上周的 DTCC 大会，我在主会场认真听了一上午，记录了一些笔记，接下来慢慢与大家分享。期间了解到一个关于 Agent 记忆的开源项目，很有趣，也颇具实践价值。下午，我有幸受邀与 ITPUB 的资深编辑以及其他两位 DBA 一同探访腾讯云数据库。
会下，与现场的观众交流时，发掘有几个共性问题：Agent 跑长任务，跑到一半"断片"怎么办。加向量库，或者扩容上下文能不能解决。我听下来的感觉是，大家都或多或少遇到了坎，也隐约知道问题源头在哪，但手头没有现成的良药。
接下来我将带大家拆解的一个开源项目，或许，这就是现阶段的“特效药”。
01. 80 天走完别人一年的路
5 月中旬，腾讯云数据库团队开源了项目：TencentDB Agent Memory。
本项目采用 MIT 协议，GitHub Star 已破 20000，多次登顶 Trending 日榜。8 月 3 日，发布 v2.0.0 大版本，记忆从个人扩展到团队。8 月 25 日，又迭代到 v2.0.1，支持更多客户端、冷启动开箱即用、全新登录页、新增对话记忆搜索。
做 Agent 记忆的项目其实不少，mem0、Zep、mem9 都在更新，我翻过其中几家的仓库和文档。一圈比下来，Agent Memory 不太一样的地方不是算法，而是两个很"数据库"的工程取舍。一个是框架中立，Agent 代码一行不用改，Base URL 指向 Memory Proxy 就算接上了。另一个是把记忆当资产管，每条记忆有 Owner、有版本、有权限边界。前者决定你愿不愿意试，后者决定企业敢不敢用。
说白了，就是拿管数据那套思路来管记忆。这个方向我个人是认同的。
02. 长程任务下，记忆就是能力天花板
我自己用 Coding Agent 写东西，最怕的还不是它写错，是它忘。跑到第三个小时，开头定好的规范它已经不当回事了。这种"转头就忘"，基本是长程任务的头号瓶颈。症状大家多少都中过招。新开一个 Session，架构、规范、偏好得重新交代一遍，跟带实习生入职似的。昨天刚跑通的排障流程，今天换个 Agent 又从零摸起。那把历史一股脑全塞进去呢？Token 烧得肉疼，注意力被稀释，幻觉不降反升。
社区里的老办法基本就两招。一招是暴力截断，只留最近 N 轮，省事了，可关键约束说丢就丢。另一招是全量灌向量库，记性是好了，成本失控，召回噪音大，幻觉跟着涨。一个治成失忆，一个治成记忆混乱。
TencentDB Agent Memory 的思路是把记忆分层、分类、按需装配，而不是在"忘"和"全记"之间二选一。
03. 架构设计
从整体架构来看，TencentDB Agent Memory 分为三层。
最外面是 Memory Proxy 网关。Agent 客户端不用改代码，把请求的 Base URL 指向 Proxy，记忆的写入和注入在网关侧完成。这是"零侵入"的实现方式，也是框架中立的根基。
中间是 Memory Core 记忆内核，负责三件事：L0 到 L3 的分层长期记忆提炼，把跑通的任务自动提炼成可执行的 Skill 技能库，生成 Wiki 知识网络和 CodeGraph 代码索引。
最上面是 Memory Hub 管理操作台，管人、管权限、管装配。Team 和 Agent 的 Loadout 角色配装在这里做，资产的 Private、Team、ACL 三级权限隔离也在这里，历史文档、代码、会话支持一键读档。
这套"内核加操作台"的结构，数据库从业者看着会非常亲切。内核管存取和一致性，操作台管权限和审计，记忆在这里被当成数据库里的数据一样对待。
04. 记忆能力演进
先来看单 Agent 的四层记忆架构。
| 层级 | 名称 | 内容 | 作用 |
|---|---|---|---|
| L0 | Conversation | 原始完整对话 | 追溯原话和时间线 |
| L1 | Atom | 提取出的事实原子、偏好、约束 | 可检索的最小单元 |
| L2 | Scenario | 围绕工作场景组织的上下文块 | Agent 快速进入状态 |
| L3 | Core / Persona | 长期稳定的用户画像与协作认知 | 记住"你是谁" |
