据[动察 Beating](https://t.me/OneMillion_AI)监测，腾讯云数据库团队耗时6个月，专门攻克“长对话失忆”难题。近日，官方正式开源 **TencentDB Agent Memory**。
—
## 一套面向 AI Agent 的“本地优先”记忆引擎
**TencentDB Agent Memory**是一套为 AI Agent 设计的本地优先记忆引擎。它默认使用 **SQLite + sqlite-vec** 作为本地后端，可作为 **OpenClaw 插件**安装；同时也支持通过 **Hermes Gateway** 接入。
—
## 关键不在“塞进向量库”，而在“分层拆记忆”
它的核心思路并不是把历史对话直接全部写入向量库，而是将记忆拆成两套结构，并按层沉淀：
– **长期记忆（长期沉淀）**
– **L0**：原始对话
– **L1**：原子事实
– **L2**：场景分块
– **L3**：用户画像
分层逐步提炼、沉淀，形成可追溯的记忆链路。
– **短期任务记忆（任务执行期）**
– 将冗长的**工具日志外置到 refs 文件**
– 把**步骤摘要写入 jsonl**
– 用 **Mermaid 画布**保留任务结构，并生成节点索引
—
## 复杂工作流下的高效调用策略
在**30步以上**的复杂工作流中，Agent 平时只需要**读取轻量的 Mermaid 结构图**；当需要查证细节时，再通过 **node_id** 精确回到原始日志。
—
## 官方基准数据：省 Token、增准确
官方基准显示，接入 **OpenClaw** 后：
– **WideSearch** 任务的 Token 消耗：
**221.31M → 85.64M**（降幅 **61.38%**）
– 通过率提升：
相对提升 **51.52%**
在长期记忆评测 **PersonaMem** 上：
– 准确率：
**48% → 76%**
—
## 价值所在：不是“一次性吞掉”，而是“可从高层追溯到底层”
这种设计的关键价值在于：它没有用一次性摘要覆盖历史细节，而是保留了一条从**高层画像—任务画布—底层原文**的完整追溯路径，让记忆既高效又可验证。
原创文章，作者：admin，如若转载，请注明出处：https://www.23btc.com/180319/
