TencentDB Agent Memoryとは？ 長時間タスクのAIエージェントを安く・安定させる新しいメモリアーキテクチャ

L0：Raw Dialogue（生データ層）
会話ログや操作履歴をそのまま保存。

L1：Atomic Memory（原子メモリ層）
会話から事実や結論、ユーザーの好みなどの構造化情報を抽出。

L2：Scenario Summary（シナリオ要約層）
特定のタスクやワークフローごとの経験をまとめる。

L3：User Profile（ユーザープロファイル層）
長期的な行動パターンや好みを圧縮したプロフィールを作る。

このように、会話ログ → 構造化データ → 知識へと段階的に変換することで、エージェントは過去の経験を再利用できるようになります。

最大の特徴：Context Offloading + Mermaid Task Canvas

長時間タスクで最も問題になるのは、短期的に増え続けるコンテキストです。TencentDB Agent Memoryはこれを2つの仕組みで解決します。

Context Offloading

ツール呼び出し（Web取得やコード実行など）の結果は、全文をプロンプトに残さず外部ストレージに保存します。

モデルのコンテキストには、

・要約された情報
・参照リンク
・タスク状態

だけが残ります。

そのため、大量のログや文書がコンテキストを占有し続けることがなくなります。

Mermaid Task Canvas

もう一つの特徴が、タスクの進行状況をMermaid形式のタスクグラフとして管理することです。

MermaidはGitHubなどの技術ドキュメントで使われる図表記述言語で、テキストでフローチャートやグラフを表現できます。

この「タスクキャンバス」では

・ノード：タスクのステップ
・エッジ：依存関係

として整理され、各ノードに簡単な状態や要約が記録されます。

テンセントはこの違いを、次のように説明しています。

「ログはすべてを記録するが、地図は進むべき道を示す。」

つまり、エージェントはすべての履歴を覚える必要はなく、タスクの構造だけ理解すればよいという発想です。

コンテキスト使用量に応じた自動圧縮

TencentDB Agent Memoryは、プロンプトの使用量を監視しながら段階的に情報を圧縮します。

主な仕組みは次の通りです。

・L1圧縮（リアルタイム要約）：ツール実行後に結果を要約
・L2圧縮（タスクキャンバス更新）：ワークフロー構造をMermaidで整理
・L3圧縮（深い圧縮）：コンテキスト使用率が約80％以上で古い情報を強く圧縮

さらに使用率が95％近くになると、緊急圧縮が行われてコンテキストを再び軽量化します。

公表されているベンチマーク結果

テンセントは複数のエージェントベンチマークで性能改善を報告しています。ただし、これらはベンダー自身の実験結果であり、第三者による広範な検証はまだ限定的です。

主な結果は以下の通りです。

WideSearch
成功率：33% → 50%
トークン消費：221.31M → 85.64M（61.38%削減）

SWE‑bench
成功率：58.4% → 64.2%
トークン消費：3474.1M → 2375.4M（33.09%削減）

AA‑LCR
成功率：44.0% → 47.5%
トークン消費：112.0M → 77.3M（30.98%削減）

PersonaMem
精度：約48% → 約76%に向上。

また、コード生成や検索など1,540タスクのテストでは、タスク完了率が12～35％向上し、トークン消費は33～64％削減したと報告されています。

4月の発表と5月14日のオープンソース版の違い

TencentDB Agent Memoryは2026年に段階的に公開されました。

4月の初期リリース
・4層構造の長期メモリを公開
・PersonaMemで性能改善を報告
・主に「セッションをまたぐ記憶」に焦点

5月14日のオープンソース版
・MITライセンスでフルスタックを公開
・短期メモリ圧縮機能を追加
・Context Offloading + Mermaid Task Canvasを中心に説明

つまり、最初の発表が「長期記憶」、その後の公開が「長時間タスクのコンテキスト管理」を主題としていました。

対応しているエージェントフレームワーク

テンセントによると、Agent Memoryはすでに複数のエージェントフレームワークと統合可能です。

例：

・OpenClaw（メモリ拡張プラグインとして動作）
・Hermes Gateway / Hermes Agent（Dockerでの導入をサポート）

これにより、既存のエージェントシステムを大きく作り替えなくても、メモリ機能を追加できます。

なぜAIエージェント競争で重要なのか

AIエージェントが実用化に近づくにつれ、重要になるのはモデルの知能だけではなく運用コストです。

長いタスクでは、ツール呼び出しやログの蓄積によってトークン消費が急増し、コストと推論品質の両方に影響します。

TencentDB Agent Memoryは、

・トークン消費を減らしてコストを下げる
・構造化されたタスク記憶でエージェントの迷走を減らす

という2つの問題を同時に解決しようとしています。

もし今後、さまざまなモデルやフレームワークで同様の効果が確認されれば、こうしたメモリ管理レイヤーは自律型AIエージェントの重要な基盤になる可能性があります。

ただし現時点では、性能向上の多くはテンセント自身のテスト結果であり、今後の独立ベンチマークによる検証が注目されています。