TencentDB-Agent-Memory: シンボリック・オフローディングとセマンティック・ピラミッドによるエージェントのトークン使用量を削減する階層型メモリシステム

何を解決するか

TencentDB Agent Memoryは、AIエージェントにおける「コンテキスト過負荷」の問題に対処します。従来のエージェントは、すべてのやり取りをコンテキストウィンドウに蓄積するか（大量のトークンを消費）、あるいは詳細を損なう情報の欠落を伴う要約を使用するかのどちらかでした。このプロジェクトは、エージェントが繰り返しを避け、トークンを無駄にすることなく、ワークフロー、ユーザーの好み、タスク履歴を記憶するための構造化された方法を提供します。

仕組み

このシステムは、階層型アーキテクチャを使用して、「フラット」なベクトルストレージからの脱却を図ります。

• Memory Layering (メモリ階層化): 情報をセマンティック・ピラミッドに整理します。長期記憶は、生の会話 (L0) から原子的な事実 (L1)、シナリオ・ブロック (L2)、そして最終的にはユーザー・ペルソナ (L3) へと移行します。これにより、エージェントは一般的なガイダンスのために高レベルのペルソナを使用し、特定の詳細が必要な場合にのみ生のデータへと「ドリルダウン」することができます。
• Symbolic Short-Term Memory (シンボリック短期記憶): 冗長なツールログ（コードや検索結果など）を処理するために、システムは全文を外部ファイルにオフロードし、エージェントのコンテキスト内ではそれらをコンパクトなMermaidシンボルグラフに置き換えます。エージェントは、必要に応じて node_id を使用して元の生のテキストを回収することができます。
• Heterogeneous Storage (異種ストレージ): 生の事実やログにはデータベースを使用し（ボトムレイヤー）、ペルソナやシーンには人間が読みやすいMarkdownファイルを使用します（トップレイヤー）。

対象者

OpenClaw や Hermes などのフレームワークを使用して、長期的なタスクを実行するAIエージェントを構築している開発者で、LLMのトークンコストを削減しつつ、セージェントに一貫したペルソナとタスク状態を維持させる必要がある方。

ハイライト

• 大幅なトークン削減: 特定のベンチマークにおいて、トークン使用量を最大 61.38% 削減します。
• 精度の向上: PersonaMem の精度を 48% から 76% に向上させます。
• ロスレスな復元: 高レベルの抽象化から元の生の証拠へと戻る決定論的なパスを維持します。
• 統合の準備完了: OpenClaw および Hermes エージェント用のプラグインを提供します。