TencentDB Agent Memory ### 让 Agent 沉淀经验，让人专注创造。 TencentCloud%2FTencentDB-Agent-Memory | Trendshift [![npm](https://img.shields.io/npm/v/@tencentdb-agent-memory/memory-tencentdb?color=blue)](https://www.npmjs.com/package/@tencentdb-agent-memory/memory-tencentdb) [![License: MIT](https://img.shields.io/badge/License-MIT-green.svg)](./LICENSE) [![Node](https://img.shields.io/badge/node-%3E=22.16-brightgreen)](https://nodejs.org/) [![OpenClaw](https://img.shields.io/badge/OpenClaw-%3E=2026.3.13-orange)](https://github.com/openclaw/openclaw) [![Hermes](https://img.shields.io/badge/Hermes-Gateway-7B61FF)](https://hermes-agent.nousresearch.com/docs/) [![Discord](https://img.shields.io/badge/Discord-Join-5865F2?logo=discord&logoColor=white)](https://discord.gg/dJQM6mKMF) [效果亮点](#-效果亮点) · [项目简介](#项目简介) · [核心技术](#核心技术拒绝平铺走向分层与符号化) · [方案特点](#-方案特点) · [快速开始](#快速开始)
[English](./README.md) · [**简体中文**](./README_CN.md)
---
## ✨ 效果亮点 > **TencentDB Agent Memory = 符号化短期记忆 + 分层式长期记忆。** > > - **符号化短期记忆**：将厚重的工具日志分层卸载，逐步总结成轻量级 Mermaid 结构符号，大幅降低 Token 消耗的同时提升任务成功率。 > - **分层式长期记忆**：把碎片化对话层层提炼，沉淀出有层次的画像与场景，不再是扁平的向量堆砌。 **作为 OpenClaw 插件接入后**：最高节省 **61.38% Token**，通过率相对提升 **51.52%**；PersonaMem 准确率从 **48%** 提升到 **76%**。 | 记忆能力 | Benchmark | OpenClaw 成功率 | 加插件后成功率 | 相对变化 | OpenClaw Token 消耗 | 加插件后 Token 消耗 | 相对变化 | | :------ | :--- | :---: | :---: | :---: | :---: | :---: | :---: | | **短期记忆** | WideSearch | 33% | **50%** | **+51.52%** | 221.31M | **85.64M** | **−61.38%** | | **短期记忆** | SWE-bench | 58.4% | **64.2%** | **+9.93%** | 3474.1M | **2375.4M** | **−33.09%** | | **短期记忆** | AA-LCR | 44.0% | **47.5%** | **+7.95%** | 112.0M | **77.3M** | **−30.98%** | | **长期记忆** | PersonaMem | 48% | **76%** | **+59%** | — | — | — | > 超长 Session 评测不是单题清空上下文，而是把多个任务拼接到同一个 Session 中连续执行。例如 SWE-bench 每个 Session 连续执行 50 个任务，用来模拟真实长程 Agent 的上下文累积压力。 --- ## 项目简介 **Memory 不是为了让 AI 存下所有东西，而是为了让人不必重复所有事情。** 在实际使用中，我们往往需要反复告诉 Agent 固定 SOP、项目背景、工具习惯和输出格式。这些信息不应该每次重新解释，但同时也不应该被无脑、扁平地全部塞进上下文。 TencentDB Agent Memory 帮助 Agent 学会你的流程、保留任务上下文、复用历史经验。但我们**拒绝暴力的历史堆砌**，也**抛弃不可逆的暴力摘要**。我们将记忆设计为一套极具层次感的系统，以**符号化记忆**解决单次长任务的信息过载，以**记忆分层**解决跨会话的经验沉淀。 > **让 Agent 记住该记的，让人把注意力留给判断、创造和真正有价值的工作。**

Agent Memory 微信社群二维码
