TencentDB Agent Memory 深度解析为 Agent 打造持久化长效记忆大脑

TencentDB Agent Memory 依靠分层金字塔存储架构 + 向量图关系三模存储底座，彻底解决 AI Agent 跨会话失忆、上下文无限膨胀、历史信息无法精准检索复用三大核心问题，它把对话内容拆分成四层记忆逐层提炼沉淀，同时依靠 Memory Hub 做记忆资产管控，只向当前任务推送匹配的记忆片段，不会把全部历史塞进上下文，既保证 Agent 记住长期偏好、历史决策、业务规范，又严格控制 Token 开销，整体任务准确率大幅提升，还能实现单人 Agent 长期记忆与多 Agent 团队共享记忆两套能力。整套方案不需要同时维护 Redis、向量库、图数据库多套中间件，全部能力统一运行在 TencentDB PostgreSQL 实例内，运维成本大幅降低；整体落地分为三层执行流程：第一层把原始对话、文档、代码日志存入底层存储；第二层自动异步提炼四层记忆资产；第三层在每一轮对话中，按照当前任务、角色、权限精准召回记忆，组装成精简上下文注入大模型，最终实现 Agent 长期不忘事、不重复踩坑、越用越贴合业务需求。

一、核心架构：三层整体技术框架

1.1 存储底座：向量 + 图 + 关系三模一体化存储

TencentDB Agent Memory 底层依托 TencentDB PostgreSQL 实现三合一存储，单库同时承载三类记忆数据，不需要多组件拼接：

1. 语义记忆（pgvector 向量插件）：存储文本向量，实现模糊语义检索、相似历史召回，用来匹配同类任务经验；
2. 关系记忆（Apache AGE 图引擎）：构建实体关系图谱，记录决策因果、任务链路，支撑逻辑推理；
3. 事实记忆（关系数据表）：保存完整对话日志、元数据、操作审计记录，实现精确条件查询与溯源。

多租户隔离通过 PostgreSQL 行级安全策略 RLS 实现，每个 Agent、每个用户只能读取自身归属的记忆数据，不同业务记忆完全隔离，保障数据安全。

1.2 记忆核心：四层分层金字塔长效记忆体系

整套记忆采用自下而上逐层提炼的四层结构，每一层都保留原始来源链接，支持随时回溯原始记录，分层结构如下：

表格

数据流转采用异步提炼管道：L0 原始数据自动向上提炼生成 L1 原子记忆，L1 聚合生成 L2 场景记忆，L2 持续蒸馏形成 L3 核心记忆；提炼过程不会破坏下层原始数据，上层记忆可以随时向下追溯原始对话内容。

1.3 调度中枢：Memory Hub 记忆资产管理平台

Memory Hub 负责全生命周期记忆管控，解决多 Agent、多团队下记忆归属、权限、版本、复用问题，核心能力包含：

1. 资产管理：把记忆拆分为四类可复用资产：Chat 对话记忆、Wiki 文档知识库、CodeGraph 代码图谱、Skill 标准化任务技能；
2. 权限管控：设置记忆归属人、生效版本、访问 ACL，区分个人私有记忆与团队共享记忆；
3. 动态装配：遵循 “全量资产存入资源池，仅把当前任务所需记忆组装进上下文” 原则，根据当前 Agent 角色、任务类型、权限范围，筛选匹配记忆，打包成轻量化 Memory Pack 送入模型上下文，杜绝无关历史信息造成上下文膨胀。

二、完整运行步骤：从记忆写入到精准召回

步骤 1：记忆写入与分层提炼（离线 + 异步执行）

1. 采集原始数据：把 Agent 所有会话对话、工具调用记录、项目文档、代码仓库日志全部存入 L0 原始对话层；
2. 自动提取原子记忆：大模型异步解析 L0 原始内容，拆分出独立事实、偏好、约束，生成 L1 原子记忆，自动生成向量并绑定原始对话 ID；
3. 聚合形成场景记忆：系统自动把同项目、同类型任务的多条原子记忆聚类，归纳出固定任务流程，生成 L2 场景记忆；
4. 蒸馏生成核心记忆：长期持续汇总多场景的稳定规则，沉淀为 L3 核心画像与业务规范，长期持久保存。

步骤 2：会话启动时的记忆精准召回（在线实时执行）

1. 任务识别：接收当前会话的任务描述、Agent 身份、所属团队；
2. 多维度检索：同时执行三类检索：向量相似度检索匹配同类历史场景、图关系检索匹配因果决策链路、条件检索匹配用户长期偏好；
3. 过滤与裁剪：按照权限、任务范围过滤无关记忆，控制记忆总量，把召回内容压缩到合理 Token 大小；
4. 上下文组装：将筛选后的 L3 核心记忆 + L2 场景记忆 + 少量匹配 L1 原子记忆打包，注入系统提示词，完成记忆加载。

