騰訊開源 TencentDB Agent Memory：用分層記憶同「任務畫布」令 AI Agent 更慳 Token

L0：原始對話層（Raw Dialogue Layer）
完整保存對話與任務互動紀錄。

L1：原子記憶層（Atomic Memory Layer）
從對話中抽取結構化資訊，例如用戶偏好、限制條件或任務結論。

L2：場景摘要層（Scenario Summary Layer）
把與某一類任務相關的記憶整合，幫助 Agent 在類似工作流程中快速回想經驗。

L3：用戶檔案層（User Profile Layer）
提煉長期行為模式與偏好，形成精簡的用戶 Profile。

結果係：原本零散嘅對話資料會逐步轉化成可重用的結構化知識，Agent 可以「記得」過往經驗，而唔需要每次重新計算。

核心技術：Context Offloading + Mermaid 任務畫布

系統最大嘅效率提升，其實來自 短期工作記憶管理。

Context Offloading

當 Agent 執行工具，例如抓取網頁或執行程式時，完整輸出會被儲存在 外部存儲。

模型上下文只保留：

• 高密度摘要
• 或指向原始資料的引用

咁樣可以避免長篇網頁內容、程式日誌等資料長時間佔據 prompt 空間。

Mermaid Task Canvas

另一個關鍵設計係 Mermaid 任務畫布。

Mermaid 係一種常見於 GitHub 技術文件嘅純文字圖表語言，可以用簡單文字生成流程圖或結構圖。

喺 TencentDB Agent Memory 入面：

• 任務步驟會變成 節點（nodes）
• 任務依賴關係變成 連線（edges）
• 每個節點只保留簡短狀態或摘要

換句話講，Agent 唔需要記住整段對話歷史，只要理解 任務結構圖 就可以知道進度同依賴關係。

騰訊用一個比喻去解釋：

• 日誌（logs）適合記錄
• 地圖（map）適合導航

Mermaid 任務畫布就好似一張任務地圖，幫 Agent 喺複雜流程中保持方向。

根據「上下文水位」自動壓縮

系統仲會根據上下文使用量自動調整壓縮程度。

一般流程包括：

• L1 即時摘要：工具輸出完成後立即生成摘要
• L2 任務畫布更新：異步更新 Mermaid 任務結構
• L3 深度壓縮：當上下文使用量達約 80% 時，會清理舊訊息

如果上下文接近極限（約 95%），系統會觸發緊急壓縮，把上下文使用量降回安全水平。

官方測試結果

騰訊在多個 Agent benchmark 中報告了效率與成功率提升。不過需要注意：目前主要是官方實驗數據，未有大量第三方驗證。

部分結果包括：

WideSearch

• 成功率：33% → 50%
• Token 用量：221.31M → 85.64M（下降 61.38%）

SWE‑bench

• 成功率：58.4% → 64.2%
• Token 用量下降約 33%

AA‑LCR

• 成功率：44.0% → 47.5%
• Token 用量下降約 31%

PersonaMem

• 準確率：約 48% → 76%

另外，騰訊在 1,540 個任務測試中（涵蓋程式生成、網頁搜尋、文件分析等），整體任務完成率提升 12%–35%，Token 使用量下降 33%–64%。

4 月版本 vs 5 月 14 日開源版本

TencentDB Agent Memory 在 2026 年其實分兩個階段推出。

2026 年 4 月版本

• 主打 長期記憶能力
• 推出四層記憶架構
• 重點在跨 session 記住用戶資訊與任務經驗

2026 年 5 月 14 日版本

• 完整系統 MIT 開源
• 加入 短期記憶壓縮機制
• 重點技術包括 Context Offloading 與 Mermaid 任務畫布

簡單講：

• 4 月版本解決「記住過去」
• 5 月版本解決「長任務上下文爆滿」

已支援的 Agent 框架

騰訊表示系統已可接入多個 Agent 框架，例如：

• OpenClaw（可作記憶插件）
• Hermes Gateway / Hermes Agent（支援 Docker 部署）

開發者可以把記憶壓縮與長期記憶功能加入現有 Agent 架構，而唔需要重新設計整個系統。

為何這件事重要

隨住 AI Agent 由 Demo 走向實際應用——例如程式助理、研究代理、企業流程自動化——Token 成本與上下文管理變成關鍵瓶頸。

長任務會帶來兩個問題：

• Token 成本急速上升
• 上下文太長會影響推理穩定性

TencentDB Agent Memory 嘗試同時解決兩件事：

• 降低成本：減少 Token 消耗
• 提升可靠度：用結構化任務圖維持任務方向

如果未來有更多獨立測試證實效果，類似嘅記憶系統有機會成為 AI Agent 基礎架構的一部分。

暫時而言，相關 benchmark 提升仍然主要來自騰訊官方實驗，實際效果仍需要更多第三方驗證。