企业官网建设流程全解析

TencentDB-Agent-Memory 上手初体验发现它不只是记忆框架——智能体基建系列

上一篇《智能体记忆的赛道地图》把开源记忆赛道分成了六块，其中 TencentDB-Agent-Memory 是星涨得最猛的那个：8 月 v2.0 团队版发布后一周冲上 GitHub 周趋势榜第一，如今约 2.1 万星。那么现在是不是值得去用起来？光看架构图也看不出实际用起来是什么感觉。与其隔着屏幕猜，不如自己上手跑一遍。

一、部署：Docker + WSL

部署本身不复杂，按照官方教程走 Docker 安装。安装过程中需要执行 bash 脚本，Windows 上直接跑不方便，我装到了 WSL 里。按教程拉镜像、起容器、配环境变量就行，不做赘述。

二、Memory Hub：先建团队，再建智能体

装好后用 admin 账号登录 Memory Hub，第一件事是新建团队。我建了个"飞虎队"，然后在团队里新建了一个成员。接着用新成员的身份登录，在智能体管理里建了几个智能体：Code Reviewer、Bug fixer、Review Handler。

最后在任务看板里新建了 task（这个体验Claude Code对话时要用到，下文会说到这个坑）。

这套流程走下来，第一个直观感受是：它默认的组织方式就是"团队 + 多智能体 + 任务"，而不是"一个 Agent 配一个记忆库"。admin 管团队和成员，成员建智能体，智能体挂在任务下干活。这跟 Mem0、Zep 那种"给单个 Agent 加记忆"的定位，从一开始就不是一回事。换句话说，它一上来就假设你有一个团队、有多个智能体在协作，而不是一个人给一个 Agent 加个记忆库。

三、Claude Code 对接：第一轮对话

按官方教程配置 Claude Code 对接后，在 Claude Code 里发起会话，会弹出一个选择表单，让你选前面创建的智能体、任务等。

选好之后正常对话，几轮下来，回到 Memory Hub 的 chat_memory 就能看到对话数据了。整个链路是通的：Claude Code 里聊，数据落到 Memory Hub。

这里补充说明一下踩过的坑，使用之前必须先创建 task、agent，再在 Claude Code 里发起对话，否则不会弹出选择表单，对话也不会记录到 chat_memory，但是Cladue Code中整个对话还是能走通的。

四、不是简单的智能体记忆：Wiki知识库、Code Graph、Skill

除了编码场景，我还试了另外三个模块。

Wiki 知识库，这是灵感来自 Karpathy 的 LLM 知识库。导入文档后能看到知识图谱。我导入了之前写的一篇文章，等了一段时间，它就形成了知识图谱。对团队沉淀文档、让智能体基于文档回答，这个挺实用。

Code Graph，目前似乎只能注册开源的代码仓库，私有仓库没有找到可以配置密钥或者用户名密码的地方。接入之后可以做代码探索，比如搜索项目在哪些地方使用了 AI。对想给智能体接代码库、做代码问答的团队，这是个入口。

Skill 技能，用户可以自己导入技能，并且可以在团队间分享。官方文档里提到："Agent 做完复杂工作后，可以从对话和工具调用中提炼和管理可复用 Skill。"这个我还没试到，但方向很有意思——如果真能从对话里自动提炼可复用的技能，团队的经验就能沉淀下来，而不是散在每个人的对话里。

五、踩坑：CREDIT_REPORT 报错

试用过程中，Proxy 日志里一直有报错：

26-08-14 14:15:13.119 ERROR pipeline.error {"requestId":"[01a000a0]","stage":"CREDIT_REPORT","error":"[stream] spaceId=default error=fetch failed resp=null","error.message":"[stream] spaceId=default error=fetch failed resp=null","error.name":"Error"}

排查下来，根因是：config.yaml 里没有配置 creditReport.url，proxy 用了默认值 http://gateway.example.com:8000/UpdateMemoryPlusUsage 。每次请求完成后，proxy会尝试 POST 用量到这个不存在的地址，自然 fetch failed，于是记录 CREDIT_REPORT 错误。不过它完全不影响主流程。对于我目前来说不需要用量上报（本地自用），可以忽略。

结尾

跑完这一圈，我的判断是：TencentDB-Agent-Memory 已经不是简单的智能体记忆框架了。它同时是团队进行智能体开发、共享知识的框架——团队、成员、智能体、任务、Wiki、Skill、Code Graph，这一整套东西，更像企业知识管理那套 Confluence 加 Jira 的路线，而不是 Mem0 那种"给单个 Agent 加个记忆"的轻量方案。上一篇赛道地图里我说它"重治理而非记忆精度"，上手之后这个判断基本成立，而且比预想的更彻底：它连智能体的创建、任务的分配、代码库的探索都管了。

所以它适合谁？适合有团队协作需求、想把智能体开发流程和知识沉淀一起管起来的团队。如果你只是个人想给 Agent 加个记忆，它可能偏重了，Mem0 那类更合适。但如果你要的是"团队一起开发智能体、共享知识"，目前开源里它是最接近这个定位的一个。