AI智能體分層長期記憶引擎

TencentDB Agent Memory 核心架構與演進指南

TencentDB Agent Memory（騰訊雲智能體分層長期記憶引擎）是由騰訊雲資料庫團隊面向 AI Agent 長周期任務、超長 Session 開發的開源企業級記憶中樞系統（採用 MIT 開源協議）。該引擎旨在通過本地分層存儲與符號化壓縮，化解長業務場景中的信息遺忘問題，在標準基準測試中，可為大模型減免 50% 以上的 Token 消耗。

1. 四層長期記憶架構 (4-Tier Memory Architecture)

為了防止上下文窗口（Context Window）出現過載或污染，引擎將 Agent 交互產生的數據流嚴格劃分為四個遞進的數據層級：

• L0: 會話層 (Conversation Tier - 動態記憶): 實時接收並完整保留最原始的、未經加工的對話輪次（Raw Turns）。負責在當前活躍窗口內進行無損的 Token 跟蹤，並建立局部狀態變量，供 Agent 進行毫秒級的狀態更新。
• L1: 原子層 (Atom Tier - 結構化記憶): 通過後台異步提取流水線，自動將散亂的對話語料提煉為相互獨立的原子事實（Atomic Facts）、鍵值對實體（KV Entities）、承諾事件以及關係陳述。
• L2: 場景層 (Scenario Tier - 上下文記憶): 按照具體的任務流或用戶流，將相關的原子事實組織成動態的執行拓撲。場景會被序列化為具備版本控制的 Markdown 配置文件，以便進行狀態固化與跨會話恢復。
• L3: 用戶畫像層 (Persona Tier - 全局配置): 跨越數百個獨立歷史會話，對用戶的行為偏好、跨項目知識資產進行最終的全局融合與提煉，自動淘汰過期或衝突的運行時變量。

2. 核心攔截與治理機制

為防止自主智能體在長期運行中由於幻覺或長尾 Session 導致的內存退化，系統在運行層設置了三道核心安全紅線：

• 上下文卸載機制 (Context Offloading): 持續監控當前活躍窗口的 Token 飽和度。當窗口水位觸發 80% 的臨界值時，引擎自動對歷史片段進行摘要提煉，將其推入 L1/L2 存儲層，並在主幹中保留顯式的內存指針（Pointers）。
• 鉤子管控與命令白名單 (Hook Gating): 在智能體執行層實施強隔離。Agent 對全局共享的配置和歷史資產僅具備只讀權限。任何試圖無人類多因素認證（MFA）而直接改寫根 Schema 或系統配置的行為，將直接觸發會話阻斷。
• Mermaid 任務畫布追蹤 (Execution Tracer): 自動將 Agent 的工具調用路徑、依賴節點及錯誤堆棧實時轉化為標準的 Mermaid 關係依賴圖，將黑盒的執行軌跡透明化，以便開發人員進行安全審計與故障復盤。

3. 安裝、部署與網關集成

3.1 基於 OpenClaw 插件接入

如需在您的 OpenClaw 或基於此的自動化研發流中啟用記憶服務，請先在終端安裝官方供應端插件：

openclaw plugins install @tencentdb-agent-memory/memory-tencentdb

隨後打開位於 ~/.openclaw/openclaw.json 的核心配置文件，在 plugins 列表中追加以下元數據，並將激活狀態（enabled）設為 true：

"memory-tencentdb": {
    "enabled": true,
    "storage": "sqlite-vec"
}

系統默認開啟嵌入式 SQLite 及本地向量擴展（sqlite-vec）進行局部緩存，若需分布式或多智能體協同，則需額外配置顯式槽位（slots）參數。

3.2 Hermes 網關獨立部署

針對企業級的生產級獨立接入，推薦使用 Docker 單獨部署 Hermes 網關鏡像，實現網絡調用與主幹核心的物理隔離：

docker run -d --name hermes-gateway -p 8420:8420 tencentcloud/hermes-gateway:latest

Hermes 網關默認在本地 8420 埠暴露標準化 API 路由，請確保企業內部防火牆已將該埠放行給合規的內網服務。

Boardline TencentDB_Agent_Memory