Agent 记忆，不能只靠聊天记录：TencentDB Agent Memory 开源，记忆框架让准确率提升 59%

AI Agent 从'能用'走向'好用'，关键在于将任务中产生的背景、判断和方法沉淀为可跨 session、跨 Agent、跨框架继承的团队记忆资产，而非简单扩充知识库或增加聊天记录。

记忆的核心：不是记更多，而是记住有用的状态

研发团队积累了大量资料（Wiki、代码库、Issue、聊天记录），但信息散落，Agent 难以在下次任务开始时准确召回。问题不在于知识量不足，而在于有效状态无法跨会话继承。

聊天记录 + 知识库

信息散落，无法继承

↓

每次任务从零开始

重复踩坑，成本高

❌ ✅

状态继承 + 复用

背景/判断/方法沉淀

↑

跨 session 继承

避免重复踩坑

TencentDB Agent Memory 的核心思路不是给 Agent 加更大的知识库，而是将任务中产生的背景、判断和方法沉淀为可复用的状态，让 Agent 能继承之前的工作成果，避免重复踩坑。

并非所有历史都值得保存。有效资产需要包含抽象判断（如“该模块不建议直接重构”）和证据链（相关代码、故障记录、评审意见），结论与证据缺一不可。

Chat Memory 记录任务背景、关键决策、约束条件和过程 finding 解决“以前发生过什么”

LLM-Wiki 承载项目文档、PRD、接口说明、运维手册和知识索引解决“当前有效知识在哪里”

Code Graph 文件、符号、函数、调用链和影响范围解决“代码之间怎么关联”

Skill 团队 SOP、工具链、检查项和可复用步骤解决“团队通常怎样完成这类工作”

团队记忆难的不是“存下来”，而是“用得对”。无差别地引入所有内容会导致噪声、过期经验或越权信息。

资产目录是关键工程：记录 identity、scope、trust、lifecycle、governance、usage 等信息，明确资产归属、来源、权限、引用记录。

Memory Panel 用户交互界面，管理记忆的查看、编辑和检索。

Knowledge 服务承载 LLM-Wiki 和 Code Graph 的索引与检索服务。

Proxy 负责按 team/agent/task/role 做召回、权限过滤、上下文编排和预算控制。

Memory Core 承载 ACL、版本、审计、绑定关系等核心治理能力。

团队记忆进入研发流程必须可追溯、可治理、可迁移——谁写入、谁修改、何时引用、是否过期、能否撤回，都要有明确记录。

TencentDB Agent Memory 于 2026 年 7 月发布 2.0.0 beta 公开开源，Memory Core、Memory Hub（含 Panel + Knowledge）、Memory Proxy 以及 TypeScript / Python SDK 均已对外开放。

异步提炼管线将原始对话逐层沉淀为可复用的长期画像；Proxy 在每轮对话中按 Agent 和任务维度精准装配 L2/L3 记忆、Skill 和 Wiki/CodeGraph。

未启用记忆 48%

启用 Agent Memory 76%

相对提升约 59%，表明合理的记忆结构可以同时改善任务成功率和上下文成本。

“让每一次任务结束，都成为下一次协作的起点。”
— 文章作者，AI Frontline

综合公开信息整理