你的AI Agent正在“失忆”，腾讯开源了一味良药

TencentDB Agent Memory 全球正式开源

你有没有遇到过这种情况：跟AI聊了半小时，它突然忘了你最开始说过什么；或者让它帮你做一个复杂任务，做到一半它开始胡言乱语，仿佛失忆一般。

这其实就是AI Agent最大的软肋——记性差。

就在今天，腾讯云正式开源了TencentDB Agent Memory，一套面向AI Agent的分层记忆引擎，MIT协议开源，开箱即用。

翻译成人话就是：腾讯给AI Agent装了个“外置大脑”，让它们终于可以记住自己做过什么、说过什么，而且所有人都可以免费拿去用。

所有Agent的“阿克琉斯之踵”：记性差、成本高、爱跑偏

Agent是一个能调用工具、自主完成复杂任务的AI程序。它不像普通聊天机器人一问一答就完事，而是可能连续工作几分钟甚至几小时，调用几十次搜索、读写工具，产出大量中间结果。

但这里就出现了一个致命的矛盾。

大语言模型处理信息依赖一个叫“上下文窗口”的东西，所有对话历史、工具返回结果都要塞进这个窗口。窗口满了，要么系统按规则截断历史，Agent丢失关键状态；要么窗口越塞越满，成本飙升，模型注意力分散——中间细节被忽略，回答质量断崖式下降。

更可怕的是，有研究表明，Agent甚至会引用之前自己产出的错误信息，以更高的置信度复用它，把一次性错误固化成“永久谎言”。

简单说就是三个扎心问题：

• 跨会话断裂—— 开新会话就忘光之前的约定
• 上下文膨胀—— 任务越长Token成本越高，模型注意力还衰减
• 任务跑偏—— Agent做着做着就忘了目标在哪

记忆不是Agent的“加分项”，而是决定它能走多远的基本功。

一套“四层抽屉柜”，Agent终于不用从头问你是谁

腾讯的方案怎么解决？核心逻辑很朴素：不要把什么都怼到模型眼前，该归档的归档，该分层的分层。

TencentDB Agent Memory 引入了四层渐进式记忆架构：

打个比方。普通Agent的记忆就像把所有东西堆在桌上，翻一页忘一页。而四层架构像是把东西分门别类放进抽屉柜——最底层抽屉存原始记录，往上抽出重点，再往上是按场景分好类，最顶层是你的一张“人物小传”。Agent日常只需要拉开上两层抽屉就够了，既轻量又精准。

这套分层记忆已经在实际评测中得到验证：

• 接入Agent Memory后，PersonaMem长期记忆准确率从48%提升到76%，增幅近六成
• OpenClaw加上Agent Memory插件后，总回答准确率高达76.10%，较原生记忆提升近59%

用“上下文卸载”把Token省下来，还不丢证据

分层记忆解决的是长期记忆的问题。但在一次超长的单次任务中，Agent调用几十次工具后返回的大量结果同样会填爆上下文窗口——这才是真正烧钱的部分。

Agent Memory给出的解药是两项核心技术的组合：

上下文卸载 + Mermaid任务画布

什么是上下文卸载？

每次工具调用结束后，完整结果会被写入外部文件（比如refs/*.md），上下文里只保留一行摘要和索引路径。需要的时候再顺着索引按图索骥找回去。Agent日常只带着“目录”往前走，而不是把整本书背在身上。

Mermaid任务画布又是什么？

Mermaid是GitHub和技术文档中广泛使用的图描述语言，主流大模型天然具备读写能力。腾讯云数据库团队用它把Agent的任务执行过程组织成一张可导航的结构化地图——哪些步骤是并行的，哪些有前置依赖，当前处于哪个阶段，一目了然。

“流水账适合记录，地图适合导航”——长任务里最危险的事不是信息丢了，而是Agent不知道自己走到哪了。

更深一层看，信息的存储链路是这样的：

底层完整工具返回原文（外部文件）→ 中间调用级摘要（JSONL记录）→ 上层任务画布节点 → 最顶层任务级索引（上下文）

Agent日常只需接触上层轻量信息驱动任务推进；当摘要不够支撑决策时，通过节点ID逐层回溯，直到拿到完整原文——每一条信息都可以沿索引链路100%找回。

省Token不是靠“有损压缩”，而是靠“有索引的结构化存储”。

实测降低61% Token消耗，同时任务成功率反而提升

说到底，数据会说话。

在多任务连续Session实验中，Agent Memory最高将Token消耗降低了61.38%，同时任务成功率相对提升51.52%。这不是简单的“省了钱”，而是省钱的同时把活干得更好了——上下文中的噪声减少后，模型的注意力更集中，任务成功率自然提升。

消融实验也验证了画布的独立价值：

• 仅启用上下文卸载 → Token节省约15%
• 叠加Mermaid画布 → 节省比例提升到31%至33%

在WideSearch评测中：

• Token消耗从221.31M降到85.64M，下降61.38%
• 成功率从33%提升到50%

SWE-bench评测中：

• 成功率从58.40%提升到64.20%
• Token消耗下降33.09%

这条曲线在业界相当罕见——多数压缩方案能把Token砍下来，但任务跑偏、遗忘、重复分析的问题随之而来。而Agent Memory是“两条曲线同时往好的方向走”，省钱的同时也把任务完成得更好。

数据库变了：从“数据仓库”变成“记忆中枢”

这个故事其实远不止一个开源项目那么简单。它折射出整个技术基础设施正在经历的底层变革。

过去三十年，数据库为“人”设计——DBA写SQL，应用通过ORM读写。数据库扮演的是“仓库管理员”的角色，把数据存好、查出来就行。

但在Agent时代，数据库的主要调用者正在从人变成AI Agent。Agent从“对话助手”变成“数字员工”，底层数据基础设施也跟着变——从存储中心变成知识与记忆中心。

更深远的趋势是，2026年语境记忆正从一项前沿技术变成Agent落地的“入场券”。行业分析认为，语境记忆将不再是小众技术，而会成为很多可运营的Agent系统的基本标配。数据库的价值定位正在被重新书写——它不再只是一个“数据仓库”，而是Agent时代的新型“记忆中枢”。

开源，意味着这件事的门槛被拉到地板

最后来说开源这件事。腾讯选择MIT协议开源TencentDB Agent Memory，意味着任何人都可以免费使用、修改、商用这套记忆引擎。

目前它已适配OpenClaw和Hermes等主流Agent框架，本地部署一条命令就能完成安装，零外部依赖，默认使用本地SQLite，部署门槛极低。

这个动作背后的信号很清晰：Agent记忆正在从一个“高端配置”变成“基础标配”。

过去只有大厂才做得到的记忆管理能力，现在任何一个个人开发者、任何一个创业团队都能免费获得。当记忆不再是瓶颈，AI Agent才能真正去干更复杂、更有价值的活。

也许用不了多久，一个记不住你上次说了什么的AI，就像今天一个不会自动保存的文档编辑器一样——没人能忍。

这不是科幻，这是正在发生的日常。

文章来自于"毒AI"，作者 "毒AI"。