📱 扫码加入 Agent Memory 微信社群，与早期开发者直接对话

## 核心技术：拒绝平铺，走向分层与符号化 TencentDB Agent Memory 的设计理念围绕两个核心展开：**记忆分层** 与 **符号化记忆**。这不仅让 Agent “记得更多”，更重要的是“想得更清”。 ### 1. 记忆分层：渐进式披露与异构存储 传统的记忆系统往往将所有数据切片并平铺为向量，召回时如同在一堆毫无关联的便利贴中寻找线索，缺乏宏观视角的指引。 我们认为，**不管是长期的知识、短期的任务，还是未来的经验能力，记忆都不应该平铺，生成和召回都必须有层次**。TencentDB Agent Memory 将“分层”作为整个架构的统一设计哲学： * **短期记忆（上下文卸载/任务）的分层**：底层保留原始、厚重的工具调用结果（`refs/*.md`），中层抽取步骤摘要（`jsonl`），高层则浓缩为一张极度轻量的 Mermaid 任务画布。Agent 在上下文中仅需关注高层结构，遇错时再沿着 `node_id` 下钻到底层查证。 * **长期个性化（用户理解）的分层**：打破扁平的历史记录，建立 **L0 Conversation**（原始对话） → **L1 Atom**（结构化事实） → **L2 Scenario**（场景块） → **L3 Persona**（用户画像）的语义金字塔。平时靠高层 Persona 把握用户偏好，需要考证细节时再检索底层 Atom。 * **技能生成（Skill与动作沉淀，Roadmap）的分层**：记忆不应仅限于“知道什么”，还应包括“会做什么”。我们正在将分层延伸至动作域：从底层的执行轨迹（Traces）与报错日志中，中层归纳出共性的解决模式，高层最终提炼出可直接挂载复用的 Skill 或标准 SOP 代码。

TencentDB Agent Memory L0 to L3 semantic pyramid

**渐进式披露与异构存储**：为了支撑这种无处不在的分层，我们设计了底层数据库与上层文件系统结合的存储方案。底层（海量事实、日志、轨迹）存入数据库或归档文件，确保稳定与全量检索；高层（画像、场景、画布、Skill）存入业务可读的文件系统（Markdown），确保高信息密度、逻辑清晰与白盒可调。**低层保留证据，高层保留结构。** **每一条信息都 100% 可找回、可恢复**：压缩或抽象最大的风险是“丢失证据”。得益于严格的索引映射机制，系统内没有任何一段摘要是“不可逆”的黑盒。无论是短期记忆中被卸载的一段报错日志，还是长期记忆里总结出的一条用户偏好，Agent 或开发者都可以沿着“高层符号（Persona / 画布） → 中层索引（Scenario / JSONL） → 底层原文（L0 Conversation / refs）”的链路进行完美溯源与恢复。
Retrievable and Recoverable Drill-Down Chain
### 2. 符号化记忆：用最少符号表达最多语义（Mermaid 画布） 长程任务中最消耗 Token 的往往是繁杂的过程日志（如搜索结果、代码、报错）。为此，我们结合 **上下文卸载 (Context Offloading)** 提出了 **符号化记忆**： * **Mermaid 符号图谱**：取代冗长的自然语言或扁平的 JSON，我们使用高密度、强拓扑的 Mermaid 语法来描绘任务状态流转，既能被 LLM 精准理解，也方便人类阅览。 * **历史折叠与卸载**：完整工具日志被卸载到外部文件系统，上下文仅保留轻量级的 Mermaid 任务地图。 * **基于 `node_id` 的溯源**：Agent 看着符号图谱推理，如需核对细节，直接 grep 图谱上的 `node_id` 即可瞬间找回完整原文，既大幅降本又保全了 100% 可追溯性。 ```mermaid graph LR Log["繁杂冗长的过程日志
(几十万 Token)"] -->|"1. 卸载完整原文"| FS[("外部文件系统
(refs/xxx.md)")] Log -->|"2. 提取关系"| MMD["Mermaid 符号图谱
(带 node_id)"] MMD -->|"3. 轻量级注入"| Agent(("Agent 上下文
(几百 Token)")) Agent -. "4. 随时按 node_id 下钻恢复原文" .-> FS style Log fill:#f1f5f9,stroke:#94a3b8,stroke-dasharray: 5 5 style FS fill:#f8fafc,stroke:#cbd5e1 style MMD fill:#eff6ff,stroke:#3b82f6,stroke-width:2px style Agent fill:#fffbeb,stroke:#f59e0b,stroke-width:2px ``` --- ## 快速开始 本节只介绍 **standalone 本地模式**：Memory Gateway 运行在本机或容器内，默认使用本地 `SQLite + BM25`，不依赖云端 Memory 服务。 > 默认不设置 `TDAI_GATEWAY_API_KEY`，因此 Gateway 不校验固定 Bearer 密钥。v2 SDK 仍会按协议发送非空 `apiKey` 和 `serviceId` header；standalone 约定使用 `apiKey = "local"`、`serviceId = "default"` 即可。 ### 方式一： 直接使用远端 standalone 容器镜像 镜像已发布到 Docker Hub，并提供 multi-arch tag，会自动匹配当前系统架构（amd64 / arm64），无需本地构建： ```bash docker pull agentmemory/hermes-memory:1.0.0-beta docker pull agentmemory/openclaw-memory:1.0.0-beta ``` ### 1.2 零配置启用 默认使用本地 `SQLite + sqlite-vec` 后端。 ```jsonc // ~/.openclaw/openclaw.json { "memory-tencentdb": { "enabled": true } } ``` 启用后，TencentDB Agent Memory 会自动完成对话录制、记忆提取、场景归纳、用户画像生成和下一轮对话前召回。 ### 1.3 启用短期记忆压缩（可选，要求版本 ≥ 0.3.4） ```jsonc { "memory-tencentdb": { "config": { "offload": { "enabled": true } } } } ``` #### 步骤 1 —— 在插件配置中注册 slot 在 `slots` 字段中声明 `contextEngine`，让 OpenClaw 把上下文卸载请求路由到本插件： ```jsonc { "plugins": { "slots": { "contextEngine": "memory-tencentdb" } } } ``` #### 步骤 2 —— 执行 patch 脚本 为保证最佳效果，请执行以下 patch 脚本。该脚本会注入 `after-tool-call` 消息钩子，让工具调用结果能被正确卸载与回溯： #### Hermes + Memory（standalone） ```bash docker run -d --name hermes-memory \ --restart unless-stopped \ -v hermes-memory-data:/opt/data \ -e MODEL_API_KEY="" \ -e MODEL_BASE_URL="https://api.lkeap.cloud.tencent.com/v1" \ -e MODEL_NAME="deepseek-v3.2" \ -e MODEL_PROVIDER="custom" \ agentmemory/hermes-memory:1.0.0-beta # 进入 Hermes 对话 docker exec -it hermes-memory hermes # 查看容器内 Memory Gateway 健康状态 docker exec hermes-memory curl -s http://127.0.0.1:8420/health ``` > 如果复用了旧的 `hermes-memory-data` volume，容器会继续读取已有的 `/opt/data/config.yaml` 和 `/opt/data/.env`。当你更换 `MODEL_API_KEY`、`MODEL_BASE_URL`、`MODEL_NAME` 或 `MODEL_PROVIDER` 时，请在 `docker run` 中额外加入 `-e HERMES_CONFIG_OVERWRITE=1` 让配置重新生成；如果删除 volume，则会同时清空本地记忆数据。 #### OpenClaw + Memory（standalone） ```bash docker run --rm -it --name openclaw-memory \ -p 18789:18789 \ -v openclaw-memory-data:/home/node/.openclaw \ -v openclaw-memory-store:/opt/data \ -e MODEL_API_KEY="" \ -e MODEL_BASE_URL="" \ -e MODEL_NAME="<模型ID>" \ -e OPENCLAW_CONFIG_OVERWRITE=1 \ agentmemory/openclaw-memory:1.0.0-beta \ openclaw-memory-tui ``` OpenClaw 和 Hermes standalone 容器内部都会自带 `127.0.0.1:8420` Memory Gateway，正常使用不需要把 `8420` 映射到宿主机。只有当你要从宿主机直接调试容器内 Gateway 时，才额外加 `-p 8421:8420` 这类非冲突端口映射。 ### 方式二： 直接启动 standalone Memory 服务 如果你只想启动 Memory Gateway，然后通过 SDK 或自己的 Agent 调用： ```bash git clone cd tdai-memory-openclaw-plugin npm install TDAI_GATEWAY_CONFIG="$PWD/tdai-gateway.standalone.yaml" \ TDAI_GATEWAY_HOST=127.0.0.1 \ TDAI_GATEWAY_PORT=8420 \ TDAI_DATA_DIR="$HOME/.memory-tencentdb/memory-tdai" \ TDAI_LLM_API_KEY="" \ TDAI_LLM_BASE_URL="https://api.openai.com/v1" \ TDAI_LLM_MODEL="gpt-4o" \ node --import tsx/esm src/gateway/server.ts ``` 验证服务： ```bash curl http://127.0.0.1:8420/health ``` 默认不配置 `TDAI_GATEWAY_API_KEY`，即 standalone 服务不启用固定密钥校验；如果要暴露到公网或局域网，请显式设置 `TDAI_GATEWAY_API_KEY` 并在客户端使用同一个密钥。 该方案适合希望自己开发 Agent Memory 适配层的用户：你可以只启动 Memory Gateway，然后在自己的 Agent 框架里通过 v2 SDK 完成对话写入、记忆召回和工具暴露。当前项目已提供两个可参考的 adapter 实现： - [OpenClaw 适配参考](./openclaw-plugin/README_CN.md) - [Hermes v2 适配参考](./hermes-plugin/memory/memory_tencentdb_v2/README_CN.md) SDK 完整接口与本地包构建参考：[TypeScript SDK 文档](./sdk/typescript/README_CN.md) / [Python SDK 文档](./sdk/python/README_CN.md)。 ### 方式三： Node.js SDK 使用 安装： ```bash npm install @tencentdb-agent-memory/memory-sdk-ts ``` 示例： ```ts import { MemoryClient } from "@tencentdb-agent-memory/memory-sdk-ts"; const client = new MemoryClient({ endpoint: "http://127.0.0.1:8420", apiKey: "local", // standalone 默认即可；若设置了 TDAI_GATEWAY_API_KEY，改成对应密钥 serviceId: "default", // standalone 默认空间 }); await client.addConversation({ session_id: "quickstart-session", messages: [ { role: "user", content: "我喜欢用 TypeScript 写工具脚本。" }, { role: "assistant", content: "好的，我会记住这个偏好。" }, ], }); const conversations = await client.queryConversation({ session_id: "quickstart-session", limit: 10, }); console.log(conversations.messages); // L1 记忆是异步抽取的；对话足够多或等待 pipeline 后可检索： const memories = await client.searchAtomic({ query: "TypeScript 偏好", limit: 5 }); console.log(memories.items); ``` - [Node.js SDK简介](./sdk/typescript/README_CN.md) ### 方式四： Python SDK 使用 安装： ```bash pip install tencentdb-agent-memory-sdk-python ``` 示例： ```python from tencentdb_agent_memory import MemoryClient client = MemoryClient( endpoint="http://127.0.0.1:8420", api_key="local", # standalone 默认即可；若设置了 TDAI_GATEWAY_API_KEY，改成对应密钥 service_id="default", # standalone 默认空间 ) client.add_conversation( session_id="quickstart-session", messages=[ {"role": "user", "content": "我喜欢用 Python 做数据处理。"