Agent 用得越多越能感受到一个反直觉的痛点会话一结束它就把项目背景忘得干干净净。下一次你得重新解释老鉴权模块别动移动端还在用它得重新把整个仓库的目录翻一遍好不容易跑通的工作流下次又要从零摸索。真正贵的往往不是算力而是已经付过的学习成本——上下文解释过一次、文档读过一遍、流程跑通过一次这些信息理应被存下来、组织好、复用给下一个 Agent。本文解读腾讯云开源的 TencentDB Agent Memoryv2.0.02026-08-03 发布看它如何把对话、文档、代码沉淀成四种可治理的记忆资产并用 L0–L3 分层与混合检索按需注入上下文。所有数据均来自项目 README、CHANGELOG 与 GitHub API查询日期 2026-08-06可追溯其中性能基准为项目自述非本文独立复现文中会明确标注。它要解决的问题Agent 的失忆与重复学习项目给自己定的出发点很具体如何减少使用 Agent 时的重复劳动。如果项目上下文已经讲过就不该在新会话里重讲如果文档已经读过每个 Agent 就不必再从第一页开始如果某条工作流已经跑通下次就不该重新发现。它对记忆的定义也比记住对话更宽——任何能帮下一个 Agent 少走弯路的信息都应被保存、组织、复用。项目的核心抽象是Memory Hub一个面向 Agent 团队的记忆中枢把工作产出资产 → 资产在团队中流通 → 新成员直接读档这一闭环串起来。定位上它强调三点自动从对话/任务中提取资产、与 Agent 框架解耦可跨框架迁移、对冷启动友好可导入既有文档/代码库/会话。先放一张可核实的事实表便于读者判断项目状态维度取值来源仓库TencentCloud/TencentDB-Agent-MemoryGitHub API最新版本v2.0.02026-08-03commit0aff21aGitHub 提交历史首次公开版本v2.0.0-beta.12026-07-21CHANGELOG.md仓库创建2026-04-07GitHub APIStar / Fork10,367 / 9932026-08-06 查询GitHub API主语言TypeScriptGitHub API协议README 标注 MITREADME 徽章默认分支feat/server_teamGitHub API需要说明的一点GitHub API 把 license 字段识别为otherNOASSERTION与 README 徽章标注的 MIT 不一致这在 LICENSE 文件未被 licensee 确切解析时常见。本文采用更保守的表述README 标注 MIT读者若要商用请以仓库 LICENSE 文件为准。四种记忆资产把经验变成可治理的对象项目把记忆拆成四类资产每类解决一种重复学习Chat Memory保留偏好、事实、决策与交互历史。每个 Agent 创建时自动拥有自己的记忆下次不必重新自我介绍。原始对话按L0 → L1 → L2 → L3逐层蒸馏。Skill从跑通的任务里提炼可复用 SOP。它不是一段提示词而是带版本、资源文件、触发边界、执行步骤与验证规则的对象个人 Skill 默认私有审核后可共享给团队并装配给其他 Agent。Wiki把产品文档、设计稿、运维手册变成带链接图谱的结构化页面灵感来自 Karpathy 的 LLM 知识库实践。CodeGraph索引代码的符号、文件、调用关系与影响路径。Agent 改代码前能先做 impact analysis——不仅知道代码在哪还知道改这里会影响哪些地方。图 1TencentDB Agent Memory 架构示意本文依据 README 描述绘制非官方运行时截图。四种资产统一注册为 Memory Asset经 Memory Hub 做 Owner/版本/状态/可见性管理再按 Agent 负载装配。项目用一张对比表把自身与聊天历史和标准 RAG区分开本文转述其要点标准 RAG 回答能找到什么而 Team Memory 还要回答谁能用、哪个版本有效、该发给哪个 Agent。前者只做检索后者在检索之上叠加了所有权、版本、状态与团队共享/装配。能力聊天历史标准 RAGTencentDB Agent Memory跨会话用户理解△△✅ Chat Memory可执行的提炼经验——✅ Skill文档结构与关系—△ 分块检索✅ Wiki 链接图谱代码调用图与影响范围—△ 文本匹配✅ CodeGraph所有权/版本/状态——✅团队共享与 Agent 装配——✅私有/团队/ACL—△✅L0–L3 分层记忆不是平铺记录而是逐层蒸馏记忆不做全量平铺而是先以 L0 保存原始对话再由异步流水线蒸馏成多粒度层级层级存储内容主要用途L0 Conversation带完整上下文的原始对话核对原话、时间戳与来源L1 Atom从对话中抽取的事实、偏好、约束、事件精确召回可执行信息L2 Scenario围绕项目/场景组织的知识块快速恢复工作上下文L3 Core / Persona长期画像、稳定模式、高层认知让 Agent 快速进入用户与团队语境生成与检索都是分层的常态下 L2/L3 提供快速上下文引导需要具体事实时再用BM25 向量检索 RRF回落到 L1/L0。结果还会按条数、字符预算与超时上限截断避免记忆撑爆上下文窗口。这个设计要点在于按需取用——文档与代码并不整块塞进 prompt而是先通过/v3/tools/list发现能力再用/v3/tools/call按需读取相关页面、源码或影响路径。Memory Hub把记忆做成团队控制台Hub 的定位是控制台而非展板。打开一个资产时重要的不只是写了什么还有来自哪里、是哪个版本、装配给谁、最近是否被用过。它提供几种玩法建 Team 并加入人员与 Agent、在资产库浏览/搜索/审核四类资产、给不同 Agent 绑定不同资产并调整优先级、在知识工坊构建 Wiki 与 CodeGraph、按需切换 private/team/ACL 访问。