一句话总结
TencentDB Agent Memory 把「Agent 记忆」从单次会话的上下文窗口，升级为跨会话、跨 Agent、跨团队的持久化知识资产——让经验不再随会话关闭而消失。
为什么 Agent 需要「记忆」？
如果你经常使用 AI 编码助手，你一定经历过这样的场景：
- 周一：花了 40 分钟向 Claude Code 解释项目架构、依赖关系和代码规范
- 周二：换了个新会话，又得从零开始解释一遍
- 周三：同事的 Agent 也在做类似的任务，但你们各做各的，经验完全无法共享
这不是 Agent 不够聪明，而是Agent 没有「记忆」——每次新会话都像失忆了一样从头开始。更糟的是，即使 Agent 在某个会话中学到了宝贵的经验（比如「这个 API 在并发场景下会超时，需要加重试逻辑」），这个经验也会随会话关闭而消失。
TencentDB Agent Memory 正是为了解决这个痛点而生。
TencentDB Agent Memory 是怎么工作的？
TencentDB Agent Memory 的核心思想是：把任何有助于 Agent 避免重复造轮子的信息，都保存、组织和复用起来。
它的架构围绕「记忆中枢」（Memory Hub）展开，包含三大核心服务：
- Memory Core：记忆提取引擎，负责从 Agent 对话、文档、代码中自动提取知识
- Memory Hub：记忆管理中心，提供可视化面板和 API，管理四种记忆资产
- Proxy：代理网关，让 Claude Code、CodeBuddy 等 AI 编码客户端无缝接入记忆服务
四种记忆资产
TencentDB Agent Memory 将记忆分为四个层次：
- Chat Memory（对话记忆）：四级蒸馏——L0 原始对话 → L1 原子事实 → L2 场景模式 → L3 人格画像。新 Agent 创建时自动获取记忆，无需重新自我介绍
- Skill Library（技能库）：从对话中自动提取可复用的技能模块，积累团队专业知识
- LLM-Wiki（知识维基）：将文档转化为结构化知识库，所有 Agent 可查询
- Code-Graph（代码图谱）：将代码库转化为知识图谱，理解代码结构和依赖关系
部署与使用
git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
# 配置两组 LLM 参数（memory 组 + proxy 组）
./start-all.sh
# 启动后自动打印可直接粘贴到 Claude Code 的连接配置
打开面板 http://localhost:8125 即可管理所有记忆资产。
为什么这个项目值得关注？
1. 解决的是 Agent 落地中最实际的痛点
任何在生产环境中使用过 AI Agent 的人都知道：上下文丢失是最大的效率杀手。每次重开会话、切换工具、换同事的 Agent，之前的所有上下文都消失了。TencentDB Agent Memory 用「记忆资产化」的方式系统性地解决了这个问题。
2. 从「单 Agent 记忆」到「团队记忆」
这可能是它最创新的地方。现有的 Agent 记忆方案（如 Mem0、LangChain Memory）大多聚焦于单个 Agent 的会话记忆。TencentDB Agent Memory 的设计理念是「团队记忆」——经验不绑定在某个 Agent 上，而是作为团队资产流转。新成员加入时可以直接加载「存档」，从团队已有的经验基础上开始工作。
3. 跨框架兼容的设计哲学
记忆资产与 Agent 框架解耦——不管是 Claude Code、CodeBuddy、Cursor 还是 Codex，都可以接入同一个记忆中枢。这种「记忆即服务」的设计让它在多 Agent、多工具的环境中非常实用。
4. 腾讯开源 + 社区爆发
一周 8,003 星的增速说明社区对这个方向的认可。腾讯将其内部使用的 Agent 记忆方案开源，意味着经过了真实业务的验证。TypeScript + MIT 协议也让二次开发和集成非常友好。
同类方案对比
| 特性 | TencentDB Agent Memory | Mem0 | LangChain Memory |
|---|---|---|---|
| 定位 | 团队记忆中枢 | 个人 Agent 记忆 | 框架内记忆模块 |
| 记忆类型 | Chat/Skill/Wiki/Code-Graph | 对话记忆 | 对话缓冲/摘要 |
| 团队共享 | ✅ 原生支持 | ❌ 单用户 | ❌ 框架绑定 |
| 技能提取 | ✅ 自动 | ❌ | ❌ |
| 知识图谱 | ✅ Code-Graph | ❌ | ❌ |
| 可视化面板 | ✅ Web UI | ❌ | ❌ |
| 部署方式 | Docker 一键启动 | pip install | pip install |
实际应用场景
场景一：小型开发团队的「共享大脑」
一个 5 人的开发团队使用 Claude Code 进行日常开发。接入 TencentDB Agent Memory 后：
- 每个人的 Agent 都能访问团队的代码规范、架构决策和常见陷阱
- 新同事入职第一天，他的 Agent 就能加载团队积累的所有知识
- 不再有人问「这个接口为什么这样设计？」——LLM-Wiki 里已经有完整的解释
场景二：复杂项目的上下文管理
一个持续 6 个月的微服务重构项目，涉及 12 个服务、200+ API。传统的做法是维护一整套 Confluence 文档（很少有人会更新）。使用 Agent Memory 后：
- Agent 在开发过程中自动提取关键决策和变更记录
- Code-Graph 实时反映代码库的结构变化
- 任何 Agent 都能立刻理解当前的架构状态
场景三：Agent 流水线的经验传递
在 Agent 工作流中，前一个 Agent 的输出是后一个 Agent 的输入。有了团队记忆：
- Agent A 发现了一个 API 的并发限制 → 记录为 Skill
- Agent B 执行相关任务时自动加载这个 Skill
- 避免重复踩坑，经验真正可传递
快速上手指南
前置条件
- Node.js >= 22.16
- Docker（推荐）或本地环境
- LLM API Key（支持 OpenAI 兼容接口）
安装步骤
1. 克隆并配置
git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
编辑 .env 文件，配置两组 LLM 参数：一组用于记忆提取（memory 组），一组用于代理网关（proxy 组）。
2. 启动服务
./start-all.sh
启动后控制台会输出一段可直接粘贴到 Claude Code 的配置命令。
3. 验证
打开 http://localhost:8125，看到记忆管理面板即表示部署成功。
常见问题
Q：记忆数据存在哪里？ A：默认使用本地文件存储，也支持嵌入向量数据库。适合自托管场景，数据完全在你自己的机器上。
Q：支持哪些 AI 编码客户端？ A：目前支持 Claude Code 和 CodeBuddy，通过 OpenClaw 插件机制可以扩展到更多客户端。
Q：记忆会无限增长吗？ A：内置 L0-L3 的多级蒸馏机制，原始对话会逐级提炼为原子事实、场景模式和人格画像，避免记忆膨胀。
Q：数据安全吗？ A：完全本地部署，记忆数据不离开你的机器。MIT 协议开源，代码完全透明。
总结
- 🧠 记忆资产化：将对话、文档、代码转化为 Chat Memory、Skill、LLM-Wiki、Code-Graph
- 👥 团队视角：首个从团队而非单 Agent 视角设计记忆系统的开源项目
- 🔌 跨框架兼容：记忆资产与 Agent 框架解耦，多客户端共享
- 🚀 快速部署：Docker 一键启动，5 分钟即可接入 Claude Code
- 📊 可视化面板：Web UI 管理所有记忆资产，团队协作友好
- 🌐 腾讯开源：经过真实业务验证，社区活跃（8,003 星/周）
