给 AI Agent 装一个“团队大脑“：腾讯云 TencentDB Agent Memory 实战指南

Agent 的第一次对话不是从自我介绍开始的。读完本文你将了解一键部署 Agent 记忆中枢 | 四种记忆资产的设计原理 | 冷启动导入已有代码和文档 | 团队级 Agent 装配与权限管理 这个项目解决什么问题你组了一个 Agent 小队Scout 负责调研Builder 写代码Reviewer 做测试。然后你发现——每次新对话Builder 不知道 Scout 调研的结论Reviewer 不清楚 Builder 改了什么。Agent 们像失忆症患者每轮对话都在重新学你的项目。这不是 Agent 不够聪明而是缺少一个共享的记忆层。TencentDB Agent Memory 要解决的就是这个痛点把 Agent 的对话、文档、代码沉淀为四种可复用的记忆资产Chat Memory、Skill、Wiki、CodeGraph让团队经验可以继承、分享和复用。一句话它是 Agent 的共享存档不是聊天记录仓库。 快速上手一键部署gitclone https://github.com/Tencent/TencentDB-Agent-Memory.gitcdTencentDB-Agent-Memory/deploy/global-imagescp.env.example .env$EDITOR.env# 填入两组 LLM 参数memory 组 proxy 组./start-all.sh# 一键拉起三件套启动后打开 http://localhost:8125 进入 Memory Hub 面板。三件套分别是Memory Core核心记忆引擎负责 L0→L3 记忆沉淀Memory Hub管理面板Team 创建、资产审核、Agent 装配Memory Proxy接入层供 Claude Code、OpenClaw 等客户端调用冷启动把你的项目读进去Memory Hub 支持三种冷启动导入1. 导入代码库# 在 Memory Hub 面板中操作不需要命令行# 点击 Knowledge 工坊 → 导入代码库 → 输入 Git URL# CodeGraph 自动索引符号、文件、调用关系和影响路径2. 导入文档# 同样是面板操作# 上传 Markdown/PDF/TXT 文件# Wiki 自动生成结构化页面与链接图谱3. 导入历史对话# 导出过去 Agent 的对话 Session# 面板导入 → 自动提取 Chat Memory 和 Skill冷启动后新 Agent 不必从零开始。你的项目经验变成了存档。⚙️ 技术原理四层记忆沉淀TencentDB Agent Memory 的核心创新在于分层记忆架构。对话首先作为 L0 原始记录保存然后由异步 Pipeline 逐层提炼L0 Conversation原始对话保存完整上下文用于核对原话和来源L1 Atom从对话提取的事实、偏好、约束和事件支持精确召回L2 Scenario围绕项目或场景组织的知识块快速恢复工作场景L3 Core/Persona长期画像和稳定模式让 Agent 迅速进入用户和团队语境生成和召回都分层平时用 L2/L3 快速进入语境需要具体事实时通过 BM25 向量检索 RRF 回到 L1/L0。结果还经过条数、字符预算和超时限制避免记忆反过来占满上下文。四种记忆资产资产类型来源用途Chat Memory对话自动提取偏好、事实、决策、交互历史Skill工具调用提炼可复用的工作流和操作模板Wiki文档结构化产品文档、设计稿、运维手册CodeGraph代码索引符号、文件、调用关系、影响路径权限模型记忆资产有四种可见性层级可见性语义private仅 Owner 可读管理员也不能看team团队成员可读Owner/Admin 管理restricted通过 User/Role/Agent ACL 精确授权agent定向装配给同团队 Agent新 Chat Memory 和 Skill默认私有。分享是一个明确动作不是默认泄漏。️ 架构分析整体架构Memory Core 是核心引擎负责 L0→L3 记忆沉淀Memory Knowledge 负责 Wiki 和 CodeGraph 的构建Memory Hub 提供管理面板Memory Proxy 作为接入层让客户端通过 HTTP 协议调用。关键设计决策为什么不是 RAGRAG 解决能查到什么。Team Memory 还要解决谁可以用、哪个版本有效、应该给哪个 Agent。RAG 的切片检索没有所有权和版本概念不适合团队协作场景。为什么不是全局 Prompt如果所有 Agent 共享同一个上下文隐私无法保障。通过 Fixed Binding ACL 实现精确装配每个 Agent 只带走它需要的记忆。为什么分层L0 直接召回太慢L3 又太粗。分层让大部分场景用 L2/L3 快速响应只有需要精确事实时才回退到 L1/L0。✅ 优缺点 适用场景优势真正的经验复用PersonaMem 基准测试从 48% 提升到 76%59%冷启动友好导入已有代码库、文档和对话新 Agent 不必从零开始权限精细private/team/restricted/agent 四层可见性兼顾共享与隐私框架无关记忆资产与 Agent 框架解耦支持 OpenClaw、Hermes 和 SDK局限CodeGraph 当前优先支持公开仓库私有仓库和 SSH 接入仍在完善全自动记忆路由仍在迭代目前需要人工绑定资产异步构建延迟Wiki 和 CodeGraph 需要等待处理完成才能 ready跨框架迁移仍在 Roadmap当前支持 OpenClaw、Hermes 和 SDK适用场景多人/多 Agent 团队Scout/Builder/Reviewer 多角色协作长期项目项目持续 3 个月以上记忆复利效应明显代码库庞大需要 CodeGraph 做影响分析避免改 A 坏 BAgent 从对话中学习自动提取 Skill减少重复 Prompt 编写不适用场景单次对话用完即弃不需要长期记忆只有 1 个 Agent 且没有团队协作需求代码库极小手动维护上下文即可总结TencentDB Agent Memory 不是又一个 RAG 工具它是 Agent 的团队记忆中枢。它解决了 Agent 协作中最隐蔽的成本——每次新对话的重新学习。分层记忆架构L0→L3、四种资产类型Chat Memory/Skill/Wiki/CodeGraph、精细权限模型——这套组合让 Agent 的经验可以真正复利。如果你在组 Agent 小队或者你的 Agent 项目已经超过 3 个月值得试试让它们记住。收藏本文下次组 Agent 小队时回来读一遍。关注我每周拆解一个开源项目从架构和原理角度帮你做技术选型。