腾讯正式开源了 TencentDB Agent Memory，这是一个专为 AI Agent 设计的开源记忆系统，项目采用宽松的 MIT 许可协议发布。该项目精准解决了长程任务（long-horizon）Agent 开发者普遍面临的痛点：上下文暴涨（context bloat）与记忆召回失败。
该系统将符号化短期记忆（symbolic short-term memory）与分层长期记忆（layered long-term memory）有机结合。它既可以作为插件无缝集成到 OpenClaw 框架中，也能通过网关适配器（Gateway adapter）接入 Hermes Agent。在后端存储方面，系统默认采用本地 SQLite 并搭配 sqlite-vec 向量检索扩展，完全不依赖任何外部 API，实现了极高的本地化隐私保护与低延迟。
为什么 Agent 记忆如此棘手？
目前大多数主流的 Agent 记忆栈设计都存在缺陷：它们简单地将数据切碎并直接倒入扁平的向量数据库（Vector Store）中。这导致记忆召回变成了一种缺乏全局宏观指导、完全依赖碎片化匹配的盲目相似度检索。为此，TencentDB Agent Memory 的架构奠定了两大基石：记忆分层（memory layering）与符号化记忆（symbolic memory）。
四层语义金字塔架构
为了实现长期个性化，TencentDB Agent Memory 摒弃了传统的扁平日志，构建了一个四层语义金字塔：L0 对话（Conversation）、L1 原子事实（Atom）、L2 场景（Scenario）和 L3 画像（Persona）。这四个层级分别对应原始对话、原子事实、场景区块以及用户画像。
系统会优先查询承载用户日常偏好信息的 L3 画像层。只有当需要更精细的细节时，系统才会向下钻取到 L1 原子事实或 L0 原始对话层。低层记忆用于保留证据，高层记忆则用于维系结构。在存储介质上，该系统采用异构存储方案：事实、日志和轨迹持久化保存在数据库中以供全文检索；而画像、场景和画布则以人类易读的 Markdown 文件形式存储，这些分层记忆制品统一存放于 ~/.openclaw/memory-tdai/ 目录下。
基于 Mermaid 的符号化短期记忆
在长时间运行的 Agent 任务中，详尽的工具日志、搜索结果、代码及错误轨迹会迅速消耗大量 Token。TencentDB Agent Memory 通过将上下文转储（context offloading）与符号化记忆相结合来解决这一难题。
完整的工具日志会被转储至 refs/*.md 下的外部文件中，而状态转换则在轻量级任务画布中以 Mermaid 语法进行编码。Agent 只需在其上下文窗口中对这一符号图谱进行推理。当它需要原始文本时，只需通过 node_id 检索对应文件即可。腾讯开发团队将其描述为一种确定性的下钻路径：从顶层符号，到中层索引，再到低层原始文本。
基准测试表现
该系统的性能是在连续的长程会话（而非孤立的单轮对话）中测得的。例如，SWE-bench 测试通过在每个会话中连续运行 50 个任务，来模拟极限的上下文累积压力。
测试结果显示：在 WideSearch 上，集成该插件后 OpenClaw 的任务通过率从 33% 提升至 50%（相对提升达 51.52%），同时 Token 消耗量从 221.31M 降至 85.64M，大幅削减了 61.38%。在 SWE-bench 上，任务成功率从 58.4% 提升至 64.2%，Token 消耗从 3474.1M 降至 2375.4M（降幅 33.09%）。在 AA-LCR 测试中，成功率由 44.0% 提升至 47.5%，Token 消耗降低 30.98%。在长期记忆方面，PersonaMem 的准确率也从 48% 显著提升至 76%。
【AgentUpdate 深度解析】 传统的 AI Agent 记忆系统往往过度依赖单一的扁平化向量检索（Vector Store），导致在面对长程复杂任务时，容易因“上下文迷失”或“记忆幻觉”而功亏一篑。TencentDB Agent Memory 的核心突破在于其“结构化与符号化”的精细设计。它放弃了盲目的语义检索召回，转而采用“金字塔四层语义”与 Mermaid 拓扑图谱，这不仅极大降低了 LLM 的 Context 吞吐量（大幅降低推理成本），更为 Agent 提供了一个自顶向下的确定性推理路径。横向对比 LangChain 的 Memory 组件或 Mem0 等动态记忆库，腾讯方案的本地化（SQLite/sqlite-vec）与低延迟优势非常明显。这种从“无序碎片向量匹配”向“结构化符号认知”的演进，是未来 AI Agent 走向产业落地、实现可靠自主决策的重要技术分水岭。
