TencentDB Agent Memory: Wie Tencents Speicherarchitektur lange KI‑Agent‑Aufgaben günstiger und stabiler macht

Die vier Ebenen des Langzeitgedächtnisses

Die Architektur von Tencent organisiert gespeicherte Informationen in vier aufeinander aufbauenden Schichten, die aus Gesprächen nach und nach strukturiertes Wissen erzeugen.

L0 – Raw Dialogue Layer
Speichert vollständige Dialoge und Interaktionen unverändert.

L1 – Atomic Memory Layer
Extrahiert daraus einzelne Fakten, etwa Nutzerpräferenzen, Einschränkungen oder Zwischenergebnisse.

L2 – Scenario Summary Layer
Fasst Erinnerungen nach Aufgaben oder Szenarien zusammen, sodass der Agent Muster aus früheren Abläufen erkennt.

L3 – User Profile Layer
Verdichtet langfristige Verhaltensmuster zu einem kompakten Nutzerprofil.

Der Effekt: Aus einzelnen Gesprächen entsteht Schritt für Schritt wiederverwendbares Wissen, das Agenten bei späteren Aufgaben nutzen können.

Der Kernmechanismus: Context Offloading und Mermaid Task Canvas

Der größte Effizienzgewinn entsteht bei der Verwaltung des kurzfristigen Arbeitskontexts während langer Aufgaben.

Context Offloading

Nach jedem Tool‑Aufruf – etwa beim Abrufen einer Webseite oder beim Ausführen von Code – wird die vollständige Ausgabe außerhalb des Prompts gespeichert. Im Kontextfenster bleibt nur eine kompakte Zusammenfassung oder Referenz.

So verhindern Entwickler, dass große Logs oder Dokumente dauerhaft Platz im Prompt blockieren.

Mermaid Task Canvas

Statt lange Textverläufe zu speichern, bildet Tencent den Fortschritt einer Aufgabe als strukturierte Aufgaben‑Grafik in Mermaid‑Syntax ab – einer textbasierten Diagrammsprache, die etwa in GitHub‑Dokumentationen verbreitet ist.

Diese Canvas funktioniert wie eine Navigationskarte:

• Knoten stehen für einzelne Arbeitsschritte
• Kanten zeigen Abhängigkeiten
• jeder Schritt enthält eine kurze Zusammenfassung oder Statusinformation

Dadurch muss das Modell nicht jede einzelne Nachricht analysieren, sondern kann sich an der Struktur der Aufgabe orientieren. Das spart Tokens und verbessert die Nachvollziehbarkeit komplexer Abläufe.

Tencent beschreibt den Unterschied so: Protokolle dokumentieren alles – aber Karten helfen bei der Navigation. Die Task‑Canvas ist für den Agenten genau diese Karte.

Dynamische Kompression je nach Kontext‑„Füllstand“

Das System überwacht kontinuierlich, wie stark das Kontextfenster ausgelastet ist, und passt die Kompression automatisch an.

Typische Schwellenwerte sind:

• L1‑Zusammenfassungen: Tool‑Ergebnisse werden unmittelbar nach der Ausführung zusammengefasst.
• L2‑Canvas‑Updates: Die Mermaid‑Task‑Grafik wird asynchron aktualisiert.
• L3‑Deep‑Compression: Sobald der Kontext etwa 80 % erreicht, werden ältere Nachrichten stärker komprimiert oder entfernt.

Steigt die Auslastung auf rund 95 %, greift ein Notfallmechanismus, der den Kontext wieder deutlich reduziert.

Gemeldete Benchmark‑Ergebnisse

Tencent veröffentlichte mehrere Leistungswerte aus internen Tests. Diese gelten als Herstellerangaben und wurden bislang nur begrenzt unabhängig überprüft.

Beispiele:

WideSearch

• Erfolgsrate: 33 % → 50 %
• Tokenverbrauch: 221,31 M → 85,64 M (−61,38 %)

SWE‑bench

• Erfolgsrate: 58,4 % → 64,2 %
• Tokenverbrauch: 3474,1 M → 2375,4 M (−33,09 %)

AA‑LCR

• Erfolgsrate: 44,0 % → 47,5 %
• Tokenverbrauch: 112,0 M → 77,3 M (−30,98 %)

PersonaMem

• Genauigkeit: etwa 48 % → 76 % nach Integration des Systems.

Zusätzlich berichtet Tencent von Tests mit 1.540 Aufgaben in Bereichen wie Code‑Generierung, Websuche und Dokumentanalyse. Dabei stieg die Erfolgsquote um 12 % bis 35 %, während der Tokenverbrauch um 33 % bis 64 % sank.

Unterschied zwischen dem April‑Launch und der Open‑Source‑Version im Mai

Tencent stellte Agent Memory bereits im April 2026 vor, allerdings mit anderem Schwerpunkt.

April‑Version

• Fokus auf Langzeitgedächtnis für Agenten
• Einführung der Vier‑Schichten‑Architektur
• erste Tests mit Verbesserungen beim PersonaMem‑Benchmark

Open‑Source‑Release am 14. Mai

• vollständiger Open‑Source‑Stack unter MIT‑Lizenz
• Integration der Kurzzeit‑Kontextkompression
• Einführung des Mechanismus Context Offloading + Mermaid Task Canvas

Kurz gesagt: Während der April‑Release das dauerhafte Gedächtnis betonte, konzentriert sich die offene Version stärker darauf, Kontextüberlastung während laufender Aufgaben zu vermeiden.

Integration in Agent‑Frameworks

Tencent nennt bereits mehrere Frameworks, mit denen das System zusammenarbeitet.

Beispiele:

• OpenClaw, wo Agent Memory als Memory‑Plugin eingesetzt werden kann
• Hermes Gateway / Hermes Agent, mit Docker‑Deployment ab Version 0.3.4

Damit können Entwickler die Speicher‑ und Kompressionsmechanismen in bestehende Agent‑Architekturen integrieren, ohne das gesamte System neu zu entwerfen.

Warum das für die Entwicklung autonomer Agenten wichtig ist

Je stärker KI‑Agenten reale Aufgaben übernehmen – etwa Programmierung, Recherche oder Unternehmensprozesse – desto wichtiger wird die Ökonomie des Kontextfensters.

Lange Tool‑Ketten erzeugen enorme Mengen an Text. Ohne effizientes Speichermanagement steigen Kosten schnell und Modelle verlieren leichter den Überblick.

Der Ansatz von Tencent adressiert beide Probleme gleichzeitig:

• Kosten: Weniger Tokens bedeuten geringere Betriebskosten.
• Zuverlässigkeit: Strukturierte Aufgabenrepräsentationen helfen dem Agenten, komplexe Workflows stabil zu verfolgen.

Sollten sich diese Ergebnisse in unabhängigen Tests bestätigen, könnten Systeme wie TencentDB Agent Memory zu einer wichtigen Infrastruktur‑Komponente für autonome KI‑Agenten werden.

Derzeit stammen die Leistungsdaten jedoch überwiegend aus unternehmensinternen Benchmarks, sodass eine breitere Validierung durch externe Tests noch aussteht.