テンセントはAIエージェント向けメモリエンジン「TencentDB Agent Memory」をMITライセンスでオープンソース化し、長時間タスクのトークン消費を最大61%削減できると報告しています。[1][5] 外部ストレージに詳細データを退避する「Context Offloading」と、タスク構造をMermaid図で表現する「Task Canvas」により、モデルのコンテキストを軽量化します。[1][7] WideSearchやSWE‑benchなどの評価で成功率向上とトークン削減が報告されていますが、結果はテンセントによる実験データであり独立検証はまだ限定的です。[5][6] What is Tencent Cloud’s newly open-sourced TencentDB Agent Memory, how does its layered memory architecture and “Context Offloading + Mermai TencentDB Agent Memory uses layered memory and a structured task graph to compress agent context and reduce token consumption. AI プロンプト Create a landscape editorial hero image for this Studio Global article: What is Tencent Cloud’s newly open-sourced TencentDB Agent Memory, how does its layered memory architecture and “Context Offloading + Mermai. Article summary: TencentDB Agent Memory is Tencent Cloud’s open-source memory layer for AI agents: it combines long-term personalized memory with short-term context compression so agents can run longer tasks without stuffing every tool r. Topic tags: general, general web. Reference image context from search candidates: Reference image 1: visual subject "3 weeks ago - Tencent Cloud’s Cube Sandbox goes fully open source with five technical breakthroughs, providing a production-grade foundation for AI Agent deployment at industrial s" source context "Tencent Cloud Cube Sandbox Goes Fully Open-Source, with Five Major Breakthroughs Enabling Large-Scale Agent Deployment -" Reference
openai.com AIエージェントには、実はかなり現実的な制約があります。それが**コンテキストウィンドウ(モデルが一度に参照できる情報量)**です。
エージェントが長時間タスクを実行すると、検索結果、ツールの出力、ログ、途中の推論などがどんどん増えていきます。これらをすべてプロンプトに入れると、トークン消費が急増し、モデルが重要な情報に集中しづらくなるという問題が起きます。
この課題に対して、テンセントクラウドが2026年5月にオープンソースとして公開したのがTencentDB Agent Memory です。階層型メモリアーキテクチャと「Context Offloading + Mermaid Task Canvas 」という仕組みを組み合わせ、長時間タスクの情報を整理・圧縮します。テンセントの内部テストでは、トークン消費を最大61%削減 し、長いタスクの成功率も向上したと報告されています。
TencentDB Agent Memoryとは
TencentDB Agent Memoryは、複数ステップのワークフローを実行するAIエージェントのためのオープンソースのメモリエンジン です。プロジェクトはMITライセンス で公開され、以下の2種類の記憶を扱います。
人々も尋ねます 「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」の短い答えは何ですか? テンセントはAIエージェント向けメモリエンジン「TencentDB Agent Memory」をMITライセンスでオープンソース化し、長時間タスクのトークン消費を最大61%削減できると報告しています。[1][5]
最初に検証する重要なポイントは何ですか? テンセントはAIエージェント向けメモリエンジン「TencentDB Agent Memory」をMITライセンスでオープンソース化し、長時間タスクのトークン消費を最大61%削減できると報告しています。[1][5] 外部ストレージに詳細データを退避する「Context Offloading」と、タスク構造をMermaid図で表現する「Task Canvas」により、モデルのコンテキストを軽量化します。[1][7]
次の実践では何をすればいいでしょうか? WideSearchやSWE‑benchなどの評価で成功率向上とトークン削減が報告されていますが、結果はテンセントによる実験データであり独立検証はまだ限定的です。[5][6]
・セッションをまたいで保持する長期メモリ
・長時間タスク中の情報を圧縮する短期メモリ管理
この仕組みにより、エージェントは次のようなことが可能になります。
・ユーザーの好みや過去の作業パターンを覚える
・長いタスクの状態を保持する
・大量のログや検索結果をそのままプロンプトに入れずに済む
つまり、エージェントが毎回すべてを最初から計算し直すのではなく、経験を再利用できる仕組み を作るのが狙いです。
4層構造の長期メモリアーキテクチャ TencentDB Agent Memoryでは、会話やタスクの履歴をそのまま保存するのではなく、4段階の層で知識化 していきます。
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。
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。
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。
・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。
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。
・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。
・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
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。