⚛️量子位•較早收集於 56m
騰訊開源 Agent 記憶技術，Token 消耗降低 61%
💡一個能大幅降低 Agent LLM 推論成本的實用開源工具。
⚡ 30-Second TL;DR
有什麼變化
針對 AI Agent 的開源記憶優化框架
為什麼重要
此發布為開發者提供了一種經濟高效的方式來管理基於 LLM 的 Agent 的長期記憶。它降低了構建複雜、具備狀態的 AI 應用程式的門檻。
下一步行動
將騰訊的記憶管理框架整合到您現有的 Agent 工作流程中，以降低 API 成本。
誰應關注：Developers & AI Engineers
關鍵要點
- •針對 AI Agent 的開源記憶優化框架
- •Token 使用量最高降低 61%
- •任務執行成功率提升 51%
🧠 深度解析
Web-grounded analysis with 19 cited sources.
🔑 增強重點摘要
- •騰訊雲正式開源了名為「TencentDB Agent Memory」的記憶管理解決方案，並採用MIT許可證發布，旨在為AI Agent提供優化的記憶能力。
- •此開源方案同時提供短期記憶壓縮和長期個性化記憶功能，其中長期記憶功能已於2026年4月免費上線，本次開源的重點是短期記憶壓縮。
- •TencentDB Agent Memory 的核心技術包括「上下文卸載（Context Offloading）」和「Mermaid 任務畫布」，前者將原始資訊移至外部儲存，後者則將Agent任務過程組織成結構化任務圖，以輕量級方式保留關鍵狀態和執行關係。
- •該框架已適配OpenClaw和Hermes等主流Agent框架，支援一鍵整合部署，並在多任務連續會話實驗中，將網頁搜尋場景的Token消耗最高降低61%，任務成功率相對提升52%。
- •在PersonaMem評測中，TencentDB Agent Memory的長期個性化記憶模組將Agent對用戶畫像的理解準確率從48%提升至76%。
📊 競品分析▸ Show
| 特性/產品 | TencentDB Agent Memory | Mem0 | Zep | SimpleMem |
|---|---|---|---|---|
| 記憶類型 | 分層記憶（符號化短期記憶、分層長期記憶），支援短期壓縮與長期個性化記憶。 | 智慧記憶層，支援用戶/會話/Agent三層記憶，整合向量DB與圖資料庫。 | 企業級長期記憶雲服務，支援聊天歷史事實提取與向量搜尋，具備Graphiti功能。 | 專注效率，採用語義無損壓縮，在LOCOMO基準測試中表現優異。 |
| 核心技術 | 上下文卸載、Mermaid任務畫布，將完整資訊卸載至外部儲存，保留關鍵狀態與結構關係。 | 將記憶儲存於向量DB（如Qdrant/Pinecone/Chroma），並利用LLM自動提取與更新資訊。 | 透過事實提取進行向量搜尋，支援SOC2 Type II認證及本地部署。 | 語義壓縮技術，旨在大幅減少Token消耗。 |
| Token消耗優化 | 最高降低61.38%（網頁搜尋場景）。 | 透過記憶層管理，間接優化Token使用，但未直接提供具體壓縮率。 | 透過高效檢索相關上下文，減少LLM處理的Token量。 | 聲稱可實現30倍Token削減。 |
| 任務成功率/準確度 | 任務成功率相對提升51.52%（網頁搜尋場景），PersonaMem準確度從48%提升至76%。 | LOCOMO基準測試F1分數為34.20%（使用GPT-4.1-mini）。 | 旨在提升長期對話的連貫性與準確性。 | LOCOMO基準測試F1分數為43.24%（使用GPT-4.1-mini）。 |
| 整合性 | 適配OpenClaw、Hermes等主流Agent框架。 | 支援25種以上向量儲存和15種以上LLM。 | 支援企業級整合，提供雲服務及本地部署選項。 | 專注於效率，可與其他框架結合使用。 |
| 開源狀態 | 開源（MIT許可證）。 | 開源。 | 提供雲服務，部分組件可能開源。 | 開源。 |
🛠️ 技術深入
- 分層記憶架構 (Layered Memory Architecture): TencentDB Agent Memory 採用統一的分層架構範式，包含符號化短期記憶和分層長期記憶。
- 符號化短期記憶 (Symbolic Short-term Memory): 透過將繁重的工具日誌卸載並壓縮成緊湊的Mermaid符號，有效降低Token消耗並提高任務成功率。
- 分層長期記憶 (Layered Long-term Memory): 將零碎的對話提煉成結構化的人物誌（personas）和場景，而非扁平的向量堆疊，以實現更精確的記憶管理。
- 上下文卸載 (Context Offloading): 工具呼叫完成後，網頁內容、日誌和中間結果等原始資訊不會長期佔用上下文視窗，而是轉移到外部檔案系統儲存；上下文僅保留摘要和索引資訊，需要時按需恢復。
- Mermaid 任務畫布 (Mermaid Task Canvas): 系統將Agent的任務過程組織成結構化的任務圖，保留任務狀態、步驟摘要和執行關係，即使上下文只保留輕量級任務畫布，Agent仍能快速判斷任務進度及步驟依賴關係。
- 整合與模型支援: 該框架已適配OpenClaw和Hermes等主流Agent框架，並預設搭載騰訊雲DeepSeek-V3.2模型。
🔮 前景展望AI analysis grounded in cited sources
AI Agent將能處理更複雜、更長期的任務。
透過高效的記憶管理和Token消耗降低，AI Agent能夠在多輪對話和複雜工作流程中保持上下文連貫性，減少重複資訊，從而提升處理複雜任務的能力。
企業部署AI Agent的成本將顯著降低。
Token消耗的大幅減少直接降低了大型語言模型的使用成本，使得企業能夠更經濟地部署和運行需要大量上下文的AI Agent應用，加速AI在各行業的普及。
AI Agent的個性化和使用者體驗將大幅提升。
長期個性化記憶能力的增強，使得Agent能夠更準確地理解用戶偏好和歷史背景，提供更貼近個人需求的服務，從而顯著改善使用者互動體驗。
⏳ 時間線
2016
騰訊AI Lab成立，標誌著騰訊在AI領域的深入佈局。
2025-08-06
騰訊AI Lab發布Cognitive Kernel-Pro，一個完全開源、多模組、分層的智慧Agent框架。
2025-08-29
騰訊的Youtu-Agent開源自主AI Agent框架被討論，強調對開源LLM的支援。
2026-03-27
騰訊雲公布2026年AI演進路線，首次發布Agent產品全景圖，並將MaaS平台升級為TokenHub。
2026-04
TencentDB Agent Memory的長期記憶功能上線並免費提供使用。
2026-05-14
騰訊雲正式開源TencentDB Agent Memory，重點在於短期記憶壓縮能力。
📎 來源 (19)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
- Google Search Source
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 量子位 ↗