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。
系統最大嘅效率提升,其實來自 短期工作記憶管理。
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:
另一個關鍵設計係 Mermaid 任務畫布。
喺 TencentDB Agent Memory 入面:
騰訊用一個比喻去解釋:
一般流程包括:
部分結果包括:
WideSearch
SWE‑bench
AA‑LCR
PersonaMem
TencentDB Agent Memory 在 2026 年其實分兩個階段推出。
2026 年 4 月版本
2026 年 5 月 14 日版本
簡單講:
騰訊表示系統已可接入多個 Agent 框架,例如:
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。
長任務會帶來兩個問題:
TencentDB Agent Memory 嘗試同時解決兩件事:
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。
Comments
0 comments