让 Agent 沉淀经验，让人专注创造。

让 Agent 记住固定流程、沉淀历史经验、复用用户偏好，把人的注意力从重复工作中释放出来，回到创造、判断和生活本身。

效果亮点 · 项目简介 · 特点 · 快速开始

---

✨ 效果亮点

TencentDB Agent Memory = 短期记忆压缩 + 长期个性化记忆。

• 短期记忆压缩：把长任务上下文变轻，让 Agent 不再背着全部工具日志继续推理。
• 长期个性化记忆：把碎片化对话提炼为结构化记忆、场景块和用户画像。

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	Clawpro 成功率	加插件后成功率	相对变化	Clawpro 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%	3474.1	2375.4	−33.09%
短期记忆	AA-LCR	44.0%	47.5%	+7.95%	112.0M	77.3M	−31%
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。

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，让人把注意力留给判断、创造和真正有价值的工作。

真实工作里，很多内容不应该被用户反复交代：固定 SOP、常用分析口径、项目背景、用户偏好等。因此，我们把这些稳定经验沉淀下来，让 Agent 在合适的时候自动复用。

TencentDB Agent Memory 不是简单的历史记录、不可恢复的摘要，也不是单纯的 RAG。我们把记忆设计成一套分层信息管理系统：数据库负责可检索、可过滤、可召回的事实底座；文件系统负责承载可读、可编辑、可逐步展开的任务画布、场景块和用户画像。短期记忆压缩解决长任务中的过程信息过载，长期个性化记忆解决跨会话的用户理解沉淀。

让 Agent 记住该记的，让人专注于更有价值的创造。

它由两块能力组成：

短期记忆压缩：Mermaid无限画布 ✖️ 上下文卸载

长任务里最占上下文的往往不是用户目标，而是工具调用产生的过程信息：搜索结果、网页正文、文件片段、测试日志、报错、diff、中间版本。TencentDB Agent Memory 会把这些完整信息卸载到外部文件，只把摘要、路径和任务状态保留在上下文附近。

工具结果
  └─► refs/*.md               保存完整原文
      └─► offload-*.jsonl     保存工具调用级摘要与 result_ref
          └─► mmds/*.mmd      保存 Mermaid 任务画布
              └─► 上下文      只注入当前任务最需要的结构化状态

这里的关键不是“删掉历史”，而是“折叠历史”：Agent 平时看任务地图，需要细节时再沿着 node_id 和 result_ref 下钻到原始证据。

长期个性化记忆：从信息碎片到用户画像

跨会话记忆面对的是另一个问题：原始对话日志是低密度矿藏，里面有偏好、有事实、有情绪、有长期目标，也有大量噪音。单纯向量检索只能找到“相似片段”，很难挖出用户长期稳定的特质。

TencentDB Agent Memory 用 L0 → L3 的金字塔管线逐层提纯：

上层画像负责让 Agent “懂你”，下层记忆负责在事实细节上兜底。这样 Agent 既能有宏观判断，也能在需要时查到具体证据。

---

快速开始

1. 安装插件

openclaw plugins install @tencentdb-agent-memory/memory-tencentdb
openclaw gateway restart

2. 零配置启用

默认使用本地 SQLite + sqlite-vec 后端。

// ~/.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。

3. 使用 TCVDB 后端（可选）

{
  "memory-tencentdb": {
    "storeBackend": "tcvdb",
    "tcvdb": {
      "url": "http://your-vdb-instance:8100",
      "apiKey": "your-api-key",
      "database": "my_memory_db"
    }
  }
}

4. 启用短期记忆压缩（可选）

{
  "memory-tencentdb": {
    "offload": {
      "enabled": true
    }
  }
}

5. 常用命令

# 导入历史对话，完整执行 L0 → L3 管线
openclaw memory-tdai seed --input conversations.json

# SQLite 数据迁移到 TCVDB
migrate-sqlite-to-tcvdb --help

# 导出腾讯云向量数据库数据
export-tencent-vdb --help

完整配置见 CONFIGURATION.md，CLI 输入格式见 src/cli/README.md。

---

🔧 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 / tcvdb
recall.strategy	"hybrid"	召回策略：keyword / embedding / hybrid（RRF 融合，推荐）
recall.maxResults	5	每次召回条数
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 与 CONFIGURATION.md。

• embedding.* — 远程 embedding 服务（OpenAI 兼容 API）
• tcvdb.* — 腾讯云向量数据库完整参数（含 HTTPS / 自签 CA）
• 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. 渐进式披露：短期压缩任务，长期沉淀用户

