TencentDB-Agent-Memory 是什麼？騰訊開源 AI Agent 分層記憶：token 省 61%、個人化 48%→76%（2026）

你昨天才教過 AI 的事，今天它又要你從頭講一次。這不是它笨，是它根本沒有記憶。

一句話結論：TencentDB-Agent-Memory 是騰訊開源的 AI Agent 分層記憶系統，把對話蒸餾成四層記憶金字塔，實測 token 用量省 61.38%、個人化準確度從 48% 升到 76%，全本地運行、MIT 授權免費。

最後更新：2026 年 7 月 11 日。工具版本與數據以 GitHub 官方 repo 為準（截至 2026 年 7 月約 8,300 stars，仍在快速迭代）。

TencentDB-Agent-Memory 是什麼？

它是騰訊雲團隊開源的 agent 記憶外掛：一邊給 agent「短期符號記憶」，把冗長的工具執行紀錄壓成一張 Mermaid 任務地圖；一邊給 agent「長期分層記憶」，把零散對話逐層蒸餾成結構化的人格檔案。口號只有六個字：Agents remember, Humans innovate——機器負責記住，人負責思考。

先看全景對比，再拆細節：

方案	記憶方式	可檢查性	資料去向	成本
TencentDB-Agent-Memory	四層蒸餾金字塔 + 符號畫布	白盒（persona.md 直接打開看）	本地 SQLite，零外部 API	MIT 免費
ChatGPT / Claude 內建記憶	平台黑盒	只能看片段、不能搬走	存在平台伺服器	綁訂閱
傳統向量記憶庫（mem0 類）	切碎後平鋪塞向量庫	查錯只能看相似度分數	視部署而定	開源為主
codebase-memory-mcp	程式碼專用記憶	白盒	本地	免費

為什麼你的 AI agent 是金魚記憶？

因為 context window 是租的，不是它的腦。每開一個新 session，你之前講過的專案背景、輸出格式、做事習慣，全部歸零。市面上的補救方法通常是兩條路：一條是把整段歷史硬塞回 context，token 帳單直接爆炸；另一條是把對話切碎丟進向量資料庫，要用的時候「語意搜尋」撈回來，結果常常是一堆互相沒關聯的碎片，agent 看著碎片瞎猜你是誰。

騰訊這套的判斷很直接：記憶不該是平的。人腦不會把每句話存成等權重的碎片，而是自動分層：細節會忘，但「這個人是誰、跟我什麼關係、上次合作愉不愉快」會留下來。它把這件事工程化了。

四層記憶金字塔怎麼運作？

長期記憶被拆成 L0 到 L3 四層，越往上越抽象、越省 token：

1. L0 Conversation（對話原文）：所有原始對話，存在資料庫裡當證據，平常不進 context。
2. L1 Atom（原子事實）：從對話抽出的單條事實，例如「用戶的部落格是 WordPress，用 REST API 發文」。
3. L2 Scenario（場景塊）：把相關事實聚合成場景，例如「每次發文的完整流程與慣例」。
4. L3 Persona（人格檔案）：最頂層的你，偏好、語氣、長期目標，存成一份人類讀得懂的 persona.md。

日常對話時，agent 只帶著輕的 L3 出門；你問到具體細節，它才沿著 Persona → Scenario → Atom → Conversation 逐層往下鑽。官方叫這個機制 progressive disclosure（漸進揭示）。妙的地方在於它拒絕不可逆壓縮：每一層抽象都留了回到原文的路，記憶錯了可以逐層查證，不會像黑盒記憶那樣「它記錯了你也不知道它為什麼記錯」。

我的看法：這個「白盒 + 可追溯」設計，比省多少 token 更值錢。記憶系統最怕的是悄悄記錯——你可以打開 persona.md 親眼看它學到什麼、改掉它學歪的部分，這才是敢長期用的前提。

Mermaid 符號畫布是什麼玩法？

長任務的 token 大戶不是對話，是中間過程：搜尋結果、程式碼、報錯 log，一輪一輪往 context 裡堆。它的做法是把完整工具紀錄卸載到外部檔案，context 裡只留一張 Mermaid 語法畫的任務狀態圖，每個節點一個 node_id。agent 平常看圖推理；需要驗證細節，就拿 node_id 去 grep 回原文。一句話：context 裡只放地圖，不放整座城市。

實測數據有多狠？

官方掛出的是接入 OpenClaw 之後、連續長任務 session 的對比（例如 SWE-bench 一個 session 連跑 50 個任務，模擬真實的 context 積壓），這比單輪測試誠實：

測試	裸跑 OpenClaw	裝記憶後	變化
WideSearch 成功率	33%	50%	相對 +51.52%
WideSearch token	221.31M	85.64M	−61.38%
SWE-bench 成功率	58.4%	64.2%	+9.93%
SWE-bench token	3,474.1M	2,375.4M	−33.09%
AA-LCR 成功率	44.0%	47.5%	+7.95%
PersonaMem 個人化準確度	48%	76%	+59%

兩個數字值得停一秒。token −61.38% 是錢，直接反映在你的 API 帳單上。PersonaMem 48% → 76% 是體驗——從「兩次裡錯一次」變成「四次裡對三次」，agent 終於開始像個記得你的同事。