}, {"role": "assistant", "content": "好的，我会记住这个偏好。"}, ], ) conversations = client.query_conversation( session_id="quickstart-session", limit=10, ) print(conversations["messages"]) # L1 记忆是异步抽取的；对话足够多或等待 pipeline 后可检索： memories = client.search_atomic(query="Python 偏好", limit=5) print(memories["items"]) ``` - [Python SDK简介](./sdk/python/README_CN.md) --- ## 🔒 Gateway 安全配置（可选） Hermes Gateway 监听 `:8420`，对外提供 capture / search / recall 的 HTTP 接口。新增两个开关，可以把它从“开放的本地 sidecar”切换为“需要鉴权的网络服务”。**两个开关默认都关闭，已有部署的行为不变。** | 字段 | env | 默认值 | 说明 | | :--- | :--- | :--- | :--- | | `server.apiKey` | `TDAI_GATEWAY_API_KEY` | _(未设置)_ | 设置后，除 `GET /health` 外的所有接口都要求 `Authorization: Bearer `；缺失或错误的 token 返回 HTTP 401。Token 比较使用常量时间算法，避免时序侧信道。 | | `server.corsOrigins` | `TDAI_CORS_ORIGINS`（逗号分隔） | `[]` | CORS 白名单。空列表表示**不发送**任何 `Access-Control-Allow-*` 响应头，浏览器同源策略会自动阻止跨域请求。`["*"]` 仅供本地开发，不要用于生产。 | 当 `apiKey` 未设置时，Gateway 启动时会打印一条 `WARN`；如果同时还绑定在非 loopback 地址（例如 `0.0.0.0`），还会再打印一条更醒目的告警。 客户端在启用鉴权后用 Bearer token 调用： ```bash curl -H "Authorization: Bearer $TDAI_GATEWAY_API_KEY" \ -H "Content-Type: application/json" \ -d '{"query":"...","session_key":"..."}' \ http://127.0.0.1:8420/recall ``` `GET /health` 永远无需 token，方便 `docker healthcheck` / `kubectl liveness` 等编排探针继续工作。 ### Hermes 插件侧的配置 Hermes `memory_tencentdb` 插件本身是 Gateway 的**客户端**。当 Gateway 开启了鉴权后，在 Hermes 进程上设置： ```bash export MEMORY_TENCENTDB_GATEWAY_API_KEY="<与 Gateway 同一份密钥>" ``` 插件随后会在每一次发往 Gateway 的请求上附带 `Authorization: Bearer `。该变量未设置时，插件不发送任何鉴权头，与 Gateway 维持开放模式的旧行为完全匹配——已有部署 0 影响。 需要明确的边界：**插件只负责 client 一侧**。Gateway 是否真的强制鉴权由 Gateway 端自己的 `TDAI_GATEWAY_API_KEY` / `server.apiKey` 决定。两端要使用相同的密钥才能匹配；插件不会把这个值传递给 Gateway——因为 Gateway 可能由 Docker、systemd 或其它独立机制拉起，插件没有也不应该去管这个。 若 `MEMORY_TENCENTDB_GATEWAY_API_KEY` 没设置，插件还会回退读取 `TDAI_GATEWAY_API_KEY`，方便两个进程共享同一个 env 文件、只设一个变量名的场景。Gateway 永远不会读 `MEMORY_TENCENTDB_GATEWAY_API_KEY`，那是插件侧专用名字。 --- ## 🔧 可调参数 **所有字段均有合理默认值，零配置即可跑。** 如果要调优，可以按使用深度逐层展开。