TencentDB Agent Memory 的核心不是“多存一点”，而是把信息按密度和用途分层：

• 短期记忆压缩解决“当前任务太长”的问题：把原始工具结果卸载到外部，把任务结构折叠成 Mermaid 画布。
• 长期个性化记忆解决“下次见面不认识你”的问题：把原始对话逐层提纯成结构化记忆、场景块和用户画像。

两者共享同一条工程逻辑：低层保留证据，高层保留结构；平时看高层，需要时下钻到底层。

方向	低层：保真	中层：组织	高层：压缩 / 抽象	目标
短期记忆压缩	refs/*.md 原始工具结果	offload-*.jsonl 工具摘要	mmds/*.mmd Mermaid 任务画布 / metadata	长任务继续做，不被上下文拖垮
长期个性化记忆	L0 原始对话	L1 结构化记忆 / L2 场景块	L3 用户画像 persona.md	下次再见面，Agent 更懂用户

这让 Agent 可以像人一样工作：先看目录，再看章节，最后才翻原始资料。上下文窗口不再是一张越堆越满的桌子，而是一张可以折叠和展开的工作台。

2. 长期个性化记忆：L0 → L3 语义金字塔

长期记忆不是“把聊天记录存起来”这么简单。真正有价值的是从对话碎片中挖出稳定偏好、隐含目标和场景化经验。

层级	产物	信息变化
L0	原始对话	保留事实底座，但噪音最大、密度最低
L1	结构化原子记忆	从对话中提取干净事实，适合语义 + 时序检索
L2	场景块	将相关记忆聚合成场景，理解“在某类情境下用户如何行动”
L3	用户画像	提炼长期偏好、稳定特质和决策风格，作为高密度上下文注入

这套结构类似 DIKW 金字塔：从 Data 到 Information，再到 Knowledge，最后变成 Wisdom。它让 Agent 不只是回忆“用户说过什么”，而是理解“用户可能需要什么”。

3. 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 Scene	需要事实时查 L1 / L0
具体事实、时间、项目细节	L1 Memory / 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。

4. 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 场景块是 Markdown，可以直接打开检查。
• L3 用户画像是 persona.md，可以追溯到对应场景。
• 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“画像 → 场景 → 记忆 → 原文”的链路逐层定位。

5. 异构存储解耦：数据库保事实，文件系统保结构

长期记忆和短期压缩看起来是两套功能，底层其实遵循同一条存储原则：数据库负责可检索的事实，文件系统负责可读可改的结构。

信息类型	存储介质	为什么这样放
L0 / L1 长期记忆底座	SQLite 或 TCVDB	数据量大、需要语义检索和时序查证
L2 / L3 场景与画像	Markdown 文件	需要业务可读、Prompt 可调、渐进式披露
Offload 原文	refs/*.md	原始证据必须完整保留，但不应常驻上下文
Offload 摘要	JSONL	方便按 node_id 检索工具调用历史
Offload 任务结构	Mermaid 文件	让 Agent 和人都能看懂任务如何推进

底层像弹药库，负责稳定、完整、可检索；顶层像作战地图，负责灵活、可读、能快速迭代。短期压缩的画布和长期记忆的画像，本质上都是“给 Agent 看得懂的高密度工作面”。

6. 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
双后端	本地 SQLite + sqlite-vec，或远端 TCVDB
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
数据迁移	支持历史导入、SQLite → TCVDB 迁移、VDB 导出

---

文档

文档	内容
CONFIGURATION.md	完整配置参考、字段说明与高级参数
src/cli/README.md	openclaw memory-tdai seed 历史对话导入说明
scripts/README.memory-tencentdb-ctl.md	运维管理工具说明
CHANGELOG.md	版本变更记录
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 提交，我们会在 24 小时内响应。
• 💡 有想法想交流？ 欢迎在 GitHub Discussions 发起讨论。
• 🛠️ 想贡献代码？ 请先阅读 CONTRIBUTING.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。

---

Roadmap

• 长期个性化记忆（L0 → L3）
• 短期记忆压缩（Context Offload + Mermaid 画布）
• 本地 SQLite 后端与腾讯云向量数据库 TCVDB 后端
• OpenClaw 插件与 Hermes Gateway 适配
• 短期记忆压缩正式产品化上线
• 记忆可迁移：跨 Agent / 跨框架 / 跨设备的导入导出与热迁移
• 更多 Agent 框架适配
• 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。

MIT © TencentDB Agent Memory Team