AREX Feed Article
Agent Memory开源80天破15000星，腾讯云祭出Team Memory
8月6日，腾讯云数据库团队发布 Team Memory，将旗下开源项目 TencentDB Agent Memory 的长期记忆能力，从个人使用扩展到团队协作场景。
此时距离项目5月中旬首次开源正好80天，GitHub Star 数超过15000，多次登上 GitHub Trending 日榜第一。一个面向 AI Agent 的分层记忆引擎，在它最受社区关注的节点，从「帮一个 Agent 记住自己」转向了「帮一群 Agent 共享经验」。
「这是本周最好的Repo」——社区的回响与谨慎
计算机科学家 Santiago（，X 平台 45 万关注者）在7月31日的推文中详细拆解了这套记忆架构：「61% 更少的 Token 消耗」「你可以自托管整个技术栈并指向本地 LLM」「它是白盒可调试的——当 Agent 回忆出错时，你可以追溯它的来源」。这条推文获得了70个赞和93次书签收藏。
AI 开发者 Nahid（）在8月8日的推文中称其为「本周最好的 Repo」：「它基本上就是 AI 的存档文件。每次 Agent 重置都意味着丢失上下文、重新解释偏好、重新学习代码库。而这个项目让记忆跨会话、跨 Agent、甚至跨部署持久化。」这条推文获得了47次书签和超过3700次浏览。
中文 AI 博主欧巴聊 AI（）在5月项目刚开源时即发文指出，该框架核心机制为「符号化短期记忆 + 分层式长期记忆」，在长程任务压力测试下效果显著。
但社区也不乏谨慎。Nahid 在推文中列出了明确的 caveat：「早期阶段，文档薄，社区小。生产环境前先测试。自托管意味着你自己管理基础设施。」
AI 工程师 Pankaj 在 上提醒读者注意 benchmark 数字的范围：Token 减少从31%到61%不等，取决于任务类型，而 SWE-bench 的成功率提升仅有9.93%，远不如 WideSearch 的51.52%亮眼。
Agent不缺上下文窗口，缺的是记忆
过去一年，AI Agent 的记忆方案大多做同一件事：把对话历史压缩成摘要，在下次会话时注入上下文。这在短对话里够用，但在长周期任务中暴露三个问题：跨会话断裂、事实与偏好混淆、上下文膨胀导致 Token 消耗攀升。
Nahid 在成本对比中列出了三种路径：LangGraph checkpointing 走付费托管路线，mem0 做 freemium 云方案，而 TencentDB Agent Memory 免费、本地优先、开源。LangGraph 和 mem0 都需要将数据交给第三方。
5月13日，腾讯云数据库团队以 MIT 协议开源了 ，默认后端是本地 SQLite 加 sqlite-vec 向量扩展，零外部 API 依赖。项目孵化自腾讯云数据库团队，最早可追溯至4月7日的首次代码提交。
正如 Pankaj 在 Medium 分析中所写：「我们花了大量精力给模型更大的上下文窗口，但更好的记忆需要的不是更大的窗口，而是更好的组织方式。」
他把 TencentDB Agent Memory 的核心理念概括为「渐进式披露」：不是问「能在上下文里塞多少历史」，而是问「此刻最小但最有用的记忆是什么」。
8月6日的 Team Memory 更新，将这个思路从个人推向了团队。团队成员与 Agent 协作中产生的对话、文档、代码库和工作方法，被统一保存为四类记忆资产——Chat Memory、Skill、LLM-Wiki 和 CodeGraph，再按角色和任务装配给 CodeBuddy、OpenClaw、Claude Code 等不同 Agent。
四层金字塔、一张Mermaid画布，以及一份团队存档文件
TencentDB Agent Memory 的技术方案围绕两条线展开。
长期记忆采用四层语义金字塔。 对话先全量保存在 L0 原始对话层，再由异步管道逐层提炼：L1 原子记忆层自动提取事实、偏好、约束和阶段结论；L2 场景归纳层按任务自动聚合；L3 用户画像层持续蒸馏出稳定的长期画像。
检索时从高层往下钻：先用 L2/L3 快速建立上下文，需要具体事实时再通过 BM25 + 向量 + RRF 融合检索回落到 L1/L0。MarktechPost 在中将这个过程描述为「从顶层符号到中间索引到底层原始文本的确定性钻取」。
短期记忆走「上下文卸载 + Mermaid 画布」路线。 长任务中产生的工具日志、搜索结果、代码和错误追踪被搬到外部文件（refs/*.md），状态转换编码为 Mermaid 语法存入一张轻量任务画布。Agent 在上下文中主要推理这张符号图，需要原始文本时通过 node_id 回溯。腾讯云数据库团队将此描述为「原文不丢、结构可查、Token 不再线性增长」。
在腾讯自家评测中，接入 OpenClaw 插件后，WideSearch 通过率从33%提升至50%，Token 消耗下降61.38%；PersonaMem 长期记忆准确率从48%升至76%。SWE-bench 上成功率的提升相对温和——从58.4%到64.2%，但 Token 消耗也下降了33.09%。
这些数字来自腾讯自身的评测，在连续长程会话（SWE-bench 每个 session 连续跑50个任务）的压力条件下测得，不代表所有场景都能复现。
LangChain收费、mem0上云，腾讯选了第三条路
Agent 记忆这个赛道正在形成三条路径的分化。
LangGraph 的 checkpointing 做的是云端持久化状态管理，按使用量付费。mem0 走的是 freemium 模式，基础功能免费但核心能力和扩展依赖云服务。如 Nahid 在成本对比中所指出的，两者的共同点是用户的数据离开本地。
TencentDB Agent Memory 选了完全不同的路径：默认 SQLite 本地存储、MIT 协议开源、零外部 API 依赖。正如 Santiago 在推文中强调的：「你可以自托管整个技术栈并指向本地 LLM，完全掌控数据去向。」
Agent 记忆涉及对话历史、用户偏好、代码结构和业务决策。项目 README 将共享范围划分为 private、team、restricted 和 agent 四个层级，新生成的 Chat Memory 和 Skill 默认 private，分享是显式操作而非默认泄露。
Team Memory 在此基础上进一步加入了治理层：每项记忆资产都有 Owner、版本、状态和使用记录，可按用户、角色和 Agent 设置 ACL 权限。新增的 Memory Hub 控制台让用户在同一个面板中完成记忆的生成、审核、授权、分享和装配。
在真实工作流中，修复 Bug 的 Agent 可以重点使用 CodeGraph、历史排障经验和相关 Skill；负责需求分析的 Agent 则加载项目 Wiki、业务背景和历史讨论。团队更换模型或 Agent 框架后，已积累的经验仍可继续使用。
让人不必重复所有事
腾讯云数据库团队在开源公告中写过一句话：「记忆不是让 AI 记住所有事，而是让人不必重复所有事。」
TencentDB Agent Memory 现在试图回答的，不只是「Agent 能记住什么」，还有「谁来管理这些记忆、谁能使用它们、如何让下一个 Agent 不再从零开始」。当 Agent 从单人实验品进入团队协作，记忆层需要同时解决持久化和治理两个问题。
项目仍处于早期阶段：文档尚薄，社区尚小，自动化记忆路由还在迭代中。项目 README 末尾那句话或许更接近此刻的真实状态：「让团队走过的路，成为下一个 Agent 的起点。」