TencentDB-Agent-Memory：一個透過符號卸載與語義金字塔來減少 Agent Token 使用量的分層記憶系統

它解決了什麼問題

TencentDB Agent Memory 解決了 AI Agent 中的「上下文過載」問題。傳統的 Agent 要麼在上下文窗口中囤積每一次的互動（消耗大量 Token），要麼使用會破壞細節的有損摘要。本專案提供了一種結構化的方式，讓 Agent 能夠記住工作流、使用者偏好和任務歷史，而不會重複自身或浪費 Token。

運作原理

該系統使用分層架構來擺脫「扁平化」的向量儲存：

• 記憶分層： 它將資訊組織成一個語義金字塔。長期記憶從原始對話 (L0) 轉向原子事實 (L1)，接著是場景區塊 (L2)，最後是使用者人格 (L3)。這讓 Agent 能夠使用高層次的人格進行一般性指導，並僅在需要特定細節時才「深入鑽研」原始數據。
• 符號短期記憶： 為了處理冗長的工具日誌（例如程式碼或搜尋結果），系統會將全文卸載到外部檔案中，並在 Agent 的上下文中以精簡的 Mermaid 符號圖表取代它們。Agent 隨後可以使用 node_id 在必要時檢索原始全文。
• 異質儲存： 它使用資料庫來儲存原始事實與日誌（底層），並使用人類可讀的 Markdown 檔案來儲存人格與場景（頂層）。

對象是誰

正在開發長程 AI Agent（使用 OpenClaw 或 Hermes 等框架）的開發者，他們需要其 Agent 在長對話期間保持一致的人格與任務狀態，同時降低 LLM Token 成本。

重點亮點

• 顯著的 Token 減少： 在某些基準測試中，減少了高達 61.38% 的 Token 使用量。
• 提高準確度： 將 PersonaMem 的準確度從 48% 提高到 76%。
• 無損恢復： 維持了一條從高層抽象回溯到原始原始證據的確定性路徑。
• 整合就緒： 為 OpenClaw 和 Hermes Agent 提供插件。