TencentDB-Agent-Memory/README_CN.md

让 Agent 沉淀经验，让人专注创造。

效果亮点 · 项目简介 · 特点 · 快速开始

---

✨ 效果亮点

TencentDB Agent Memory = 符号化短期记忆压缩 + 分层式长期个性化记忆。

• 短期记忆压缩：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。
• 长期个性化记忆：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	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。

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。

---

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 原始对话 → L1 结构化事实 → L2 场景块 → L3 用户画像 的语义金字塔。平时靠高层画像把握用户偏好，需要考证细节时再检索底层事实。
• 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。

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（画像/画布） → 中层索引（场景/JSONL） → 底层原文（L0对话/refs）”的链路进行完美溯源与恢复。

flowchart LR
  subgraph TraceLink["100% 可找回、可恢复的下钻链路"]
    direction TB
    High["高层：符号与结构<br/>(Persona 画像 / Mermaid 画布)"] 
    Mid["中层：摘要与索引<br/>(Scene 场景块 / JSONL 摘要)"]
    Low["底层：完整事实与证据<br/>(L0 原始对话 / refs 原文)"]
    
    High == "需要细节 / 发生疑惑" ==> Mid
    Mid == "凭借 node_id 或引文匹配" ==> Low
  end

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。

graph LR
    Log["繁杂冗长的过程日志<br/>(几十万 Token)"] -->|"1. 卸载完整原文"| FS[("外部文件系统<br/>(refs/xxx.md)")]
    Log -->|"2. 提取关系"| MMD["Mermaid 符号图谱<br/>(带 node_id)"]
    
    MMD -->|"3. 轻量级注入"| Agent(("Agent 上下文<br/>(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

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. 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。

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 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。

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
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