AI Agent 现在最大的问题很多时候不是不会做事而是做过之后留不下来。这一轮你刚强调“架构图用 Mermaid不要截图”下一轮它可能又回到老样子。偏好、规则、流程往往只存在当前上下文里。会话一结束前面的信息基本就断了。腾讯最近开源了一套面向 Agent 的记忆系统叫 TencentDB Agent Memory。它做的不是简单保存聊天记录而是把对话进一步整理成可检索、可更新、可复用的长期记忆。再往上一层它还把 Skill、Wiki、CodeGraph、Chat Memory 放进统一的团队记忆池里。这套系统值不值得看不只看介绍还是要看链路到底通不通。我们直接从服务入口下手重点测了四件事写入、提炼、检索、更新。先说结论。它最重要的地方不是“能存东西”而是把“先存下来”和“后续理解”拆成了两步。原始对话先落盘保证信息不丢后台再慢慢提炼成结构化记忆进入后续检索链路。这种设计决定了它是不是一个能长期工作的系统。一、它开源的到底是什么一条记忆想真正发挥作用至少要经过四步写入、提炼、检索、更新。哪一步出问题后面的链路就接不上。TencentDB Agent Memory 的特点是把这几步尽量做成了清晰可见的流程。写入了什么提炼出什么检索怎么做遇到冲突怎么处理基本都有对应机制不是一个黑盒。它另外一个值得注意的点是把团队记忆也一起纳入进来了。Skill、Wiki、CodeGraph、Chat Memory 都放进同一个 Memory Hub。这样一来新建的 Agent 继承的就不只是最近几轮对话而是团队之前已经积累下来的协作信息。二、实测它到底能不能记住判断一个 Agent 记忆系统核心其实就看四件事写得快不快提得准不准换种说法还能不能查到规则变了之后怎么更新。1. 时效性原文写入很快结构化记忆有一点延迟我们先写入一条工作习惯“我上午 10 点前不回即时消息下午统一沟通。”结果比较清楚。原始对话几乎是立刻入库的结构化记忆大约十秒后才能查到。原因不复杂。原始对话落盘只是存储动作本身很快后面的提炼要经过模型处理所以会有异步延迟。也就是说它不是完全没有延迟而是把延迟放到了后台没有卡住当前对话。这个结果对聊天场景来说基本够用但如果是批量导入历史数据就不能指望写完马上查到。2. 提炼质量输入方式会影响卡片数量但不会把主题打散我们做了两组对照。A 组一次性输入 3 条协作规范B 组分 3 轮输入 3 条评审规范。结果是一次性说完的内容和分几轮说的内容部分内容会合并为一张卡片其余的更容易被拆成多张卡片。但只要主题接近最后还是会归到同一个场景下面。这说明它不是按轮次机械切分而是会做一定程度的情境归并。所以这里的结论是输入方式会影响记忆卡片的颗粒度但不会明显影响主题归类。一次性输入三条约束分开输入三条约束3. 检索能力默认配置能用但强语义召回不能高估我们写入一条偏好“用户不接受临时语音沟通优先异步文档。”然后换新对话、换说法去查同时禁止他猜测搜索。先用中文切换说法提问:只根据已经保存的记忆回答不要根据常识猜测 我更喜欢使用语音沟通还是异步文档使用英文提问:Would I prefer a quick sync call or an asynchronous document?结果是意思接近的表述能命中。这说明TencentDB 是提炼了对话的内容记忆并不是简单的记忆。场景记忆测试结果三、为什么它不只是“又一个向量库”TencentDB Agent Memory 不是把所有内容直接堆进一个库里就结束了。它把记忆拆成了四层• L0原始对话• L1记忆卡片• L2场景档案• L3人格摘要这套分层本质上是在解决一个很实际的问题原始信息要尽量完整保留但真正注入到上下文里的内容又必须足够精简。这两件事很难靠一层结构同时做好所以它干脆拆开处理。L0 负责保留原文作为证据和回溯基础L1 负责把内容整理成可检索的记忆卡片L2 负责按场景组织L3 则进一步压缩成低成本可注入的摘要。另外它还给主链路留了比较明确的降级空间。比如语义检索没效果时可以退回关键词本轮注入超时可以先跳过去重失败也可以先新增再说。这样做的好处是就算某一步效果一般最坏情况通常也是“这一轮没用上记忆”而不是把整个流程卡死。四、怎么装Windows 极简版Windows 上可以装实际思路不复杂。Docker 用来跑服务Ubuntu 用来执行脚本真正需要做的就是 4 步。第一步装好Docker Desktop Ubuntu打开 Docker Desktop确认能正常运行再到设置里把 Ubuntu 的WSL Integration打开。第二步下载项目并进入deploy/global-images。项目地址是https://github.com/TencentCloud/TencentDB-Agent-Memory。切到feat/server_team分支后下载 ZIP解压后进入deploy/global-images目录。第三步复制配置文件并填写模型 API。把.env.example复制成.env然后重点改这几项MEMORY_LLM_BASE_URL MEMORY_LLM_API_KEY MEMORY_LLM_MODEL PROXY_UPSTREAM_URL PROXY_UPSTREAM_API_KEY PROXY_UPSTREAM_MODEL这里要注意两点BASE_URL一般填到/v1不要填完整接口地址本地安装时MEMORY_CORE_GATEWAY_API_KEY 通常留空。第四步进入 Ubuntu 跑启动命令chmod x ./*.sh ./verify.sh PULL1 ./start-all.sh如果拉镜像有问题也可以试chmod x ./*.sh ./verify.sh ./start-all.sh启动后正常会看到 3 个服务•tdai-memory-core•tdai-memory-hub•tdai-proxy然后再做两步检查浏览器打开http://localhost:8125用global-images目录下生成的.admin-key登录。能进后台基本就说明安装好了。说到底这套安装流程看上去步骤不少但关键就三件事环境准备好.env填对脚本跑起来。五、写在最后以前给 Agent 加记忆很多事情都得在应用层自己补向量化、检索、重排、冲突更新、上下文压缩基本都要自己拼。现在这件事开始往下走了。TencentDB Agent Memory 真正值得关注的不只是它开源了一套长期记忆系统而是它在尝试把 Agent 的记忆能力从一个上层应用功能往更底层的系统能力推进。数据库过去一直在替人保存数据。现在它也开始尝试替 Agent 保存记忆。