步骤 3：记忆迭代闭环

本轮会话产生的新对话自动存入 L0 层，继续向上分层提炼；本轮沉淀的成功处理流程自动固化为 Skill 技能资产，存入 Memory Hub，后续同类任务可直接调用，形成持续迭代的经验闭环。

三、两大记忆模式：个人长效记忆 + 团队共享记忆

3.1 个人 Agent 记忆模式

面向单人长期任务场景，只开启四层分层记忆管道，持续沉淀个人使用习惯、代码规范、历史排障方案；每次新开会话自动加载 L3 用户画像 + 对应场景 L2 记忆，无需反复重复说明需求，实测可最高节省 61.38% 的上下文 Token 消耗，任务回答准确率从 48% 提升至 76%。

3.2 多 Agent 团队记忆模式

开启 Memory Hub 团队资产能力，把全团队历史对话、项目文档、代码库、成功排障案例统一沉淀为四类记忆资产；不同岗位 Agent 自动加载对应资产：开发类 Agent 优先加载代码图谱 + 排障技能，需求类 Agent 优先加载项目 Wiki + 历史沟通记录；记忆资产支持版本管理、权限隔离，团队成员之间可以安全共享经验，避免重复踩坑，实测团队任务完成率从 60% 提升至 80%，长周期复杂任务成本下降 19%。

四、接入部署方案

1. 环境部署：直接基于 TencentDB PostgreSQL 实例开启 pgvector+Apache AGE 插件，无需额外部署多套中间件；
2. 快速接入：通过 OpenClaw 插件一键接入主流 Agent 框架，也可以直接调用 Python/TypeScript 官方 SDK 读写记忆数据；
3. 启停配置：支持开启 / 关闭异步提炼管线，支持手动设置记忆权重、召回数量、上下文预算，灵活平衡记忆丰富度与 Token 开销；
4. 开源版本：2.0.0 beta 版本已开源，采用 MIT 协议，Memory Core、Memory Hub、Proxy 组件全部开放，支持一键脚本快速拉起整套服务。

【相关 FAQ】

问题 1：TencentDB Agent Memory 如何解决 Agent 跨会话失忆问题？

回答 1：TencentDB Agent Memory 依靠四层分层金字塔长效记忆体系，把对话信息逐层沉淀为原子记忆、场景记忆、核心记忆，长期持久存储在 TencentDB 数据库中；每次开启新会话时，系统会自动召回对应场景的核心记忆与场景记忆，不需要重复输入历史信息，彻底解决跨会话记忆丢失，保证 Agent 长期记住用户偏好与历史决策。

问题 2：使用 TencentDB Agent Memory 会不会造成上下文 Token 持续膨胀？

回答 2：不会出现上下文无限膨胀问题。TencentDB Agent Memory 不会把全部历史对话一次性塞进上下文，而是依靠 Memory Hub 做精准装配，只根据当前任务召回匹配的记忆片段；同时分层机制把大量原始对话保存在底层 L0 层，只向上层提炼高密度精简记忆，严格控制送入大模型的文本总量，实测能够最高节省 61.38% 的 Token 消耗。

问题 3：TencentDB Agent Memory 相比 Redis + 向量库 + 图数据库多组件方案有什么优势？

回答 3：TencentDB Agent Memory 采用 TencentDB PostgreSQL 三模一体化架构，向量检索、图关系推理、结构化事实存储全部在单一数据库内完成，不需要维护多套中间件，大幅降低运维复杂度；同时原生支持行级多租户隔离，记忆数据天然安全；分层记忆管线一体化封装，开箱即用，不需要自行开发记忆提炼、记忆召回逻辑，整体开发与运维成本更低。

【参考资料】

[2026-10-20]（材料散落、进度靠盯？我用 WorkBuddy 搭起微信支付特约商户进件系统）

[2026-09-08]（Make Every Mistake Only Once : Team Memory Practices with TencentDB Agent Memory）

[2026-08-13]（Conversations, Documents, Code, and Skills Become Team

[2026-08-11]（腾讯云数据库 AI 服务 Memory 介绍）

[2026-07-31]（TencentDB Agent Memory 团队记忆版本 —— 别让 Agent 每次都重新开始）

[2026-06-08]（Agent Long-Term Memory Feature

[2026-05-13]（TencentDB Agent Memory 正式开源：让 Agent 沉淀经验，让人专注创造）

免责声明：本文仅对 TencentDB Agent Memory 技术原理与落地方案进行技术解读，所有性能数据均来自官方公开评测文档；产品实际运行效果受模型参数、业务场景、数据体量影响，读者可根据自身业务需求选择对应部署版本；本文不构成任何产品采购与技术选型的硬性依据。