TencentDB Agent Memory：Agent 记忆不该平铺成向量库

TencentDB Agent Memory 值得看，不是因为它又给 Agent 加了一个向量库，而是因为它明确反对“把历史平铺进数据库再相似度搜索”的粗糙路线。它把 Agent 记忆拆成短期上下文卸载和长期语义分层两条线，试图解决长任务里最常见的两个问题：上下文塞爆，以及旧经验无法可靠复用。

仓库由 TencentCloud 开源，TypeScript 为主，npm 包名是 @tencentdb-agent-memory/memory-tencentdb，当前 release 线为 v0.3.6。README 给出的核心判断很直接：记忆不是囤积所有内容，而是让人不必反复解释同一套背景、偏好和工作流。

短期记忆：把重日志卸载成符号

Agent 长任务里，工具日志、测试输出、搜索结果和错误堆栈会迅速吞掉上下文。TencentDB Agent Memory 的做法不是把它们全部塞回 prompt，而是把底层原文保存到 refs/*.md 等可追溯位置，中层抽取步骤摘要，高层压缩成轻量 Mermaid 任务画布。

这意味着 Agent 平时只看高层结构，遇到错误再通过 node_id 下钻到底层证据。这个设计比“摘要后丢原文”更稳，因为压缩不会切断追溯链。

长期记忆：L0 到 L3 的语义金字塔

长期记忆采用 L0 Conversation → L1 Atom → L2 Scenario → L3 Persona。L0 保存原始对话，L1 抽取原子事实，L2 形成场景块，L3 汇总为用户画像和稳定偏好。平时用 Persona 保持高信息密度，细节有争议时再回到 Atom 和原文。

这比单层向量库更接近真实工作流。用户偏好、项目约束、操作惯例、错误修复经验，本来就不在同一抽象层。

本地优先和无外部 API 依赖

项目强调 fully local 和 zero external API dependencies，这一点对企业和个人都重要。Agent 记忆里往往包含项目路径、内部流程、偏好、日志甚至敏感线索。如果每次写入和召回都依赖外部 API，合规和成本都会变复杂。

评估时要看边界

README 给出 OpenClaw 集成后的 token 降幅和通过率提升数据，也提到 PersonaMem 准确率提升。这些数字有参考价值，但不应脱离场景理解。它更适合长会话、连续任务、反复工具调用和需要个性化记忆的 Agent；如果只是一次性问答，接入复杂记忆系统反而是负担。

适合谁使用

长期使用 OpenClaw / Hermes / Coding Agent 的个人或团队。
希望把偏好、SOP、项目背景沉淀为可追溯记忆的人。
需要减少工具日志占用上下文的长任务工作流。
对本地存储、隐私和成本更敏感的团队。

Agent 记忆的难点不在“记得更多”，而在“高层能指导，底层能举证”。TencentDB Agent Memory 真正有意义的地方，正是把这两件事放进了同一套分层结构。