开源模型

90 天 2 万 Star：腾讯把 Agent 的记忆做成了团队资产

2026 年 9 月 14 日

90天2万Star的腾讯开源项目，突破AI记忆复用难题，将对话、技能与知识转化为可分配的团队资产。核心内容： 1. Chat Memory对话记忆：四层蒸馏实现偏好、事实与历史的结构化存储 2. Skill技能库：沉淀可复用的排查、执行等能力，经审核后团队共享 3. LLM-Wiki知识图谱：产品文档与运维手册的结构化知识转化与关联

📮 摘要
同一份项目背景，你在 Claude Code 里讲一遍，换到 Codex 再讲一遍，明天新开会话又讲一遍。腾讯云数据库团队把这件事做成了开源项目——截至 2026 年 9 月 13 日，TencentDB Agent Memory 在 GitHub 上有 26,546 star。它想做的不是「让 AI 记住更多」，而是把记忆变成能分配、能审计、能给不同 Agent 装配的资产。

你大概经历过这个场景。

周一在 Claude Code 里把项目背景讲清楚，周三换到 Codex 开新会话，又从头讲了一遍。同事上周排查了半天的那个故障，这周换个人遇上，还是得重新排查一遍。

不是模型不够聪明。是这些经验从来没被存下来过——它们只活在某个聊天框里，会话一关就散了。

腾讯云数据库团队把这件事做成了一个开源项目：TencentDB Agent Memory。据腾讯云官方发布稿，项目在 2026 年 5 月正式开源，90 天内 GitHub star 突破 2 万，并多次登上 GitHub Trending 第一名。

截至 2026 年 9 月 13 日，GitHub API 显示这个仓库有 26,546 star、2,502 fork。

官方开源文章里有句话点得很准：

记忆不是让 AI 记住所有事，而是让人不必重复所有事。

四类记忆资产：它到底存了什么

多数「Agent 记忆」项目只解决一件事：把对话历史存下来，下次检索出来。

TencentDB Agent Memory 存四样东西。官方把每一类都注册成了一种「Memory Asset」（记忆资产）。

↓ 一图看懂它怎么运转

整体架构：对话 / 工作流 / 文档 / 代码 → 四类记忆资产 → Memory Hub 治理 → 按身份装配给 Agent

01　Chat Memory（对话记忆）

保留偏好、事实、决定和交互历史。每个 Agent 被创建时就自动带上自己的记忆，新会话不用再自我介绍一遍。

它按四层蒸馏：L0 对话原文 → L1 原子记忆 → L2 场景 → L3 画像。这四层的运转方式放到后面专门拆。

02　Skill（技能库）

这层最容易被低估。Agent 完成一次复杂工作后，系统能从对话和工具调用里把过程提出来，变成可复用的技能，再按需注入到指定 Agent。

它不只是一段 prompt。README 里写明，一个 Skill 具备版本、资源文件、触发边界、执行步骤、验证规则。个人技能默认私有，经过审核才能共享给团队并分配。

举个例子：某位开发者排查了一个内存泄漏，过程被沉淀成技能。下次另一个 Agent 遇到同类报错，这套排查步骤会自动出现在它的能力清单里。经验第一次有了载体。

03　Wiki（LLM-Wiki 知识图谱）

把产品文档、设计规格、运维手册转成带链接图的结构化页面。

这一层的思路来源是 Andrej Karpathy 提出的 LLM knowledge base 构想——把文档当作「由 LLM 增量维护的知识产物」，而不是一次性灌进向量库的死数据。项目 README 在致谢里明确写了这一点。

04　CodeGraph（代码图谱）

索引代码符号、文件、调用关系和影响路径。Agent 可以搜、可以读、可以查调用者与被调用者，改代码前先做影响分析。

这个模块的代码基础来自开源项目 colbymchenry/codegraph，README 也做了致谢。

除了存，还要管。 四类资产之上是一套治理体系。可见性分四档：private（只有资产归属人可读，团队管理员也看不到）、team（团队可读）、restricted（精确到用户/角色/Agent 的授权）、agent（团队内定向装配）。角色分两层：全局 System Admin 管用户和团队，团队里再分 Admin 和 Member。

配套的 Memory Hub 控制面板能看到每项资产的归属、版本、状态、使用次数和绑定的 Agent。

记忆是怎么分层的：L0 到 L3 的四层楼

这一节是理解这个项目的关键，也是大部分介绍文章跳过的地方。

把记忆想成一栋四层的档案楼。

•L0 原文层：全量保留每一轮交互。原始记录，不做加工。

•L1 原子层：从原文里自动抽出四类东西——事实、偏好、约束、阶段结论。

•L2 场景层：按任务把原子记忆聚合成知识块。

•L3 画像层：持续蒸馏出稳定的长期画像。

Memory Hub 里的 Chat Memory：L0 原文、L1 原子、L2 场景、L3 核心，四层各占一个池子

层与层之间靠一条管道连起来：提取 → 聚合 → 蒸馏。每一层只干一件事，而且任何一层都可以独立升级或替换。

为什么要分这么细？因为「我用 TypeScript」和「帮我查一下天气」在原始对话里长得一模一样。前者是长期偏好，后者是一次性请求，价值完全不同，但在纯压缩方案里会被平等对待，权重一起被压扁。

