L2:场景总结层(Scenario Summary)
将与某个任务或场景相关的记忆聚合,帮助代理识别类似工作流程。
L3:用户画像层(User Profile)
提炼长期稳定的用户行为模式和偏好。
系统效率提升的关键来自 短期工作记忆的处理方式。
当 Agent 调用工具,例如抓取网页或运行代码时,完整输出不会长期留在模型 prompt 中,而是被存储到外部文件或数据库。模型上下文只保留:
在这个任务画布中:
因此模型需要理解的是任务结构,而不是完整的日志历史。腾讯用一个简单比喻解释这种差异:
日志适合记录,而地图适合导航。
典型策略包括:
WideSearch
SWE‑bench
AA‑LCR
PersonaMem
TencentDB Agent Memory 在 2026 年经历了两次关键发布。
4 月版本
5 月 14 日开源版本
简单来说:
腾讯表示,该系统已能与多种 Agent 框架集成,例如:
这意味着开发者可以在现有 Agent 架构中增加记忆与上下文压缩能力,而无需重写整个系统。
随着 AI Agent 从实验走向实际应用,例如:
TencentDB Agent Memory 的思路是同时解决两个问题:
如果这种方法在更多模型和框架中得到验证,它可能成为未来 AI Agent 基础设施层的一部分。
不过目前为止,这些性能提升仍主要来自腾讯公布的数据,真正的效果还需要更多独立测试来验证。
Comments
0 comments