Tencent опубликовал TencentDB Agent Memory — локальную четырёхуровневую память для долгоживущих AI‑агентов

Tencent опубликовал в открытом доступе проект TencentDB Agent Memory под MIT‑лицензией — локальную систему памяти для долгоживущих AI‑агентов, призванную уменьшать «раздувание» контекста и улучшать напоминания о ранее накопленной информации. Это важно для сценариев с длительными сессиями, где традиционные контекст‑буферы растут и ухудшают производительность моделей, а локальная архитектура позволяет работать без внешних API.

Архитектура сочетает символическую кратковременную память, которая выгружает громоздкие логи инструментов в компактный Mermaid‑канвас задач, и четырёхуровневую пирамиду долгосрочной памяти: L0 Conversation (диалог), L1 Atom (атомарные факты), L2 Scenario (сцены) и L3 Persona (профиль пользователя). Хранение организовано гетерогенно: факты и логи помещаются в базы, подходящие для полнотекстового поиска, а персональные данные и канвасы сохраняются в человеко‑читаемых Markdown‑файлах под путём ~/.openclaw/memory — tdai/.

Интеграции реализованы как npm‑плагин для OpenClaw и как Docker‑образ для Hermes с TDAI Memory Gateway; по умолчанию бэкенд — локальная SQLite с расширением sqlite‑vec, поэтому внешние API не требуются. Пакет ориентирован на Node.js (минимальная версия 22.16) и включается одной конфигурационной опцией; при необходимости поддержан внешний OpenAI‑совместимый эндпойнт через переменную MODEL_PROVIDER=custom.

Для экономии токенов система оффлоадит полные логи в refs/*.md и кодирует состояния через Mermaid‑граф в лёгковесном task canvas: агент ищет node_id и подгружает соответствующий файл при необходимости. По умолчанию извлечение L1 запускается каждые пять ходов, генерация персоны — каждые 50 новых воспоминаний, а возврат результатов поиска даёт пять элементов с таймаутом 5 секунд; при таймауте инъекция пропускается, чтобы не блокировать диалог.

Tencent публикует собственные метрики на длительных сессиях: при интеграции с OpenClaw на WideSearch pass‑rate вырос с 33% до 50% (относительный прирост 51.52%), а использование токенов сократилось с 221.31M до 85.64M (−61.38%). На SWE‑bench pass‑rate увеличился с 58.4% до 64.2%, токены уменьшились с 3474.1M до 2375.4M (−33.09%). На AA‑LCR успех поднялся с 44.0% до 47.5%, токены упали с 112.0M до 77.3M (−30.98%), а точность PersonaMem заявлена как рост с 48% до 76%. Компания отмечает, что эти значения — её собственные оценки.

Для разработчиков важны гибкие настройки поиска и токен‑экономии: по умолчанию используется гибрид BM25 (с токенизатором jieba для китайского и токенизатором для английского) плюс векторный поиск, объединённые через Reciprocal Rank Fusion (RRF). Конфигурация допускает переключение на чистый keyword‑режим или на чистые эмбеддинги. Открытый код и ориентация на локальный запуск упрощают эксперименты в изолированных средах и дают практический инструмент для борьбы с проблемами recall и контекстного раздувания в длительных агент‑сценариях.