分层的意义就在这儿：不同寿命的信息，住不同的楼层。

检索也是分层的，这点比存储更实用。

Agent 处理日常任务时，先加载 L2 场景层和 L3 画像层，用少量 token 快速建立上下文背景。只有当需要精确事实——比如某个配置项的具体值——才回落到 L1 甚至 L0 去捞原文。

回落时用的是混合检索：官方 README 写明是 BM25 + 向量检索 + RRF 融合。BM25 负责关键词精确命中的部分，向量负责语义相近，RRF 把两路结果融合排序。

这里有个细节值得一提：纯向量检索在真实生产里经常翻车，因为错误码、文件路径、版本号这类东西靠语义相似度是找不准的。带上 BM25 是工程上的必要选择。

为了避免检索结果把上下文撑爆，系统还有三重限制兜底：条目数、字符预算、超时。

还有一层设计叫「记忆即装备」。

四类资产统一注册后，通过 Fixed Binding + ACL 决定某个 Agent 能用哪些资产。流程是先按 Team / User / Agent / 可见性收敛出权限范围，再在当前范围里做检索。

这个设计的好处是：换 Agent、换框架、甚至换底层模型，都不用重建记忆系统，重新「装备」一次就行。

知识按需调用，不预加载。 Agent 先通过 /v3/tools/list 发现有哪些能力可用，再用 /v3/tools/call 去读页面、源码或影响路径。文档和代码只在真正被需要时才进入上下文。

存储层面，默认是 SQLite 加本地文件，MongoDB 后端目前标注为实验性、默认关闭。仓库的 topics 里有 local-first，指的应该就是这个。

上手：三步跑通，但有两组参数要填

官方给的快速启动是三行命令：

git clone https://github.com/TencentCloud/TencentDB-Agent-Memory.git

cd TencentDB-Agent-Memory/deploy/global-images

cp .env.example .env

# 填入两组 LLM 参数：memory 组 + proxy 组

./start-all.sh

./start-all.sh 会同时拉起三个服务：

•memory-core：记忆核心，负责分层存储与检索

•memory-hub：团队记忆面板与管理后台

•proxy：代理层，负责零代码接入

启动完成后终端会打印一行可以直接粘进 Agent 配置里的命令。面板地址是 http://localhost:8125。

接入方式是它比较讨巧的一点。 不需要插件、不需要 hook、不需要 MCP Server，只要把 Agent 的 base URL 指向 Proxy 就行。README 列出的已适配清单包括 DeepSeek Harness、Claude Code、Codex、CodeBuddy、WorkBuddy、Hermes、OpenClaw，其他框架可以参照 Generic integration guide 自己接。

冷启动可以直接导入「存档」。 代码库丢进去自动建 CodeGraph，文档丢进去自动生成 Wiki，历史会话丢进去自动抽 Skill 和 Chat Memory。新成员、新 Agent 不必从零开始。

不过要提醒一句：Wiki 和 CodeGraph 是异步构建的，导入之后得等状态变成 ready 才能查。如果你打算把它接进自动化流水线，这段等待时间要算进去。

如果你是老版本升级上来的，MemoryCore/scripts/migrate-v2-to-v3/ 目录下有 v2 到 v3 的数据迁移工具；全新安装可以跳过。

效果数据：官方口径下的两组曲线

项目方公布的 benchmark 数据里，最有意思的是「token 用量」和「任务完成率」同时在往好的方向走。以下数据来自腾讯云官方开源文章，测试方式是给 OpenClaw 接入记忆插件前后做对比：

测试项	类型	接入前	接入后	变化
WideSearch	短期	33%	50%	+51.52%
SWE-bench	短期	58.4%	64.2%	+9.93%
AA-LCR	短期	44.0%	47.5%	+7.95%
PersonaMem	长期	48%	76%	+59%

同一份测试里，WideSearch 的 token 消耗从 221.31M 降到 85.64M，降幅 61.38%；SWE-bench 从 3474.1M 降到 2375.4M，降幅 33.09%。

⚠️ 注意需要说清楚的是，这些是官方公布的数字，不是第三方独立复现的结果。另外 GitHub README 里只保留了 PersonaMem 这一条（48% → 76%），其余几项出现在腾讯云的官方文章里。

WideSearch、SWE-bench 这类测试考察的是「长链路任务中记忆是否真的帮上了忙」，PersonaMem 考察的是「长时间交互后还能不能正确理解并应用用户信息」。前者看任务能力，后者看人设记忆，两个维度互补。