怎麼裝？3 分鐘上手

不用會寫程式。目前官方支援兩條路：OpenClaw 插件（最簡單）和 Hermes Agent（有 Docker 一鍵版）。以 OpenClaw 為例：

1. 裝插件：終端機跑 openclaw plugins install @tencentdb-agent-memory/memory-tencentdb，然後 openclaw gateway restart。
2. 開啟記憶：在 ~/.openclaw/openclaw.json 加一段 {"memory-tencentdb": {"enabled": true}}。預設用本地 SQLite + sqlite-vec，零設定即用。
3. （可選）開短期壓縮：0.3.4 版以上，把 offload.enabled 設 true 並註冊 contextEngine slot，長任務的 token 節省主要來自這裡。
4. 驗證：隨便聊幾輪，跟它講你的習慣偏好；隔天開新 session 看它記不記得。想看它腦袋裡有什麼，打開 ~/.openclaw/memory-tdai/ 資料夾，persona.md 就在那裡。

裝完之後對話擷取、記憶抽取、場景聚合、人格生成、下一輪召回，全部自動跑，不用你管。檢索走 BM25 + 向量 + RRF 混合，關鍵字和語意兩條腿走路。

跟其他記憶方案比，差在哪？

差在三個地方。第一，分層 vs 平鋪：向量庫方案把記憶切碎平放，撈回來缺宏觀結構；這套上層有 persona、下層有證據。第二，白盒 vs 黑盒：ChatGPT 和 Claude 的內建記憶是平台資產，你搬不走也改不了；這套的記憶是你硬碟上的 Markdown 檔，roadmap 還寫明要做跨 agent、跨裝置的可攜記憶。第三，全本地：預設零外部 API 依賴，對在意資料主權的人（例如拿 agent 處理客戶資料的接案者）是硬需求。

替代方案：只需要記程式碼脈絡，用 codebase-memory-mcp 更輕；想要研究型的記憶框架可以看 Letta（前 MemGPT）或 mem0；最土炮的做法是自己維護一份 memory.md 叫 agent 每次開場先讀——零成本，但沒有自動蒸餾，檔案會越長越臭。

誰該用、誰先不用？

照你的情況對號入座：

• 重度 agent 用戶（每天跑長任務、token 帳單三位數美元起）：直接裝，光省 token 就回本。
• 用 OpenClaw 或 Hermes 當日常主力：裝，這是原生支援的兩個框架。
• 在意隱私、不想記憶上雲：裝，全本地是它的預設而非付費功能。
• 只偶爾用網頁版 ChatGPT 聊天：先不用，內建記憶對輕度使用夠了。
• 完全沒碰過 agent 框架的新手：先從上手 OpenClaw 開始，記憶是第二步。

省下的 token，怎麼變成一條出路？

算一筆帳。接案做 AI 自動化的人，最大的隱形成本是「重教」：每個新 session 重新餵客戶背景、輸出規格、踩過的坑，一個月光這些重複 context 可能燒掉幾十美元，還不算你自己的時間。分層記憶把這件事變成一次性投資——agent 記住一個客戶的 SOP 之後，第二單開始就是純利潤。反過來看，這也是為什麼「會調教 agent 記憶」正在變成一門手藝：幫中小企業把內部知識蒸餾成 agent 的長期記憶，本身就是可以收費的服務。工具是免費的，懂得用的人不是。

新手 3 分鐘行動清單

• ☐ 去 GitHub repo 給個 star 存檔（8,300+ 星，MIT 授權）
• ☐ 有 OpenClaw 的：兩條指令裝插件，openclaw.json 開 enabled
• ☐ 用上面的試算機，拿你上月 API 帳單算一次能省多少
• ☐ 裝完隔天，打開 persona.md 看它學到了什麼（順手改掉學歪的）
• ☐ 重度長任務用戶：升到 0.3.4+ 開 offload，token 節省大頭在這

常見問題 FAQ

TencentDB-Agent-Memory 免費嗎？

免費，MIT 授權開源。本地 SQLite 跑不用付雲端費用；唯一的持續成本是記憶抽取時呼叫 LLM 的 token，端點可以自己配，接便宜模型或本地模型都行。

我的資料會傳去騰訊雲嗎？

預設不會。開箱即用的後端是本地 SQLite + sqlite-vec，官方明寫零外部 API 依賴；騰訊雲向量資料庫（TCVDB）是可選後端，你不開就不存在。

只能配 OpenClaw 用嗎？

目前官方整合是 OpenClaw 插件和 Hermes Agent 兩條路（後者有 Docker 一鍵部署）。Roadmap 上寫了可攜記憶：跨 agent、跨框架、跨裝置的匯入匯出與遷移。

跟 ChatGPT / Claude 內建記憶差在哪？

內建記憶是平台黑盒：存在對方伺服器、搬不走、記錯了難排查。這套是你本機的白盒檔案，persona.md 打開就能看能改，除錯是沿著「人格 → 場景 → 事實 → 原文」一層層查下去的確定性流程。

延伸閱讀

• 微軟開源 SkillOpt：不碰模型權重，練一份 skill.md 就讓 GPT-5.5 升 23.5 分——記憶管過去，技能管未來，兩篇一起看
• codebase-memory-mcp：給 AI agent 裝「程式碼記憶」，同一件事省 99% token——程式碼專用的記憶方案
• Ollama：一行指令在本地免費跑 LLM——全本地派的另一塊拼圖

參考資料：TencentDB-Agent-Memory GitHub（官方 README 與 benchmark）

本文為工具介紹與個人使用觀點，非投資建議。AI 工具迭代速度快，功能、授權與數據請以官方 GitHub 最新版本為準（本文截至 2026 年 7 月 11 日）。

延伸閱讀：站內相關文章

• DeepTutor 是什麼？港大開源「終身 AI 家教」：26,900 星，聊天／出題／研究一個引擎跑，還會記住你學到哪（2026）
• OKX.AI 是什麼？10 萬美元黑客松開跑，要打造 AI Agent 的「接案市場」
• PewDiePie 親手做了個開源 ChatGPT，4 天衝 44,000 星——它真能取代你每月付的 AI 訂閱嗎？