2.2 万 Star 只用 4 个月！腾讯开源 Agent 记忆系统，让 AI 终于学会“传承经验“
你有没有过这种感觉：跟 AI 聊了半个小时，好不容易把它"调教"明白了你的项目背景、代码结构、踩坑经验，结果换个新会话，它又失忆了，一切从头再来。
更崩溃的是，当你用多个 Agent 分工干活——一个写代码、一个做测试、一个查资料——它们之间互相不认识，各自的记忆都是孤岛。你今天教给"Builder"的经验，明天"Reviewer"完全不知道。
这不是你的问题，是整个 AI Agent 生态的普遍痛点：Agent 没有长期记忆，经验无法沉淀和传承。
腾讯云最近开源了一个项目，专治这个病。上线 4 个月，GitHub 涨到 22,788 Star，2,080 个 Fork，3 天前还在更新——它就是 TencentDB Agent Memory。
| 项目速览 | |
|---|---|
| 项目名称 | TencentDB Agent Memory |
| 出品方 | 腾讯云（TencentCloud） |
| Github地址 | https://github.com/TencentCloud/TencentDB-Agent-Memory |
| Star / Fork | 22,788 / 2,080 |
| 上线时间 | 2026-04-07（4 个月） |
| 最新版本 | v2.0.0（Team Memory Beta） |
| 开源协议 | MIT |
| 主要语言 | TypeScript |
| 核心定位 | 面向 Agent 团队的 Memory Hub：把对话、文档、代码沉淀为可复用的记忆资产 |
一、痛点：Agent 的"失忆症"，到底有多贵？
先看一个场景。你让 Agent 改一段老代码，它不知道"别重构旧鉴权模块，移动端还在用"，于是咔咔一顿重构，把线上搞挂了。这个代价很高的上下文，不应该靠人每次提醒——但现实就是每个新 Session 都要重新教一遍。
项目的出发点说得很直白：
项目背景讲过了，不该换个 Session 再讲。文档读过了，不该每个 Agent 从第一页重读。一套做法已经跑通，不该下次再摸索一遍。
所以这里的 Memory 不只是"记住对话"。凡是能让下一个 Agent 少走弯路的信息，都应该被保存、组织并复用。
一句话总结它的价值链条：
已有信息 → 可复用记忆资产 → 更少 Turns → 更少返工 → 更稳定的结果和更高的效率
二、四大记忆资产：AI 的"经验值"也能打怪升级
TencentDB Agent Memory 把记忆分成了 4 种资产类型，分别对应 AI 工作中 4 类最值钱的"经验"。
2.1 Chat Memory：一个能记住人和事的大脑
保留偏好、事实、决策和交互历史。每个 Agent 创建时自动获得独立记忆，下次对话不必从自我介绍开始。
别重构旧鉴权模块，移动端还在用。——这种代价很高的上下文，不该靠人每次提醒。
2.2 Skill：一个会积累经验的技能库
Agent 做完复杂工作后，可以从对话和工具调用中自动提炼可复用 Skill。注意，Skill 不只是一段 Prompt——它有版本、资源文件、触发边界、执行步骤和验证规则。
个人 Skill 默认私有，审核后可分享给团队，再配装给其他 Agent。
排障、Review、上线检查——练会一次，全队可用。
2.3 Wiki：一张同时看懂文档和代码的知识地图
把产品文档、设计方案、运维手册自动生成结构化页面与链接图谱（灵感来自 Karpathy 的 LLM Wiki 思路）。
2.4 CodeGraph：给代码建的"关系图谱"
索引代码的符号、文件、调用关系和影响路径。Agent 可以搜索、阅读、查 callers/callees，改代码前先做 impact analysis（影响分析）。
Wiki 不让 Agent 先读完所有文件目录再开工。CodeGraph 不只告诉它"代码在这"，还告诉它"改了可能影响哪"。
三、技术实现：记忆不是聊天记录仓库
官方总结得很有意思：TencentDB Agent Memory 不追求"存下所有东西"，而是解决三个问题——什么值得留下、谁可以使用、下一次怎样少拿但拿对。
整体架构如下：
3.1 记忆逐层生长：L0 → L3
对话不是平铺记录，而是由异步 Pipeline 提炼成不同粒度的记忆：
| 层级 | 保存什么 | 主要用途 |
|---|---|---|
| L0 Conversation | 原始对话与完整上下文 | 核对原话、时间和来源 |
| L1 Atom | 提取的事实、偏好、约束与事件 | 精确召回可执行信息 |
| L2 Scenario | 围绕项目或场景的知识块 | 快速恢复一个工作场景 |
| L3 Core / Persona | 长期画像、稳定模式与高层认知 | 让 Agent 迅速进入语境 |
生成和召回都分层：平时用 L2/L3 快速进入语境，需要具体事实时通过 BM25 + 向量检索 + RRF 回到 L1/L0。结果还会经过条数、字符预算和超时限制——避免记忆反过来占满上下文。
3.2 记忆不是全局 Prompt，而是 Agent 的 Loadout
所有记忆资产统一登记为 Memory Asset，Memory Hub 通过 Fixed Binding + ACL 决定某个 Agent 能带走哪些资产：先按 Team、User、Agent 和可见性缩小权限范围，再按当前问题召回。