和主流记忆框架比，差别在哪

市面上做 Agent 记忆的开源项目不少，但定位差别很大。下面这张表的 star 数据来自 2026 年 9 月 13 日的 GitHub API：

项目	Star	协议	核心路线
mem0	65,221	Apache-2.0	框架无关的记忆层，向量为主
Graphiti（Zep）	30,846	Apache-2.0	实时时序知识图谱
TencentDB Agent Memory	26,546	见仓库 LICENSE	团队级记忆资产 + 治理
Letta	24,717	Apache-2.0	有状态 Agent 运行时，分层记忆内建
MemOS	11,303	Apache-2.0	自演化记忆操作系统

比 star 数更能说明问题的是路线差异。

mem0 做的是「薄薄一层」。 它把自己定位成框架无关的记忆中间件，你接进来就能用，集成成本低。这是它 6.5 万 star 的重要原因。它主要回答的问题是：这段信息该不该存、存了之后能不能检索出来。

Letta（前身 MemGPT）走的是「厚运行时」路线。 它认为记忆不该是外挂的向量库，而应该是 Agent 运行时的一等公民，用 core / archival / recall 三层来调度。想用它，基本意味着要接受它那套 Agent 运行时。

Graphiti 押注时序。 它解决的是「这个事实什么时候是真的、什么时候被更新了」——知识图谱里每条边都带时间维度。金融、医疗、合规这类必须追溯事实有效期的场景会更在意这件事。

TencentDB Agent Memory 走的是第四条路：把记忆变成资产，然后治理它。

这个差别最直观的体现是它多出来的那堆东西：可见性四档、Owner 归属、版本、状态、使用次数、Agent 绑定、审核共享。前面四家基本不碰这一层。

所以你判断要不要用它，其实不该先问「它记得准不准」，而该先问一句：你需不需要知道「这条记忆谁能用、哪一版有效、该装配给哪个 Agent」。

需要，它就是四家之外唯一的选择。不需要——比如你只是一个人用、只想让 Agent 别忘了上周聊过的事——那 mem0 的集成成本要低得多。

三个还没解决的问题

说好的一面容易，但下面这四点，动手前最好先知道。

第一，它的「重」是设计选择，也是真实成本。 三个服务、两组 LLM 参数（memory 组和 proxy 组都要填）、网关密钥、数据迁移脚本——这套东西跑起来有门槛。官方 roadmap 把「零配置冷启动」放进了 v2.0.1 的计划里，这本身就说明现阶段的冷启动还不够轻。

如果你只是想给单个 Agent 加个记忆，直接上 mem0 加一个向量库，可能半小时就能跑通。

第二，CodeGraph 的覆盖面还在补。 README 的已知限制里写得很明确：CodeGraph 目前优先支持公开的 HTTPS 仓库，私有仓库和 SSH 凭据的支持仍在完善。如果你公司的代码在内网、走 SSH 协议，这一块现在还用不上，得等。

第三，治理能力还差最后一段自动化。 Hub 目前支持手动绑定资产，全自动的记忆路由还在迭代。也就是说，权限和装配这套体系基本是「配好」，而不是「自学习」。

另外仓库的 issue 区目前有 765 个未关闭条目。数量多不一定是坏事，它同时也说明项目迭代很快、社区反馈积极，但接口和实现也确实还有变动的可能，生产环境建议锁定版本。

关于许可证还有一个细节要提醒：README 和腾讯云官方公告都写明是 MIT 协议，但 GitHub API 返回的许可证字段识别结果是 Other。大概率是 LICENSE 文件做了署名定制，但认真要商用的话，动手前自己打开 LICENSE 原文看一眼更稳妥。

记忆正在从功能变成资产

回到开头那个场景。

这个项目最值得注意的，不是它 Star 涨得多快，而是它对「记忆」的定位变了。过去两年，记忆是模型的加分项——加个向量库，把历史对话塞进去，能多记住点东西就算赢。

现在的做法是把它当成资产来管：归谁、什么版本、谁能看、装配给谁。

差别在哪？前者回答「能不能找到」，后者要接着回答「该不该给你、哪一版算数、你现在该用哪一份」。

这个转变背后是个挺朴素的判断：无记忆的循环只是更快地重复；有继承的记忆，每次迭代才有机会优于上一次。

记忆闭环：Agent 完成任务 → 人 / 测试验证 → 复盘写回记忆 → 下次从已有经验出发

当然，代价也很清楚——你要为此多维护三个服务、多填两组密钥、多理解一层权限模型。它解决的是「一个团队和一群 Agent 之间的经验继承」，不是「一个人和一只 Agent 之间的记性」。这两件事的量级不一样，选的工具自然也不该一样。

项目地址

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

90 天 2 万 Star：腾讯把 Agent 的记忆做成了团队资产

立即咨询 JOTO

想把这些做法用到你的业务里?

Start your enterprise AI rollout

Tell us what you need