企业官网建设流程全解析

Valhalla 静态工程审阅 #030｜TencentDB Agent Memory 源码证据驱动评测【开源基础设施特辑】

硬核工业风技术文章，建议搭配封面图阅读。
本文基于固定 Commit 快照开展只读静态工程审阅，不代表动态安全结论；所有观测均以可复查源码证据为边界。

📌 本文档声明

1. 性质：本文系基于固定代码快照（fe3230f）的静态工程特征分析，属于开源组件尽职调查参考材料，不构成任何形式的安全漏洞最终判定或法律合规意见。
2. 证据锚定：所有结论均以文内引用的源码文件路径为唯一证据边界，未经验证的动态运行数据不纳入本文分析范畴。
3. 使用建议：若将 TencentDB Agent Memory 纳入生产或核心业务系统，建议结合内部 SAST/DAST 扫描及实际部署测试，形成完整的评估报告。

摘要

Agent 每开一个新会话，都是一次从零开始。昨天讲过的项目背景，今天要重讲；喂过的文档，换个 Agent 得再喂一遍；一下午摸索跑通的排障流程，下次会话照样重走弯路。这跟模型够不够聪明关系不大，问题在于 Agent 天生没有“长期记忆”。

2026 年 5 月 13 日，腾讯云数据库团队正式开源TencentDB Agent Memory——一套面向 AI Agent 的分层记忆引擎，采用MIT 协议开源，开箱即用。项目上线一周即在社区获得超4000 Stars。2026 年 8 月 6 日，项目发布v2.0.0 大版本，核心升级是Team Memory（团队记忆）——将长期记忆能力从个人使用扩展到整个团队协作场景。

它的核心命题很直白：让 Agent 沉淀经验，让人专注创造。凡是能让下一个 Agent 少走弯路的信息——偏好、决策、跑通的做法、读过的文档、改过的代码——都应该被保存下来、组织好，并在合适的时候被复用。

本文从 Valhalla 静态工程审阅视角，拆解 TencentDB Agent Memory 的架构底层与工程特征。

1. 评测基础信息

2. 项目全景：Agent 的“长期记忆”为什么是刚需

2.1 痛点：Agent 天生“金鱼记忆”

在长周期、跨会话的业务场景中，智能体“失忆”带来的代价正随采用率攀升而放大。传统 LLM Agent 是无状态的——每次对话结束后，工具调用经验与问题解决模式都会烟消云散，下一次面对相同问题只能从零推理。

2.2 解法：四层记忆金字塔

TencentDB Agent Memory 通过把不同粒度的信息放在不同的“楼层”，构建四层渐进式记忆架构：

每一层只做一件事，层与层之间通过“提取-聚合-蒸馏”的管道连接，任何一层都可以独立升级或替换。底层保留证据，上层保留结构——Agent 日常只接触 L2-L3 的轻量信息驱动任务推进，需要细节时通过node_id逐层下钻到原始记录。

2.3 四类记忆资产：从“痕迹”到“资产”

除了对话记忆，TencentDB Agent Memory 还将 Agent 在工作中产生的痕迹，自动沉淀成四类可复用资产：

2.4 短期记忆压缩：Mermaid 任务画布 + 上下文卸载

长期记忆解决“跨会话遗忘”，短期记忆解决“单次长任务信息过载”。

Agent 处理多步骤、长时间任务时，工具调用产生的中间结果会迅速填满上下文空间。TencentDB Agent Memory 采用“上下文卸载 + Mermaid 任务画布”的组合方案：

上下文卸载：每次工具调用结束后，完整结果写入外部文件（refs/*.md），上下文里只保留一行摘要和索引路径。

Mermaid 任务画布：用 Mermaid Flowchart 把任务执行过程组织成一张可导航的任务画布。Agent 不需要记住所有内容，只需要知道哪些信息重要、它们被组织在哪里，以及必要时如何一步步展开。