换 Agent 或换框架，只需重新装配，不必重新训练。
3.3 知识不整库注入，而是按需调用
文档被整理为可搜索、可沿链接下钻的 Wiki；代码被索引为 CodeGraph。Agent 先通过 /v3/tools/list 发现能力，再用 /v3/tools/call 读取相关页面、源码或影响路径——平时只是可用的工具，只有真正需要时才进入上下文。
四、和普通 RAG 的区别：一张表看懂
很多人问：这不就是 RAG 吗？官方直接给了对比表：
| 能力 | 聊天历史 | 普通 RAG | TencentDB Agent Memory |
|---|---|---|---|
| 跨会话理解用户 | △ | △ | ✅ Chat Memory |
| 沉淀可执行经验 | — | — | ✅ Skill |
| 文档结构与关系 | — | △ 切片检索 | ✅ Wiki + Link Graph |
| 代码调用与影响范围 | — | △ 文本命中 | ✅ CodeGraph |
| Owner / 版本 / 状态 | — | — | ✅ |
| 团队分享与 Agent 配装 | — | — | ✅ |
| 私有 / 团队 / ACL | — | △ | ✅ |
RAG 解决"能查到什么"，Team Memory 还要解决"谁可以用、哪个版本有效、应该给哪个 Agent"。 这是质的区别。
五、安装只要 3 步：零代码接入
最爽的一点：接入不需要插件、Hook 或 MCP Server，只要把 Agent 的 base URL 指向 Proxy，协议不变，零代码。
git clone https://github.com/TencentCloud/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；结束会打印 claude 可直接复制的一行命令
打开 Panel：http://localhost:8125
已适配的 Agent 全家桶：DeepSeek Harness、Claude Code、Codex、CodeBuddy、WorkBuddy、Hermes、OpenClaw——几乎覆盖了主流的全部。没看到你用的？有通用接入指南，也可以直接提 PR 加原生支持。
冷启动更是直接"读档"：导入已有代码库（自动建 CodeGraph）、导入文档（自动生成 Wiki）、导入历史对话 Session（自动提取 Skill 和 Chat Memory）：
不再重新训练每一个 Agent。给它读档。
六、一种玩法：给一个人的公司组一支会成长的 Agent 队伍
官方给了一个很形象的玩法——一个人也能开"公司"，组一支角色互补、经验共享的 Agent 队伍：
Tiny but Serious Inc.
├── 👤 You · 定目标 / 做判断
├── 🔭 Scout · 查资料 / 找机会
├── 🛠 Builder · 写代码 / 做产品
├── 🧪 Reviewer · 测试 / 挑毛病
└── 🧠 Agent Memory · 让经验留在队伍里
你不是在开四个彼此失联的聊天窗口，而是在组一支能继承团队经验的 Agent 小队。不同角色配不同"装备"（Loadout）：
🛠 Builder
├── 产品 Wiki
├── 项目 CodeGraph
└── Feature Delivery Skill
公司可以很小，经验可以一直复利。
隐私方面也考虑到了：新 Chat Memory 和 Skill 默认私有，分享是明确动作，不是默认泄漏。可见性分四级：private（只有 Owner 可读）/ team（团队成员可读）/ restricted（User/Role/Agent ACL 精确授权）/ agent（定向装配给 Agent）。
七、总结：值不值得用？
Benchmark 数据：官方在 PersonaMem（检验 Agent 长期交互后能否正确理解和运用用户信息）上，无记忆 48% → 启用后 76%，相对提升 +59%。
适合谁用：
- 重度使用 Agent 编程的人（Claude Code / Codex / DSH 用户）
- 一个人干多个角色、想用 Agent 队伍提效的独立开发者
- 团队里多人共享 Agent、想沉淀团队经验的中小团队
当前限制（官方自己列的）：
- Wiki 和 CodeGraph 异步构建，需要等待处理完成后才能 ready
- CodeGraph 目前优先支持公开 HTTPS 仓库，私有仓库和 SSH 接入还在完善
- 全自动记忆路由仍在迭代，现在支持人工绑定资产
我的评价：这是目前见过的把"Agent 记忆"讲得最清楚、落得最实的开源项目之一。它没搞玄学，就是老老实实把"什么值得留、谁能用、怎么少拿但拿对"三个问题做成了产品。4 个月 2.2 万 Star，市场已经用脚投票了。
如果你也在被"AI 每次都要从头学"折磨，值得 clone 下来试试。装上之后，你会第一次感觉到：你的 Agent 队伍，是真的在长大。
评论区聊一个：你被 AI"失忆"坑得最惨的一次是什么？ 是忘了背景重新教一遍，还是它自作主张重构了你的老代码？
如果你觉得这篇文章有用，欢迎点赞、收藏、转发三连，让更多被 Agent 记忆困扰的同学看到 🚀
中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。
更多推荐
11
0- 0
已为社区贡献4条内容
所有评论(0)