腾讯开源了 Agent Memory: 让 AI 真正记住你。
腾讯开源Agent Memory项目，让AI真正记住用户偏好与对话历史，显著提升Agent性能。核心内容：1. 主流AI记忆方案的三大短板与局限2. 四层渐进式记忆架构的核心设计原理3. 符号化短期记忆压缩与Mermaid图应用
腾讯开源了一个项目，两个月拿了 4600+ Star。
做的事非常专一：给 AI Agent 装上长期和短期记忆。
装完之后什么效果？
评测数据摆在这：针对长期记忆，整体准确率从 47.85% 涨到 76.10%，提升将近 60%。
用户事实召回从不到 30% 飙到 79%。
基于短期记忆的加持，长任务中最高节省 61% token。
这个项目叫 TencentDB Agent Memory，腾讯云数据库团队做的，5 月 14 日正式开源的。
来看看在 OpenClaw 和 Hermes 中的效果。
开源地址：https://github.com/TencentCloud/TencentDB-Agent-Memory
现在主流的解决方案大概有三种，但都有明显短板。
第一种，全塞进上下文窗口。
简单粗暴，但窗口有上限，塞多了 token 直接爆掉。
第二种，用向量数据库做记忆。
比全塞上下文好一些，但问题是只存不提炼，很多对话碎片时召回率低，精确度差。
第三种，让大模型自己做摘要压缩。
但压缩是不可逆的，可能会造成关键细节丢失的问题。
02
腾讯开源项目的核心架构
这个项目最核心的设计，是一个四层渐进式记忆架构。
L0 到 L3，从底到顶，每一层干的事不一样。
L0：原始对话。
全量保留，一字不落。兜底用，随时可回查。
L1：原子事实。
自动从对话里提取独立的事实节点，比如"我爱吃火锅"、"我后用 NextJS"，打标签存起来。
L2：场景聚类。
相关的原子事实按场景聚合。比如用户系统讨论涉及的所有事实，表结构、权限、接口合成一个场景块，Markdown 格式，人可直接读。
L3：用户画像。
基于下面三层生成稳定的用户画像，沉淀技术偏好、代码风格、常用工具链。
这样既不会因为上下文太长影响推理，也不会丢失关键信息。
而且系统保证从顶层到原始证据有完整的回溯路径。
L3 里说用户偏好 TypeScript，这个结论可以追溯到 L2 某个场景块，场景块里的每条结论又能追溯到 L1 的原子事实，原子事实最终指向 L0 里你说过的那句话。
整条证据链不断裂。
03
短期记忆压缩：巧用 Mermaid 图
四层架构解决长期记忆，但短期上下文也是烧钱大户。
AI 排查一个 bug 要调用十几次工具，上下文塞满日志。
解法是符号化记忆，把完整日志卸载到外部文件，用 Mermaid 语法画一张紧凑的任务状态图塞进上下文，需要细节时再通过节点 ID 检索。
Mermaid 用极少的 token 把线性摘要列表重组为带状态、依赖关系和可寻址索引的任务拓扑结构图。
让 AI 大模型不靠记住什么标签而是靠从图的拓扑中推理出什么结构来理解任务全貌。
信息密度更高、结构不丢失、细节可逐层找回。
实测 Token 消耗直降超 50%，任务完成率反升 23%。
省了钱，活还干得更好。
语义检索（Embedding）擅长模糊匹配，关键词检索（BM25）擅长精确命中。
两路各自召回候选结果，RRF 融合排序。语义相关的不会漏，精确匹配的也不会丢
04
跑出来的数据
说了这么多设计，来看实际跑出来的数据。
腾讯用 PersonaMem 基准测试做了评测，对比的是原生 OpenClaw 和接入 Agent Memory 之后的 OpenClaw：
| 指标 | 原生 OpenClaw | 接入 Agent Memory |
|---|---|---|
| 总准确率 | 47.85% | 76.10%（+59%） |
| 用户事实召回 | 29.63% | 79.07%（+167%） |
| 偏好跟踪 | 66.67% | 83.45%（+25%） |
| 个性化推荐 | 46.67% |
相关资讯
游戏推荐
推荐专题
热门阅读
推荐下载
|