🟢 Level 1 · 日常调参（覆盖 90% 使用场景） | 字段 | 默认 | 说明 | | :--- | :--- | :--- | | `storeBackend` | `"sqlite"` | 存储后端：`sqlite` | | `recall.strategy` | `"hybrid"` | 召回策略：`keyword` / `embedding` / `hybrid`（RRF 融合，推荐） | | `recall.maxResults` | `5` | 每次召回条数 | | `recall.maxCharsPerMemory` | `0` | 单条 L1 记忆注入的最大字符数；`0` 表示不限制 | | `recall.maxTotalRecallChars` | `0` | 每轮 auto-recall 注入的 L1 记忆总字符预算；`0` 表示不限制 | | `pipeline.everyNConversations` | `5` | 每 N 轮对话触发一次 L1 记忆提取 | | `extraction.maxMemoriesPerSession` | `20` | 单次 L1 最多提取多少条 | | `persona.triggerEveryN` | `50` | 每 N 条新记忆触发用户画像生成 | | `offload.enabled` | `false` | 是否启用短期记忆压缩 |
🟡 Level 2 · 进阶调优（长任务 / 长 Session 场景） | 字段 | 默认 | 说明 | | :--- | :--- | :--- | | `pipeline.enableWarmup` | `true` | Warm-up：新 session 从 1 轮起触发，每次翻倍至 N（1→2→4→…） | | `pipeline.l1IdleTimeoutSeconds` | `600` | 用户停止对话多久后触发 L1 | | `pipeline.l2MinIntervalSeconds` | `900` | 同 session 两次 L2 之间的最小间隔 | | `recall.timeoutMs` | `5000` | 召回超时阈值，超时跳过注入不阻塞对话 | | `extraction.enableDedup` | `true` | L1 向量去重 / 冲突检测 | | `capture.excludeAgents` | `[]` | Glob 模式排除特定 Agent（如 `bench-judge-*`） | | `capture.l0l1RetentionDays` | `0` | L0/L1 本地文件保留天数，`0` = 永不清理 | | `offload.mildOffloadRatio` | `0.5` | 温和压缩触发比例（占 context window） | | `offload.aggressiveCompressRatio` | `0.85` | 激进压缩触发比例 | | `offload.mmdMaxTokenRatio` | `0.2` | MMD 注入 token 预算比例 | | `bm25.language` | `"zh"` | 分词语言：`zh`（jieba） / `en` |
🔴 Level 3 · 完整参数表（运维 / 自定义模型 / 远程 embedding） 完整字段、类型、约束见 [`openclaw.plugin.json`](./openclaw.plugin.json) 。 - `embedding.*` — 远程 embedding 服务（OpenAI 兼容 API） - `embedding.sendDimensions`（默认 `true`）：是否在请求体中携带 `dimensions` 字段。OpenAI `text-embedding-3-*` 系列依赖该字段做 Matryoshka 维度截断；但部分自托管 / 开源模型（如 **BGE-M3**）不支持自定义维度，会以 HTTP 400 报 `does not support matryoshka representation` 拒绝请求。此时请显式设为 `false`，例如： ```json { "embedding": { "enabled": true, "provider": "openai", "baseUrl": "http://your-host:your-port/v1", "apiKey": "", "model": "bge-m3", "dimensions": 1024, "sendDimensions": false } } ``` - `llm.*` — 独立 LLM 模式（绕过 OpenClaw 内置模型，用指定 API 跑 L1/L2/L3） - `offload.backendUrl / backendApiKey` — 将 L1/L1.5/L2/L4 offload 流程卸载到后端服务 - `report.*` — 指标上报
