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

核心目標包括：

• 令 Agent 可以記住用戶偏好同歷史工作流程
• 喺長任務中保存任務狀態
• 減少需要塞入模型 prompt 的原始資料

換句話講，系統唔再每次都把所有搜尋結果、工具輸出同對話歷史重新塞入上下文，而係將資訊整理成結構化記憶與摘要。

四層長期記憶架構

TencentDB Agent Memory 嘅長期記憶採用 四層遞進式架構，把原始互動逐步轉化為可重用知識。

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。