2.5 性能数据

3. 资产微观面板

3.1 模块拓扑

4. 核心模块职责

4.1 部署方式

项目提供“三件套一键起”的部署方式：memory-core+memory-hub+proxy：

部署命令：

gitclone https://github.com/Tencent/TencentDB-Agent-Memory.gitcdTencentDB-Agent-Memory/deploy/global-imagescp.env.example .env$EDITOR.env# 填写两组 LLM 参数./start-all.sh

5. 静态风险标签

5.1 风险命中概览

5.2 需重点关注的命中

关键解读：

MemoryProxy/src/config.ts中的RISK-SECRET-LITERAL需优先确认：是否为硬编码的 API 密钥或凭证。如是，需立即迁移至环境变量管理。

MemoryProxy/src/injection/agents/目录负责为 Claude Code、CodeBuddy 等编码 Agent 注入记忆能力。其中的动态执行风险需重点审查——是否涉及用户可控的输入？是否在正常注入流程中被触发？

MemoryKnowledge/src/source-fetcher/git-fetcher.ts中的 Shell 调用涉及 Git 仓库抓取，需确认输入（仓库 URL、分支名等）是否经过严格校验，避免命令注入。

6. 生态接入

6.1 支持的框架与接入方式

6.2 自研 Agent 接入流程

把 TencentDB Agent Memory 接入 Agent 主流程，本质上是“召回 + 写入”两步：

用户输入 → ① 召回（从云端拉相关记忆，拼进 prompt）→ LLM → ② 写入（把本轮对话写回云端）

SDK 初始化需要传入team_id、agent_id、user_id三个字段，记忆抽取以agent_id为粒度——不同 Agent 之间的记忆相互隔离。

7. 对话式总结

问：TencentDB Agent Memory 是什么？

答：腾讯云数据库团队开源的Agent 长期记忆引擎，采用 MIT 协议。它将 Agent 的对话、做法、文档、代码沉淀成四类可复用记忆资产（Chat Memory、Skill、Wiki、Code Graph），让下一个 Agent 直接“读档”开工。

问：它解决了什么问题？

答：Agent 天生没有长期记忆，每次新会话都是从零开始。TencentDB Agent Memory 通过四层记忆金字塔（L0-L3）和短期记忆压缩（Mermaid 画布 + 上下文卸载），让 Agent 跨会话记住偏好、复用经验、降低 Token 消耗。

问：性能怎么样？

答：接入 OpenClaw 后，最高节省61.38% Token，任务通过率相对提升51.52%，PersonaMem 准确率从48%提升到76%。

问：和 Mem0 等竞品有什么区别？

答：普通 RAG 做的是记忆的存储，TencentDB Agent Memory 做的是记忆的治理。它不只是把对话塞进向量库，而是从对话里逐层提炼出有价值的部分，区分事实、偏好、场景、画像。每条记忆资产还有 Owner、版本、可见性。

问：适合在生产环境用吗？

答：适合。MIT 协议、多框架支持、已有 OpenClaw 生产验证。但使用前建议复核MemoryProxy/src/config.ts等文件中的密钥字面量，确认是否迁移至环境变量。

8. 后续验证建议

📌 本文档声明

1. 性质：本文系基于固定代码快照（fe3230f）的静态工程特征分析，属于开源组件尽职调查参考材料，不构成任何形式的安全漏洞最终判定或法律合规意见。
2. 证据锚定：所有结论均以文内引用的源码文件路径为唯一证据边界，未经验证的动态运行数据不纳入本文分析范畴。
3. 使用建议：若将 TencentDB Agent Memory 纳入生产或核心业务系统，建议结合内部 SAST/DAST 扫描及实际部署测试，形成完整的评估报告。

本文不是 Agent 记忆能力评测或性能压测，而是一次基于固定 Commit 快照的开源组件静态工程尽职画像。

更新日志

本文由 Valhalla Matrix V2 评测体系出品，仅作技术研究与风险提示，不构成任何部署建议。