Tencent publicó TencentDB Agent Memory, una solución de memoria totalmente local para agentes de IA disponible bajo licencia MIT. El sistema apunta a mitigar la hinchazón del contexto y las pérdidas de recuerdo en tareas de larga duración y puede operar sin llamadas a APIs externas, recurriendo por defecto a SQLite con sqlite‑vec como backend. Esto promete reducir consumo de tokens y mejorar la continuidad en sesiones prolongadas.
La arquitectura combina memoria simbólica de corto plazo — un lienzo ligero de tareas en sintaxis Mermaid que offloadea logs a refs/*.md-con una pirámide semántica de cuatro niveles para la memoria a largo plazo: L0 Conversation, L1 Atom, L2 Scenario y L3 Persona. Se entrega como plugin para OpenClaw y también como imagen Docker de Hermes (con adaptador Gateway). Para recuperación emplea un enfoque híbrido BM25+vector y fusión RRF.
Tencent explica que el diseño responde a las limitaciones de las tiendas vectoriales planas, que fragmentan datos y hacen búsquedas de similitud sin una guía macro. El sistema prioriza la capa Persona y permite un drill‑down determinista desde símbolos hacia índices y texto bruto; además, los artefactos de memoria se guardan como archivos Markdown legibles en ~/.openclaw/memory‑tdai/.
En benchmarks de sesiones continuas la integración con OpenClaw mostró mejoras notables: en WideSearch la tasa de paso subió de 33% a 50% (mejora relativa de 51.52%) y el consumo de tokens cayó de 221.31M a 85.64M (61.38% menos). En SWE‑bench el éxito aumentó de 58.4% a 64.2% y los tokens se redujeron de 3474.1M a 2375.4M (33.09% menos). Tencent añade además que PersonaMem elevó su exactitud de 48% a 76%.
Fuentes
Respuestas (0)
Aún no hay respuestas en este tema.
