腾讯TencentDB Agent内存中枢平台

Agents 记住事物。Humans 创新。

安装 · 这是什么 · Team Play · 技术实现 · Benchmark

最新版本：Team Memory Beta 正在快速迭代——安装它，在几分钟内开始探索。

安装

一次启动全部三项服务（memory-core + memory-hub + proxy）：

git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
$EDITOR .env       # Fill in two sets of LLM parameters (memory group + proxy group)
./start-all.sh     # Launch everything with one command; when finished, it prints a one-liner you can paste directly into Claude

打开面板：http://localhost:8125。

完整的安装文档（独立部署 Memory Hub、Proxy + Claude Code 用法、停止和清理、端口参考等）位于 INSTALL.md（中文：INSTALL_CN.md）。

迁移旧版本数据

如果你已经在使用较早的版本（v1.x / v0.x），并想将现有数据迁移到 v2.0.0+，我们提供了迁移工具：

参见《数据迁移工具（v2 → v3）》获取完整的用法和标志说明。新安装可跳过此步。

这是什么？

我们从一个实际问题出发：当你使用 Agent 时，如何减少重复工作？

如果项目背景已经解释过，新会话就不应该再重复一遍。如果文档已经读过，每个 Agent 都不应该从第一页重新开始。一个已经有效的工作流不应该在下一次被重新发现。

Memory 的含义不仅仅是「记住对话」。任何帮助下一个 Agent 避免重新发明轮子的信息都应该被保存、组织和重用。

已有信息 → 可复用的内存资产 → 更少轮次 → 更少返工 → 更稳定的结果和更高的效率

让经验积累、流动，并传递给下一个 Agent。

🧠 一个记住人和上下文的大脑

Memory Hub for Agent teams 闭合了整个体验生命周期的循环：工作产生资产，资产在团队中流转，新成员可以在第一天就加载团队的存档文件。

自动资产提取：从会话和任务中提取 Chat Memory 和 Skills；将文档和代码转换为 Wiki 和 CodeGraph；然后一致地管理、审查和路由它们。

便携且多 Agent 兼容：Memory 资产与 Agent 框架解耦——它们可以跨框架移动，并由多个 Agent 和团队成员共享和维护。

冷启动友好：导入现有文档、代码库和 Agent 对话会话。新的 Agent 团队可以从现有经验开始，而不是从零学习。

Chat Memory 保留偏好、事实、决定和交互历史。

每个 Agent 在创建时自动获得自己的内存——下次不需要重新介绍自己。

L0 Conversation → L1 Atom → L2 Scenario → L3 Persona ——原始对话分层逐步精炼。

「不要重构旧的认证模块——移动团队仍在使用它。」——这样代价高昂的上下文不应该依赖人类每次都重复。

⚡ 一个积累专业知识的 Skill 库

完成复杂工作后，Agent 可以从会话和工具调用中提取和管理可复用的 Skill，并在需要时将其导入指定 Agent 的上下文。

Skill 不仅仅是一个 prompt 片段；它有版本、资源文件、触发边界、执行步骤和验证规则。

Personal Skills 默认是私有的；经过审查后，可与团队共享并分配给其他 Agent。

故障排查、代码审查、发布清单——学一次，整个团队都能用。

📖 一张既读文档又读代码的知识地图

Wiki 将产品文档、设计规范和运维手册转换为带链接图的结构化页面。（灵感来自 Karpathy 的 LLM 知识库。）

CodeGraph 索引代码符号、文件、调用关系和影响路径。

Agent 可以搜索、阅读、检查调用者/被调用者，并在修改代码前执行影响分析。

Wiki 让 Agent 不用在开始工作前读遍每个文件列表。CodeGraph 不仅告诉他们「代码在这儿」——它告诉他们「改这个可能会影响那些」。

🛡️ 一个由人类控制的团队内存面板

在 Memory Hub 中创建团队和 Agent；审查、共享和装配内存资产。

在一个地方管理所有权、版本、状态、可见性、使用计数和 Agent 绑定。

private 完全属于所有者；team 对所有团队成员可见；restricted 通过 User / Role / Agent ACL 授予精确访问权限。

Team Play

冷启动：加载存档文件，然后开始工作

大多数 Agent 的第一个任务是重新学习你的项目。TencentDB Agent Memory 把你已经付出的学习成本转变为存档文件：

具体来说，这些现有资产可以直接导入并在面板中自动处理：

代码库：导入现有仓库——CodeGraph 自动索引符号、文件、调用关系和影响路径。

文档和文件：导入相关文档和文件——Wiki 自动生成带链接图的结构化页面。

对话会话：导入过去的 Agent 对话会话——Skill 和 Chat Memory 自动提取为可复用资产。

停止给每个 Agent 重新培训。给它存档文件。

一种 Play 风格：为一个人的公司构建不断成长的 Agent 团队

打开 Memory Hub 并创建一个团队：

Tiny but Serious Inc.
├── 👤 You · Set goals / Make decisions
├── 🔭 Scout · Research / Find opportunities
├── 🛠 Builder · Write code / Build products
├── 🧪 Reviewer · Test / Find issues
└── 🧠 Agent Memory · Preserve the team's experience

你不是在打开四个互不相连的聊天窗口——你是在组建一个拥有不同角色的小队，可以继承团队积累的经验。

先招人，再装备

🔭 Scout
   ├── User interview Chat Memory
   ├── Market research Wiki
   └── Competitive analysis Skill