--- ## 🤔 方案特点 ### 1. 宏观画像 + 微观事实：同一套下钻机制降低幻觉 压缩最大的风险是“省了 Token，也丢了证据”。因此 TencentDB Agent Memory 没有把历史压成一段不可恢复的 summary，而是保留了从高层摘要回到底层证据的路径。 | 问题类型 | 优先使用 | 继续下钻 | | :--- | :--- | :--- | | 日常偏好、表达风格、长期目标 | L3 Persona / L2 Scenario | 需要事实时查 L1 Atom / L0 Conversation | | 具体事实、时间、项目细节 | L1 Atom / L0 Conversation | 命中不足时扩大时间范围或语义检索 | | 当前长任务继续执行 | Active MMD 任务画布 | 摘要不够时查 JSONL，再读 `refs/*.md` 原文 | | 历史任务恢复 | Metadata 任务入口 | 打开 MMD → 找 node_id → 追 result_ref | 上层负责“情商”和方向，下层负责“证据”和精度。短期压缩和长期记忆在这里合成一条闭环：**能折叠，也能展开；能抽象，也能追证。** ### 2. 白盒可调试：记忆不是黑盒向量 很多记忆系统的问题是：召回错了，你只能看到一串向量分数，很难判断到底哪里错。TencentDB Agent Memory 把关键中间产物保存在可读文件里： - L2 Scenario 块是 Markdown，可以直接打开检查。 - L3 Persona 存放在 `persona.md`，可以追溯到对应的 Scenario。 - 短期任务画布是 Mermaid，既能给人看，也能给 Agent 读。 - 原文、摘要、节点之间有 `result_ref` 和 `node_id` 关联。 这意味着调试不再是翻黑盒数据库，而是沿着“Persona → Scenario → Atom → Conversation”的链路逐层定位。 **这些分层记忆产物都存放在 `~/.openclaw/memory-tdai/` 下，可以直接打开目录逐层查看。** ### 3. 工程能力完整：不是 Demo，而是可接入的插件 | 能力 | 说明 | | :--- | :--- | | OpenClaw 插件 | 安装后即可自动捕获、提取、召回记忆 | | Hermes Gateway 适配 | `TdaiCore + HostAdapter` 解耦宿主框架 | | 本地后端 | `SQLite + sqlite-vec`，开箱即用 | | 混合检索 | BM25 + 向量 + RRF，兼顾关键词和语义召回 | | Agent 工具 | `tdai_memory_search` / `tdai_conversation_search` | --- ## 文档 | 文档 | 内容 | | :--- | :--- | | [`scripts/README.memory-tencentdb-ctl.md`](./scripts/README.memory-tencentdb-ctl.md) | 运维管理工具说明 | | [`CHANGELOG.md`](./CHANGELOG.md) | 版本变更记录 | | [`openclaw.plugin.json`](./openclaw.plugin.json) | OpenClaw 插件声明与配置 Schema | --- ## 社区与贡献 我们欢迎一切形式的贡献——Bug 反馈、功能建议、文档勘误、Benchmark 复现、生态集成，或者一个 Pull Request 都可以。Agent 记忆这件事远未有定论，希望和大家一起把它做出来。 - 🐞 **发现 Bug 或有疑问？** 欢迎到 [GitHub Issues](https://github.com/Tencent/TencentDB-Agent-Memory/issues) 提交，我们会在 24 小时内响应。 - 💡 **有想法想交流？** 欢迎在 [GitHub Discussions](https://github.com/Tencent/TencentDB-Agent-Memory/discussions) 发起讨论。 - 🛠️ **想贡献代码？** 请先阅读 [CONTRIBUTING.md](./CONTRIBUTING_CN.md)。 - 💬 **想加入交流群？** 扫码加入 **Agent Memory 微信社群**，与早期开发者直接对话。

Agent Memory 微信社群二维码 --- ## Roadmap - [x] 长期个性化记忆（L0 → L3） - [x] 短期记忆压缩（Context Offload + Mermaid 画布） - [x] 可用本地 SQLite 后端与腾讯云向量数据库 TCVDB 后端 - [x] OpenClaw 插件与 Hermes Gateway 适配 - [ ] 记忆可迁移：跨 Agent / 跨框架 / 跨设备的导入导出与热迁移 - [ ] Skill自动生成 - [ ] 可视化调试与记忆观测面板 ---
如果 TencentDB Agent Memory 对你有所帮助，欢迎为项目点亮 ⭐ 支持。
如果有任何建议，欢迎提出issue讨论。 		Star TencentDB Agent Memory
[MIT](./LICENSE) © TencentDB Agent Memory Team