这张表看着平淡，功夫在用法上。四层不是平铺着存，是逐层往上"蒸"的：对话里捞事实，事实攒成场景，场景再熬成画像。Agent 平时只读 L2 和 L3，跟老员工凭经验上手一个道理，秒级进入状态。真碰上细节问题，再走 BM25 加向量检索加 RRF 融合排序，回 L1 和 L0 翻原话。外面还套着字符预算和超时控制，防止上下文被撑爆。
做数据库的看到这儿应该会心一笑。先查摘要，命中再回表，这不就是索引嘛。
单 Agent 的记忆解决了，团队怎么办？Memory Hub 把经验拆成四类资产。对话变 Chat Memory，文档转 Wiki，代码库生成 CodeGraph，改一个函数牵连哪些模块，动手之前先算清楚。我觉得最有意思的是 Skill，一次跑通的排障、一次像样的评审，都能固化下来全队复用。装配按角色来，修 Bug 的 Agent 背 CodeGraph 加排障 Skill，做需求分析的领 Wiki 加历史讨论，各拿各的，互不干扰。
一个非常好的 OPC 例子：你自己定目标，侦查员调研，开发者写码，审核组挑刺，Agent Memory 在中间记账，每个 Agent 背自己的 Loadout 装备包。隐私边界也画好了，“共享经验，不共享隐私”，资产默认归创建者，想共享得 Owner 点头。
最后这条容易忽略：记忆资产和模型、框架是解耦的。模型按季度换，工具说换就换，你攒下的 Wiki、Skill、画像却一直在。这些都将成为组织资产的一部分。
05. 降本与提效的账
据权威评测，基于 PersonaMem 评测集，用户画像理解准确率从 48% 提升到 76%，相对提升 59%。事实召回率由 29.63% 提升至 79.07%。对于重度使用 Coding Agent 的团队，月度推理账单里上下文重复占比本来就不低，大幅提升的准确率和召回率，就意味着 Agent 少返工，省下来的时间多干活。降本在明处，提效在暗处，两个都要抓。
目前，TencentDB Agent Memory 已广泛覆盖个人助理、办公协同、客服支持、教育培训、医疗健康、金融服务、电商导购等领域，解决跨会话连续服务与团队经验复用问题。
今年我测试过好几款 AI 数据库，一个体会是：AI 能力进企业，卡点从来不在模型，在工程化和治理。Agent Memory 对企业的价值，我认为以下四条比较重要：
1/ 经验资产化，对抗人员流动。资深工程师的排障套路变成 Skill，项目共识变成 Wiki，存在 Memory Hub 里而不是某个人的脑子里。人走了，Agent 还在，资产还在。
2/ 权限与审计可落地。每条记忆有 Owner、有版本、被哪些 Agent 用过可查，Private 和 Team 和 ACL 三级隔离。企业级场景如果没有这条，前面全是白搭。
3/ 接入成本足够低。Agent Memory v2.0.1 的 Memory Proxy 已支持 Claude Code、Codex CLI、OpenCode、CodeBuddy、WorkBuddy、DeepSeek Harness（dsh）、OpenClaw 等，默认 Agent 自动生成，IDE 资产可导入，会话绑定持久化。已有 GitHub 仓库、文档、历史 Session 也能直接导入生成记忆，老项目不用从零开始。
4/ 换型不丢资产。模型迭代按季度算，记忆资产按年算。绑定任何单一模型厂商的记忆方案，都有沉没风险，MIT 开源加本地部署加框架中立，把主动权留在了企业自己手里。
总之，它把 Agent 从"一次性工具"变成了"会复利的团队资产"。
06. 写在最后
TencentDB Agent Memory 是今年国内 Agent Infra 方向最值得动手试的开源项目之一。它的对手不是某个记忆算法，而是"每个团队自己手搓一套记忆逻辑"的现状。记忆层是 Agent 架构里少数还没有标准答案的环节，谁先把社区标准做出来，谁就拿到下一程的船票。腾讯云数据库这个切入点选得很准。
当然也有风险，项目迭代快，社区用户数不够多，项目还需要经过长时间检验，以及更多生产环境的深入使用案例。
最后留个我最近在思考的问题，欢迎大家一起评论聊聊：
当 Agent 的记忆比团队成员的记忆还全，团队的知识管理范式会不会被彻底改写？
Have a nice day ~ ☕
👉 关注「少安事务所」，与你分享国产基础软件行业资讯。如果这篇文章为你带来了灵感或启发，请帮忙『点赞、转发、推荐』，感谢！ღ( ´･ᴗ･` )~