🛠 Builder
   ├── Product Wiki
   ├── Project CodeGraph
   └── Feature Delivery Skill

🧪 Reviewer
   ├── Historical incident Chat Memory
   ├── Project CodeGraph
   └── Release Checklist Skill

不同的角色，不同的装备。噪声更少——给每个 Agent 它真正需要完成工作的内存资产。

公司可以很小。经验可以无限复利。

Memory Assets，而不是聊天日志仓库

RAG 回答「能找到什么？」Team Memory 还回答「谁能用它、哪个版本有效、哪个 Agent 应该获得它」。

Memory Hub 不是展示板——它是控制面板

当你打开一个资产时，重要的不仅是「它说什么」，还有「它来自哪里、它是哪个版本、谁被分配给它、最近是否被使用过」。

每个循环都获得经验

Memory 不运行 Agent 循环；它确保下一次迭代继承上一次的结果：有价值的交互留在 Chat Memory 中，证明有效的工作流提炼为 Skill，文档/代码变更通过 Wiki 摄入和 CodeGraph 同步更新。

没有 Memory，循环可能只是重复得更快。有继承的内存，每次迭代都有机会比上一次更好。

一个 Agent 团队：共享经验，不共享隐私

新的 Chat Memory 和 Skill 默认是私有的。共享是显式操作，不是默认泄露。

你可以将「Release Skill」分配给 Release Agent，将「Architecture Wiki」分配给所有开发 Agent，将 CodeGraph 分配给编码者和审查者。

技术实现

TencentDB Agent Memory 的目标不是「存储一切」。它解决三个问题：什么值得保留、谁能使用它，以及如何检索更少但检索到正确的东西。

1. Memory 不是平坦的记录——它以分层方式增长

对话首先保存为 L0，然后通过异步管道精炼成多个粒度级别：

生成和检索都是分层的：通常，L2/L3 提供快速上下文引导；当需要特定事实时，BM25 + 向量检索 + RRF 回退到 L1/L0。结果进一步受到项目数量、字符预算和超时限制，防止内存淹没上下文窗口。

2. Memory 不是全局 prompt——它是 Agent 的装备

Chat Memory、Skill、Wiki 和 CodeGraph 都统一注册为 Memory Assets。Memory Hub 使用 Fixed Binding + ACL 确定给定 Agent 可以使用哪些资产：首先按 Team、User、Agent 和可见性缩小权限范围，然后根据当前查询进行检索。

这让团队可以共享经验而不暴露所有私人信息；切换 Agent 或框架只需要重新装备，不需要重新培训。

3. 知识不是批量注入——它是按需调用

文档组织成可搜索的 Wiki 页面，支持链接图钻取；代码库索引为包含文件、符号和调用关系的 CodeGraph 资产。Agent 首先通过 /v3/tools/list 发现能力，然后使用 /v3/tools/call 读取相关页面、源代码或影响路径。

这使文档和代码也成为内存的一部分——但它们仍然是仅在真正需要时进入上下文的可用工具。

Benchmark

PersonaMem 测试 Agent 在长期交互后是否能正确理解和应用用户信息。

Wiki 和 CodeGraph 异步构建；在它们达到就绪状态之前请留出一些处理时间。

CodeGraph 目前优先支持公开 HTTPS 仓库；对私有仓库和 SSH 凭证的支持仍在完善中。

Hub 支持手动资产绑定；完全自动化的内存路由仍在迭代中。

TencentDB Agent Memory 目前支持 OpenClaw、Hermes 和 SDK 集成；更广泛的跨框架迁移在路线图中。

相关文档

完整安装指南（Memory Core + Hub + Proxy 一键部署）

数据迁移工具（v2 → v3）（如果你在较早的版本上，想迁移现有数据）

Agent Memory 还没有确定的标准。欢迎提交 bug 报告、文档、基准、新框架适配器以及更多创意的 Memory Hub 用例。

TencentDB Agent Memory 站在开源社区的肩膀上：

CodeGraph ——我们的 CodeGraph 资产模块使用该项目的代码。其预索引代码图的设计是我们实现的基础。

Hermes Agent（Nous Research）——我们的 Skill 资产管理使用了 Hermes Agent 中与 Skill 相关的代码的一部分，并在其基础上进行了进一步优化。

「LLM Wiki」by Andrej Karpathy ——将文档视为 LLM 维护的、逐步增长的知识人工制品的想法直接影响了我们的 Wiki 层如何构建和保持最新。

我们感谢这些项目的作者和贡献者。

社区与贡献

我们欢迎各种形式的贡献——bug 报告、功能建议、文档修复、基准复现、生态系统集成或 pull 请求。Agent 内存远未确定，我们希望与社区一起构建它。

🐞 发现了 bug 或有问题？在 GitHub Issues 中提出——我们会在 24 小时内回复。

💡 有想法要分享？在 GitHub Discussions 中开始讨论。

🛠️ 想贡献代码？请先阅读 CONTRIBUTING.md。

💬 想与我们聊天？加入我们的 Discord 社区，直接与核心开发者交流。

让团队走过的路成为下一个 Agent 的起点。

💡 感谢以下为我们构建的贡献者——你们让 TencentDB Agent Memory 更好。

MIT © TencentDB Agent Memory Team