📌 项目地址：TencentCloud/TencentDB-Agent-Memory | ⭐ 7,509 颗星 | 🔧 TypeScript | 📜 未标注
先说结论：这是一套能让Agent记住更长上下文、消耗更少Token的记忆方案
GitHub上7509颗星，可以说明它有实际价值。
项目地址：TencentCloud/TencentDB-Agent-Memory | 语言：TypeScript
解决了什么问题？
AI Agent在执行长任务时，有两个死穴：
- 塞太多历史记录进上下文，Token用量爆炸，调用成本飙升
- 用LLM做一次性摘要，信息丢失严重，后续任务成功率下降
这两个死穴的根源在于：所有记忆被平铺堆叠——要么全部保留，要么一次性压缩。没有中间状态。
腾讯云的方案是两个结构：符号短期记忆 + 分层长期记忆。
核心结构：两层，不是一层
符号短期记忆（Symbolic Short‑term Memory）
不保留工具调用的完整日志，而是把它们压缩成Mermaid符号。这样做的效果是：逻辑结构完整保留，Token用量大幅减少。
实测数据：
| 任务 | 成功率提升 | Token节约 |
|---|---|---|
| WideSearch | +51.52%（33%→50%） | −61.38% |
| SWE‑bench | +9.93%（58.4%→64.2%） | −33.09% |
| AA‑LCR | +7.95%（44.0%→47.5%） | −30.98% |
这些测试不是单轮对话，而是连续50个任务的session，模拟真实的长上下文压力。
分层长期记忆（Layered Long‑term Memory）
不把对话历史扔进向量库，而是提炼成结构化的人物画像（Persona）和场景（Scene）。
效果：PersonaMem准确率从48%提到76%。
如何上手？
安装命令（来自官方npm页面）：
npm install @tencentdb-agent-memory/memory-tencentdb
集成时，在Agent的memory模块配置两层管道。官方提供了与OpenClaw的集成示例（README里的Quick Start部分），通过插件机制注入。
具体怎么做？
– 短期记忆：自动截取工具调用日志，生成符号总结
– 长期记忆：在对话间隔期执行分层压缩
整个过程不需要调用外部API，完全本地运行。依赖Node.js。
和其他记忆方案的区别
市面上多数Agent记忆方案有两种：
- 无脑堆历史：Token爆炸，成本飙升
- LLM一次性摘要：信息丢失严重
TencentDB Agent Memory的做法是：
短期记忆用符号（Mermaid图）而非向量嵌入：保留工具流程的逻辑结构，同时大幅压缩体积。向量化方案的问题是语义模糊，符号化方案保留精确关系。
长期记忆分层存储：人物画像和场景独立存储，不是堆在一个向量池里。所以PersonaMem准确率能从48%飙升到76%。
零外部依赖：不需要OpenAI Embedding、Pinecone等第三方服务。对数据隐私有要求的场景尤其有用。
需要注意什么？
- 项目语言是TypeScript，Node.js版本需要≥18（官方推荐LTS）
- 许可证在项目根目录的LICENSE文件里，使用前自己确认
- 符号短期记忆对工具调用日志的格式有要求：需要结构化JSON或类似规范输出，否则压缩效果打折扣
- 长程记忆分层提炼需要设定合适的轮次间隔，官方建议每10轮对话做一次总结
我觉得
如果你正在做需要长期任务执行或复杂工具链调用的Agent——比如代码修复、持续搜索、多步工作流——这套方案能直接提升成功率并降低运营成本。
如果你只有单轮对话或简单的记忆需求，它的优势不明显。
数据从来不会骗人：61%的Token节约，51%的成功率提升，这些是硬指标。