上下文爆炸有救了!腾讯开源四层记忆架构让AI学会记住该记住的
先说个真实场景:你的AI同事,每周都像刚入职
周一跟代码助手说清楚项目用的是TypeScript、周三交代了哪些文件不能碰、周五让它改个接口——结果新开会话,它问:「请问这个项目用什么语言?」不是模型变笨了,是上下文窗口有物理上限,塞满只能删旧内容。这是Agent落地最大的拦路虎:长任务跑着跑着,AI开始「迷路」——不记得走到哪了,不记得踩过什么坑,更不记得你是谁。
行业过去三选一:要么全塞上下文,Token爆炸;要么扔向量库,召回像在便利贴堆里找线索;要么让模型自己摘要,信息有去无回。三种方案都在解决「怎么少记点」,没人回答「该记什么」。腾讯云数据库团队5月14日开源的TencentDB Agent Memory,换了个思路:不是让AI少记,是让它记住该记住的。
四层记忆架构:把信息拆开存,各管各的
这个项目把记忆拆成四层楼:L0是原始对话,全量一字不落存档;L1自动抽出「你爱用TypeScript」「项目用AWS部署」这类原子事实;L2把同主题的原子事实打包成场景块;L3生成用户画像——技术偏好、代码风格、常用工具链。每层只干一件事,层与层之间通过提取→聚合→蒸馏的管道连接。
最关键的设计在底层:任意一条顶层结论,都能一路追到L0的那句话。说用户偏好TypeScript,这个结论来自L2某个场景块,场景块里每条结论追溯到L1原子事实,原子事实最终指向L0里你说过的那句话。证据链不断,压缩可逆——这是它和粗暴摘要的本质区别。1
Mermaid画布:把万字日志压成一张图
长任务里最烧Token的不是对话,是工具日志——搜索结果、代码片段、报错堆栈,动辄几十万Token。它的解法是两步:完整日志写入外部文件,上下文里只留一张Mermaid任务图。节点之间的箭头代表因果关系,done/doing/todo代表进度,图的形状本身就是信息。Agent靠读拓扑结构而不是记碎片来理解任务全貌,需要细节时通过node_id回查。
官方做了消融实验:仅上下文卸载,Token节省约15%;叠加Mermaid画布后提升至31%-33%;在超长Session的WideSearch测试里,两项机制叠加后Token消耗直降61.38%。Token降了,任务完成率反而从33%升到50%——上下文变轻了,AI注意力反而更集中。2
实测数据:连续50个任务,不是单轮跑分
看数据要看测试条件。腾讯在OpenClaw上跑了连续长会话:SWE-bench每个Session连续执行50个任务,模拟真实场景中上下文不断累积的压力。结果:WideSearch成功率33%→50%(Token降61%),SWE-bench通过率58.4%→64.2%(Token降33%),PersonaMem记忆准确率48%→76%。3
用户事实召回这个指标最说明问题:从不到30%飙到79%——意思是以前你跟AI说过十件事,它只能想起三件,现在能想起八件。这不是刷榜,是真实长周期协作体验的质变。1
怎么用:一行命令接进去
目前支持OpenClaw插件接入和Hermes Gateway Docker部署。OpenClaw用户装完插件后,在配置文件里加一行"memory-tencentdb": {"enabled": true}就能启用。默认用SQLite+sqlite-vec本地存储,不需要配外部数据库,数据不出本机。MIT协议,商用随便用。
项目README里有句话挺准:「记忆不是为了让AI囤积所有东西,而是为了让人不必重复所有事情。」GitHub两个月冲到4600+Star,说明这套思路戳中了真实痛点。当你的Agent开始记得住项目的坑、记得住你的偏好、记得住任务走到哪了,它才真正像个能长期共事的同事,而不是每次都像第一天入职的实习生。4
当前文章无评论,是时候发表评论了