可见性模型是这套设计里值得注意的一环——共享是显式动作而非默认泄露可见性语义private仅 Owner 可读团队管理员也不可见team团队成员可读Owner/Admin 可管理restricted通过 User/Role/Agent ACL 精确授权agent同团队内对 Agent 定向装配角色分两层全局 System Admin 管理用户与团队团队级有 Admin 与 Member负责团队内资产协作与访问控制。资产所有权由 Owner 追踪Owner 自动拥有其资产的管理权限。这样可以把发布 Skill装配给发布 Agent、把架构 Wiki装配给所有开发 Agent、把 CodeGraph 装配给 Coder 与 Reviewer做到不同角色不同负载少给噪声。一键部署与 SDK 调用v2.0.0 把三件套memory-core memory-hub proxy打成多架构镜像linux/amd64 linux/arm64发布到 Docker Hub 的agentmemory组织公开可拉取。一键启动的命令如下来自 README 与 CHANGELOG请在 Bash/WSL 环境执行git clone https://github.com/Tencent/TencentDB-Agent-Memory.git cd TencentDB-Agent-Memory/deploy/global-images cp .env.example .env $EDITOR .env # 填入两组 LLM 参数memory 组 proxy 组 ./start-all.sh # 一键起三件套完成后打印一行可直接粘进 Claude 的命令启动后面板开在http://localhost:8125。start-all.sh首次启动会自动init-admin、生成形如sk-mem-...的 admin 密钥并落盘到.admin-key自检/v3/meta/auth/verify后输出可复制的启动命令stop-all.sh --purge可彻底清 volume 与 admin key 以便重置。三个镜像与职责如下镜像职责memory-core记忆内核资产存储与检索memory-hubPanel Knowledge Service团队控制台memory-proxyClaude Code 等 coding agent 接入团队记忆的通道proxy 值得一提它同时支持 Anthropic 与 OpenAI 双协议/claude-code/spaceId/v1/messages和/v1/chat/completions首轮通过AskUserQuestion让用户选 team/agent/task 并记住绑定每轮把该 Agent 的 L2/L3 记忆、匹配到的 Skill、Wiki/CodeGraph 拼进 system prompt 再转发上游鉴权用x-tdai-user-key换user_id按用户维度控制资产可见性。官方提供两套 SDK调用时需注意 v3 严格隔离——teamId/agentId/userId三项必填import { MemoryClient, SkillClient, MetadataClient } from tencentdb-agent-memory/memory-sdk-ts-v2; const memory new MemoryClient({ endpoint, apiKey, serviceId, teamId, agentId, userId, // v3 严格 isolation三项必填 });from tencentdb_agent_memory.v3 import MemoryClient, MetadataClient, SkillClient # pip install tencentdb-agent-memory-sdk-python一个自述基准PersonaMemREADME 给出了一个基准 PersonaMem测试 Agent 在长交互后能否正确理解并应用用户信息。需要强调这是项目自述结果并非本文独立复现列出供参考。图 2PersonaMem 基准对比数据源项目 README Benchmark 表图表由本文用 matplotlib 生成。未启用 48%、启用 76%相对提升约 59%。该图的数据另存为 JSON 源文件data/personamem-benchmark.json图中数值与正文、JSON 完全一致未启用 48、启用 76、相对提升(76-48)/48 ≈ 59%。单组基准不足以概括全部场景读者应把它视作项目方选择的一个代表性指标而非普适结论。限制与适用边界诚实列几条 README Notes 中明示的限制避免误用CodeGraph 暂以公网 HTTPS 仓库为主私有仓库与 SSH 凭据支持仍在完善。Wiki 与 CodeGraph 异步构建需要等待处理到ready状态后才可用。资产绑定目前以手动为主全自动记忆路由仍在迭代。客户端范围有限当前支持 OpenClaw、Hermes、Claude Code、CodeBuddy 与 SDK 集成更广的跨框架迁移在路线图上。上述基准为项目自述未由本文独立复现star/fork 数为 2026-08-06 查询快照会随时间变化。结论TencentDB Agent Memory 把Agent 失忆当作一个工程问题来拆用四种资产把经验对象化用 L0–L3 分层把记忆从平铺记录变成可检索的多粒度结构用 Memory Hub 把记忆从个人记事本升级为团队控制台再用 private/team/restricted/agent 的可见性模型守住共享与隐私的边界。对想给 Agent 团队加一层长期记忆的团队它提供了一个可一键部署、有 SDK、与既有 coding agent 解耦的起点但 CodeGraph 的私仓支持、自动路由的成熟度、客户端覆盖范围是落地前需要逐项评估的。