Agent 记忆，不能只靠聊天记录

Agent 记忆，不能只靠聊天记录

• 2026-08-04北京
• 本文字数：1975 字 阅读完需：约 6 分钟

过去一年，AI Agent 正在快速进入真实研发场景。它能读代码、调工具、跑测试，也能推进一个完整需求。但越靠近生产，问题越尖锐：每次对话都像重新开始，个人经验沉不下来，团队上下文、技术取舍、任务过程无法复用。Agent 从“能用”走向“好用”，卡住的不是单次推理，而是记忆。

围绕这个命题，TencentDB Agent Memory 给出的答案可以拆成四层来看：什么内容值得被记住，团队经验怎么拆成资产，资产如何被治理，开源和评测如何验证这套能力。

不是记更多，而是记住有用的状态

研发团队从来不缺资料。Wiki 里有接口文档，代码仓库里有调用关系，issue 里有故障记录，聊天里有历史决策。真正的问题是，这些信息散落在不同地方，很难在下一次任务开始时被 Agent 准确召回。

一次缺陷修复中，Agent 可能已经判断出某个兼容分支不能删除，也发现了相关模块的调用链。如果这些结论只停在当次会话里，下一次遇到相似问题时，它仍会重新扫描、重新推理，甚至重新踩坑。

所以 TencentDB Agent Memory 不是给 Agent 加一个更大的知识库。它真正要做的是把任务里产生的背景、判断和方法沉淀下来，让有效状态可以跨 session、跨 Agent、跨框架继承。

图：每一次任务完成，都是团队记忆的一次积累。

四类资产：把团队经验拆成可复用单元

什么内容配叫资产？不是所有历史都值得保存。有效资产至少要包含两层：一层是抽象判断，比如"这个模块不建议直接重构"；另一层是证据链，比如相关代码、历史故障、评审意见。只有结论没有证据，会变成不可验证的经验；只有原始记录没有提炼，又会制造新的噪声。

从真实任务失败的原因倒推，TencentDB Agent Memory 当前把团队记忆抽象成四类原子资产：

第一类是 Chat Memory，记录任务背景、关键决策、约束条件和过程 finding，解决“以前发生过什么”；第二类是 LLM-Wiki，承载项目文档、PRD、接口说明、运维手册和知识索引，解决“当前有效知识在哪里”；第三类是 Code Graph，用文件、符号、函数、调用链和影响范围描述代码关系，解决“代码之间怎么关联”；第四类是 Skill，把团队 SOP、工具链、检查项和可复用步骤封装成执行单元，解决“团队通常怎样完成这类工作”。

图：四种记忆资产—从"上一个 Agent 的工作痕迹"到"下一个 Agent 的起点"

资产目录：让记忆用得对

团队记忆难的不是“存下来”，而是“用得对”。如果所有内容都无差别进入上下文，Agent 不仅会被噪声淹没，还可能引用过期经验、错误判断或越权信息。

TencentDB Agent Memory 的工程核心是资产目录。目录描述 identity、scope、trust、lifecycle、governance、usage 等信息：这是什么资产，属于哪个团队、仓库、任务或角色；来源证据是什么；谁有权查看和修改；在哪些任务中被引用。

围绕这套目录，系统包含 Memory Panel、Knowledge 服务、Proxy 和 Memory Core。Proxy 站在 Agent 和资产之间，根据 team、agent、task、role 做召回、上下文编排、权限过滤、token 预算控制和审计。它不会把所有资产直接塞进上下文，而是按任务相关性和预算做选择。

Memory Core 则是资产事实源，承载 ACL、版本、审计、Memory、Skill 和资产绑定关系。谁写入、谁修改、何时引用、是否过期、能不能撤回，都要有明确记录。团队记忆一旦进入研发流程，就不能只讲“记得住”，还要讲“可追溯、可治理、可迁移”。

开源评测：让记忆被验证

这套能力也不是停在概念层。TencentDB Agent Memory 于 2026 年 7 月发布 2.0.0 beta 首次公开开源，Memory Core、Memory Hub（含 Panel + Knowledge）、Memory Proxy 以及 TypeScript / Python SDK 均已对外开放，可通过一键脚本拉起完整三件套。

记忆结构上，异步提炼管线已跑通，逐层把原始对话沉淀为可复用的长期画像：

召回侧由 Proxy 在每轮对话中把该 Agent 的 L2/L3 记忆、匹配的 Skill 和 Wiki/CodeGraph 注入 system prompt，再转发上游 LLM——记忆不是全量堆叠，而是按 Agent 和任务维度精准装配。

在公开评测 PersonaMem 中，启用 Agent Memory 后总回答准确率从 48% 提升至 76%，相对提升约 59%。这些数字说明的不是"加了 Memory 就一定变强"，而是合理的记忆结构可以同时改善任务成功率和上下文成本。

AI 原生研发工具最大的价值，不是让 Agent 每次都更努力地重新开始，而是让它从团队已经知道的地方继续往前走。TencentDB Agent Memory 要做的，就是把对话、文档、代码和方法变成可继承的团队资产——让每一次任务结束，都成为下一次协作的起点。

文章里提到的这套记忆框架，目前已经完整开源。

TencentDB Agent Memory 可以直接在你的 Agent 团队里试跑——把历史对话、项目文档、代码库和团队 SOP 变成可装配的记忆资产。

如果你也在做 Agent 相关的开发或工具探索，欢迎去 GitHub 看看 👇

🔗https://github.com/TencentCloud/TencentDB-Agent-Memory

Star 一下，等下次开新的任务，就不用再从头给 Agent 讲那些“早就讲过”的事了。