TencentDB Agent Memory 是腾讯云开源的 Agent 记忆中枢，当前 18,851 颗 star，过去一周涨了 8,003 颗，TypeScript 编写，MIT 协议。它解决的问题很具体：Agent 每次对话都要重新理解你已经讲过的工作流、项目背景和输出格式，而这些信息既不该让用户反复解释，也不该被无差别地塞进上下文。

它的做法是把对话、文档和代码沉淀为四类可复用的记忆资产：Chat Memory（对话记忆）、Skill（技能）、LLM-Wiki（知识条目）、Code-Graph（代码图谱），并在多个 Agent 和框架之间共享。项目口号是 "Agents remember, Humans innovate."——让 Agent 记住该记住的，把人从重复劳动里解放出来。

一个典型的场景：一次长会话里 Agent 要执行几十次工具调用，中间日志轻松吃掉数万 token；下一次对话它又把之前的结论忘得差不多，同一个 SOP 需要重新解释一遍。记忆系统要解决的就是这两件事——任务进行中的信息过载，和跨会话的经验延续。

亮点一：记忆分层，拒绝扁平向量堆

传统记忆系统把历史切碎后倒进一个扁平向量库，召回退化成在碎片里盲搜。TencentDB Agent Memory 采用语义金字塔：L0 Conversation（原始对话）→ L1 Atom（原子事实）→ L2 Scenario（场景块）→ L3 Persona（用户画像）。上层管判断和方向，下层管证据和细节。日常偏好直接看 Persona，需要具体事实时再逐层下钻到 Atom 甚至原始对话。上层是结构化、人可读的 Markdown 文件，下层是数据库里的全量原文——"下层保留证据，上层保留结构"。回忆时先看结构，需要证据时再下钻，这种渐进式披露避免了把全部历史一次性塞进上下文。

亮点二：符号化记忆，把 token 花在刀刃上

长任务里最烧 token 的是冗长的中间日志（搜索结果、代码、报错堆栈）。它把这些日志整体卸载到外部文件，上下文里只留一张高密度的 Mermaid 任务图，每个节点带 node_id。Agent 在图上推理，需要核对细节时按 node_id 精确定位取回原文。官方基准数据：接入后 token 消耗最高下降 61.38%，任务成功率相对提升 51.52%，PersonaMem 用户画像准确率从 48% 提升到 76%。这组数据在连续长会话上测得——SWE-bench 一次跑 50 个连续任务，模拟真实世界的上下文累积压力。

亮点三：记忆是白盒，不是黑盒

大多数记忆系统召回出错时，你只能看到一堆向量相似度分数，无从排查。这里的关键中间产物全部落成可读文件：L2 场景块是纯 Markdown，L3 画像在 persona.md 里并标注了来源场景，任务画布是 Mermaid 图。调试变成一次确定的走查：Persona → Scenario → Atom → Conversation，直到根因浮出水面。

白物集实际怎么用到的

白物集的内容管线一直在用同一套思路，只是没有把它做成产品。每日新闻采集后先沉淀为知识卡片——标题、链接、摘要、分类、标签——再聚类成深度文章。知识卡片就是我们的 LLM-Wiki：结构化的知识单元，全管线共享，而不是把采集原文直接堆进上下文。

思维模型库（Obsidian）则是分层记忆的雏形。每张模型卡由一句话定义、核心机制、我的应用三部分组成，场景索引把卡片按问题场景组织，对应 L1 Atom 到 L2 Scenario 再到 L3 应用画像的层级。写作流程是双向的：动笔前从库里拉论证骨架（消费），写完后把新案例回写进卡片（充值）。文章越写，记忆越厚；记忆越厚，文章越深。这与项目理念一致——记忆不是囤积，是避免重复解释。双通道验证也遵循同一逻辑：数据锚点走项目侧的真实生产数据，论证骨架走格栅侧的模型卡片，两者互为校验源。上层论证负责判断，下层数据负责证据。

系列技能（如本系列所在的 skill-recommend-series）本身就是从重复工作中蒸馏出的 SOP，对应它的 Skill 资产。它的 Roadmap 里"自动生成 Skill"尚未完成，我们已经在手工做这件事了。

白物集的文章管线跑在 DeepSeek API 上，token 成本是真金白银。符号化记忆的思路——把长日志卸到文件、上下文只留结构——对这种按量计费的场景有直接借鉴价值。

适合什么场景、不适合什么场景

适合：长会话、长任务的重度 Agent 用户；需要跨会话延续记忆的个人或小团队；对话历史累积导致上下文爆掉的场景。本地后端默认 SQLite + sqlite-vec，零配置即可运行，白盒文件也方便检查。

不适合：纯脚本管线——没有 Agent 宿主，插件装不上，能借鉴的只有架构思路；需要企业级托管记忆的团队——本地后端是单机 SQLite，生产级接入需要自己接云向量库；在意数据落盘位置的场景——记忆默认落在本地目录的 Markdown 和 SQLite 文件里。

快速上手

以 OpenClaw 为例，四步跑通。安装插件：

openclaw plugins install @tencentdb-agent-memory/memory-tencentdb

配置文件里开启，默认使用本地 SQLite 后端，零配置：

{
  "memory-tencentdb": {
    "enabled": true
  }
}

可选：开启短时压缩，长日志自动卸载，上下文只留 Mermaid 任务图：

{
  "memory-tencentdb": {
    "config": {
      "offload": { "enabled": true }
    }
  }
}

验证：打开 ~/.openclaw/memory-tdai/ 目录，直接查看 L1 到 L3 各层的 Markdown 文件——每一层记忆都是白盒。它同时提供 Hermes 适配器和 Docker 一键部署，接入方式不只 OpenClaw 一条。

下次你的 Agent 在长会话里"失忆"时，先别急着换更大的上下文窗口——先想想，它缺的是容量，还是结构。分层记忆和符号化记忆给出的答案，值得在下一个 Agent 项目里验证。