

安装方式很简单：

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

底层存储用的是腾讯云数据库（这也是项目名叫 TencentDB 的原因），数据持久化、可查询、可回溯。官方强调了一个容易被忽略的点：压缩不能牺牲可追溯性——记忆被压缩后，原始记录仍然保留，随时可以展开核查，这保证了 Agent 决策过程可审计。

项目仓库里还带完整的中文文档、Quick Start 和 OpenClaw/Hermes 的接入示例，clone 下来照着做就能跑。

横向对比：它比 LangGraph 的 Memory 强在哪

很多人会问：LangChain/LangGraph 不也有 Memory 模块吗？区别在于设计哲学。

LangGraph 的 memory 本质是"把对话历史存起来，需要时注入上下文”——存储是平的，检索是粗的，长期下来上下文里塞满了低价值的历史。而 TencentDB Agent-Memory 做的是"记忆工程"：先判断什么值得记（符号化压缩）、再决定怎么组织（分层结构）、最后按场景精准取用。

打个比方：LangGraph 的记忆像一本流水账，全记但乱；Agent-Memory 的记忆像一套档案系统，有索引、有摘要、有原文备查。

对做 Agent 产品的团队来说，这个区别直接体现在账单上——流水账式的上下文，token 消耗是指数级的；档案式的记忆，是可持续的。

隐患与思考

当然，项目也不是没有值得商榷的地方。

一是重度绑定腾讯云数据库。虽然协议是 MIT，但默认存储依赖腾讯云产品，如果要完全自托管，需要自己实现存储层。二是基准测试来自自家场景（OpenClaw 生态），第三方独立复测还没跟上。三是符号化压缩（Mermaid 图）对非结构化任务的适配度，还有待验证——把日志压成符号，本质上是对"任务结构"做了假设，结构松散的任务压缩效果可能打折。

但瑕不掩瑜。Agent 记忆是 2026 年最确定的方向之一——Sam Altman 说过，记忆是 Agent 从"工具"变成"伙伴"的关键一步。腾讯云这次开源，把记忆从"向量库堆砌"推进到了"记忆工程"，方向是对的。

源码阅读路线（给想深入的程序员）

如果打算读源码，建议按这个顺序：

src/memory/ —— 记忆的核心抽象（short-term / long-term 两个模块的接口设计）
src/symbolic/ —— 符号化压缩实现（看它是怎么把日志转成 Mermaid 的）
src/storage/ —— 存储层（腾讯云数据库的适配与抽象）
examples/ —— 官方示例（先跑通 WideSearch 的 token 对比 demo，效果最直观）

项目地址：https://github.com/TencentCloud/TencentDB-Agent-Memory

（信息来源：TencentDB Agent-Memory 官方 README 与基准数据；GitHub Trending 2026-08-09 快照）