AI智能体分层长期记忆引擎
TencentDB Agent Memory 核心架构与演进指南
TencentDB Agent Memory（腾讯云智能体分层长期记忆引擎）是由腾讯云数据库团队面向 AI Agent 长周期任务、超长 Session 开发的开源企业级记忆中枢系统（采用 MIT 开源协议）。该引擎旨在通过本地分层存储与符号化压缩，化解长业务场景中的信息遗忘问题，在标准基准测试中，可为大模型减免 50% 以上的 Token 消耗。
1. 四层长期记忆架构 (4-Tier Memory Architecture)
为了防止上下文窗口（Context Window）出现过载或污染，引擎将 Agent 交互产生的数据流严格划分为四个递进的数据层级：
- L0: 会话层 (Conversation Tier - 动态记忆): 实时接收并完整保留最原始的、未经加工的对话轮次（Raw Turns）。负责在当前活跃窗口内进行无损的 Token 跟踪，并建立局部状态变量，供 Agent 进行毫秒级的状态更新。
- L1: 原子层 (Atom Tier - 结构化记忆): 通过后台异步提取流水线，自动将散乱的对话语料提炼为相互独立的原子事实（Atomic Facts）、键值对实体（KV Entities）、承诺事件以及关系陈述。
- L2: 场景层 (Scenario Tier - 上下文记忆): 按照具体的任务流或用户流，将相关的原子事实组织成动态的执行拓扑。场景会被序列化为具备版本控制的 Markdown 配置文件，以便进行状态固化与跨会话恢复。
- L3: 用户画像层 (Persona Tier - 全局配置): 跨越数百个独立历史会话，对用户的行为偏好、跨项目知识资产进行最终的全局融合与提炼，自动淘汰过期或冲突的运行时变量。
2. 核心拦截与治理机制
为防止自主智能体在长期运行中由于幻觉或长尾 Session 导致的内存退化，系统在运行层设置了三道核心安全红线：
- 上下文卸载机制 (Context Offloading): 持续监控当前活跃窗口的 Token 饱和度。当窗口水位触发 80% 的临界值时，引擎自动对历史片段进行摘要提炼，将其推入 L1/L2 存储层，并在主干中保留显式的内存指针（Pointers）。
- 钩子管控与命令白名单 (Hook Gating): 在智能体执行层实施强隔离。Agent 对全局共享的配置和历史资产仅具备只读权限。任何试图无人类多因素认证（MFA）而直接改写根 Schema 或系统配置的行为，将直接触发会话阻断。
- Mermaid 任务画布追踪 (Execution Tracer): 自动将 Agent 的工具调用路径、依赖节点及错误堆栈实时转化为标准的 Mermaid 关系依赖图，将黑盒的执行轨迹透明化，以便开发人员进行安全审计与故障复盘。
3. 安装、部署与网关集成
3.1 基于 OpenClaw 插件接入
如需在您的 OpenClaw 或基于此的自动化研发流中启用记忆服务，请先在终端安装官方供应端插件：
openclaw plugins install @tencentdb-agent-memory/memory-tencentdb
随后打开位于 ~/.openclaw/openclaw.json 的核心配置文件，在 plugins 列表中追加以下元数据，并将激活状态（enabled）设为 true：
"memory-tencentdb": {
"enabled": true,
"storage": "sqlite-vec"
}
系统默认开启嵌入式 SQLite 及本地向量扩展（sqlite-vec）进行局部缓存，若需分布式或多智能体协同，则需额外配置显式槽位（slots）参数。
3.2 Hermes 网关独立部署
针对企业级的生产级独立接入，推荐使用 Docker 单独部署 Hermes 网关镜像，实现网络调用与主干核心的物理隔离：
docker run -d --name hermes-gateway -p 8420:8420 tencentcloud/hermes-gateway:latest
Hermes 网关默认在本地 8420 端口暴露标准化 API 路由，请确保企业内部防火墙已将该端口放行给合规的内网服务。