给 AI Agent 装一个“团队大脑“：腾讯云 TencentDB Agent Memory 实战指南
Agent 的第一次对话不是从自我介绍开始的。
读完本文你将了解：一键部署 Agent 记忆中枢 | 四种记忆资产的设计原理 | 冷启动导入已有代码和文档 | 团队级 Agent 装配与权限管理
🎯 这个项目解决什么问题？
你组了一个 Agent 小队：Scout 负责调研，Builder 写代码，Reviewer 做测试。然后你发现——每次新对话，Builder 不知道 Scout 调研的结论，Reviewer 不清楚 Builder 改了什么。Agent 们像失忆症患者，每轮对话都在重新学你的项目。
这不是 Agent 不够聪明，而是缺少一个共享的记忆层。
TencentDB Agent Memory 要解决的就是这个痛点：把 Agent 的对话、文档、代码沉淀为四种可复用的记忆资产（Chat Memory、Skill、Wiki、CodeGraph），让团队经验可以继承、分享和复用。
一句话：它是 Agent 的"共享存档"，不是聊天记录仓库。
🔧 快速上手
一键部署
gitclone https://github.com/Tencent/TencentDB-Agent-Memory.gitcdTencentDB-Agent-Memory/deploy/global-imagescp.env.example .env$EDITOR.env# 填入两组 LLM 参数（memory 组 + proxy 组）./start-all.sh# 一键拉起三件套启动后打开 http://localhost:8125 进入 Memory Hub 面板。三件套分别是：
- Memory Core：核心记忆引擎，负责 L0→L3 记忆沉淀
- Memory Hub：管理面板，Team 创建、资产审核、Agent 装配
- Memory Proxy：接入层，供 Claude Code、OpenClaw 等客户端调用
冷启动：把你的项目读进去
Memory Hub 支持三种冷启动导入：
1. 导入代码库
# 在 Memory Hub 面板中操作，不需要命令行# 点击 "Knowledge 工坊" → "导入代码库" → 输入 Git URL# CodeGraph 自动索引符号、文件、调用关系和影响路径2. 导入文档
# 同样是面板操作# 上传 Markdown/PDF/TXT 文件# Wiki 自动生成结构化页面与链接图谱3. 导入历史对话
# 导出过去 Agent 的对话 Session# 面板导入 → 自动提取 Chat Memory 和 Skill冷启动后，新 Agent 不必从零开始。你的项目经验变成了"存档"。
⚙️ 技术原理
四层记忆沉淀
TencentDB Agent Memory 的核心创新在于分层记忆架构。对话首先作为 L0 原始记录保存，然后由异步 Pipeline 逐层提炼：
- L0 Conversation：原始对话，保存完整上下文，用于核对原话和来源
- L1 Atom：从对话提取的事实、偏好、约束和事件，支持精确召回
- L2 Scenario：围绕项目或场景组织的知识块，快速恢复工作场景
- L3 Core/Persona：长期画像和稳定模式，让 Agent 迅速进入用户和团队语境
生成和召回都分层：平时用 L2/L3 快速进入语境，需要具体事实时通过 BM25 + 向量检索 + RRF 回到 L1/L0。结果还经过条数、字符预算和超时限制，避免记忆反过来占满上下文。
四种记忆资产
| 资产类型 | 来源 | 用途 |
|---|---|---|
| Chat Memory | 对话自动提取 | 偏好、事实、决策、交互历史 |
| Skill | 工具调用提炼 | 可复用的工作流和操作模板 |
| Wiki | 文档结构化 | 产品文档、设计稿、运维手册 |
| CodeGraph | 代码索引 | 符号、文件、调用关系、影响路径 |
权限模型
记忆资产有四种可见性层级：
| 可见性 | 语义 |
|---|---|
private | 仅 Owner 可读，管理员也不能看 |
team | 团队成员可读，Owner/Admin 管理 |
restricted | 通过 User/Role/Agent ACL 精确授权 |
agent | 定向装配给同团队 Agent |
| 新 Chat Memory 和 Skill默认私有。分享是一个明确动作，不是默认泄漏。 |
🏗️ 架构分析
整体架构
Memory Core 是核心引擎，负责 L0→L3 记忆沉淀；Memory Knowledge 负责 Wiki 和 CodeGraph 的构建；Memory Hub 提供管理面板；Memory Proxy 作为接入层，让客户端通过 HTTP 协议调用。
关键设计决策
为什么不是 RAG？
RAG 解决"能查到什么"。Team Memory 还要解决"谁可以用、哪个版本有效、应该给哪个 Agent"。RAG 的切片检索没有所有权和版本概念，不适合团队协作场景。
为什么不是全局 Prompt？
如果所有 Agent 共享同一个上下文，隐私无法保障。通过 Fixed Binding + ACL 实现精确装配，每个 Agent 只带走它需要的记忆。
为什么分层？
L0 直接召回太慢，L3 又太粗。分层让大部分场景用 L2/L3 快速响应，只有需要精确事实时才回退到 L1/L0。
✅ 优缺点 & 适用场景
优势
- 真正的经验复用：PersonaMem 基准测试从 48% 提升到 76%（+59%）
- 冷启动友好：导入已有代码库、文档和对话，新 Agent 不必从零开始
- 权限精细：private/team/restricted/agent 四层可见性，兼顾共享与隐私
- 框架无关：记忆资产与 Agent 框架解耦，支持 OpenClaw、Hermes 和 SDK
局限
- CodeGraph 当前优先支持公开仓库，私有仓库和 SSH 接入仍在完善
- 全自动记忆路由仍在迭代，目前需要人工绑定资产
- 异步构建延迟：Wiki 和 CodeGraph 需要等待处理完成才能 ready
- 跨框架迁移仍在 Roadmap：当前支持 OpenClaw、Hermes 和 SDK
适用场景
- 多人/多 Agent 团队：Scout/Builder/Reviewer 多角色协作
- 长期项目：项目持续 3 个月以上，记忆复利效应明显
- 代码库庞大：需要 CodeGraph 做影响分析，避免改 A 坏 B
- Agent 从对话中学习：自动提取 Skill，减少重复 Prompt 编写
不适用场景
- 单次对话用完即弃，不需要长期记忆
- 只有 1 个 Agent 且没有团队协作需求
- 代码库极小，手动维护上下文即可
总结
TencentDB Agent Memory 不是"又一个 RAG 工具"，它是 Agent 的团队记忆中枢。它解决了 Agent 协作中最隐蔽的成本——每次新对话的"重新学习"。
分层记忆架构（L0→L3）、四种资产类型（Chat Memory/Skill/Wiki/CodeGraph）、精细权限模型——这套组合让 Agent 的经验可以真正复利。
如果你在组 Agent 小队，或者你的 Agent 项目已经超过 3 个月，值得试试让它们"记住"。
收藏本文，下次组 Agent 小队时回来读一遍。关注我，每周拆解一个开源项目，从架构和原理角度帮你做技术选型。