memoryhub_demo.cn.mov
一次拉起完整三件套(memory-core + memory-hub + proxy):
git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
$EDITOR .env # 填入两组 LLM 参数(memory 组 + proxy 组)
./start-all.sh # 一键起;结束会打印 claude 可直接复制的一行命令打开 Panel:http://localhost:8125。
完整安装文档(Memory Hub 单独部署 / Proxy + Claude Code / CodeBuddy 用法 / 停止清理 / 端口 说明等)见 INSTALL_CN.md(English: INSTALL.md)。 MongoDB 存储后端为试验特性(默认关闭),见 INSTALL_CN.md · MongoDB 存储后端。
如果你已经在用旧版(v1.x / v0.x),希望把存量数据迁到 v2.0.0+,我们提供了一个数据迁移工具: 用法和参数详见 数据迁移工具(v2 → v3)。全新安装可跳过。
在客户端按接入指南配置 Proxy 地址和 User Key,即可使用同一套团队记忆服务。常见客户端通过原有模型协议接入,无需另装插件、Hook 或 MCP Server。
DeepSeek Harness |
Claude Code |
Codex |
CodeBuddy |
WorkBuddy |
Hermes |
OpenClaw |
更多框架适配中... |
OpenCode |
Pi |
||
各客户端具体配置步骤见上表或接入总览。
OpenCode 提供现成的适配配置,Pi 需加载 pi-plugin 扩展,通过 OpenAI Chat Completions 协议接入。完成会话绑定后,可以保存常用的 Team、Agent 和 Task 组合,供新会话直接使用。
没看到你常用的 Agent?新客户端适配指南 可以试试自己动手适配——也欢迎直接提 PR 为它加上原生支持,参见 CONTRIBUTING_CN.md。
部署并接入 Agent 后,可以按指南初始化团队、导入和分配记忆资产,再用实际任务验证效果。
最佳实践请看:https://tencentcloud.github.io/TencentDB-Agent-Memory/best-practices
我们从一个很实际的问题出发:怎样减少使用 Agent 时的重复工作?
项目背景讲过了,不该换个 Session 再讲。文档读过了,不该每个 Agent 从第一页重读。一套做法已经跑通,不该下次再摸索一遍。
所以这里的 Memory 不只是“记住对话”。凡是能让下一个 Agent 少走弯路的信息,都应该被保存、组织并复用。
已有信息 → 可复用记忆资产 → 更少 Turns → 更少返工 → 更稳定的结果和更高的效率
面向 Agent 团队的 Memory Hub,让经验完成一个完整循环:工作中产生资产,资产在团队中流动,新成员进来直接读档。
- 自动沉淀资产:从对话和任务中生成 Chat Memory 与 Skill,把文档和代码变成 Wiki 与 CodeGraph,再统一管理、审核和路由。
- 可迁移、兼容多Agent:记忆资产与 Agent 框架解耦,可以跨框架迁移,也可以由 Team 内的多个 Agent、多个成员共享和维护。
- 冷启动友好:导入已有文档、代码库和 Agent 对话 Session,新 Agent Team 从现有经验开始工作,不必先从头学习一遍。
- Chat Memory 保留偏好、事实、决策和交互历史。
- 对话记忆按会话绑定和权限隔离;续接同一工作场景时,Agent 可以复用已有背景。
- L0 Conversation → L1 Atom → L2 Scenario → L3 Persona,从原始对话逐层沉淀。
“别重构旧鉴权模块,移动端还在用。”——这种代价很高的上下文,不应该靠人每次提醒。
- Agent 做完复杂工作后,可以从对话和工具调用中提炼和管理可复用 Skill。并在需要时导入到指定Agent的上下文。 Skill 支持在面板中编辑和导出。
- Skill 不只是一段 Prompt:它有版本、资源文件、触发边界、执行步骤和验证规则。
- 个人 Skill 默认私有;可分享给团队,再配装给其他 Agent。
排障、Review、上线检查——练会一次,全队可用。
- Wiki 把产品文档、设计方案和运维手册生成结构化页面与链接图谱,支持导入 Markdown、文本、HTML,以及 Word、Excel、PowerPoint 和 PDF。
- CodeGraph 索引代码符号、文件、调用关系和影响路径。
- Agent 可以搜索、阅读、查 callers / callees,也可以在改代码前先做 impact analysis。
Wiki 不让 Agent 先读完所有文件目录再开工。CodeGraph 不只告诉它“代码在这”,还告诉它“改了可能影响哪”。
- 在 Memory Hub 里创建 Team 和 Agent,审核、分享并配装记忆资产。
- 统一管理 Owner、版本、状态、可见性、使用次数与 Agent 绑定。
private严格属于 Owner;team面向全队;restricted通过 User / Role / Agent ACL 精确授权。- 角色分两层:全局 System Admin 管理用户与团队(建团队、录入成员),也可使用 Wiki、CodeGraph、Skill 等资产管理功能;Team 内角色 分为 Admin(团队管理员)和 Member(普通成员),负责团队内的资产协作与权限控制。资产归属通过 Owner 标记,Owner 自动获得对应资产的管理权限。
多数 Agent 的第一件工作,是重新学习你的项目,TencentDB Agent Memory 把你已经付过的学习成本变成存档:
管理员可以配置团队默认 Agent 模板,让新成员沿用团队的工作方式。
具体来说,可以在面板中导入代码库和文档,也可以通过客户端导入脚本导入历史会话:
- 代码库:导入公开仓库或已配置凭据的私有仓库,CodeGraph 自动索引符号、文件、调用关系与影响路径。
- 文档与文件:导入相关文档和文件(也可从已配置的外部来源导入),Wiki 自动生成结构化页面与链接图谱。
- 对话 Session:通过本地资产导入脚本导入受支持客户端的历史会话,默认触发 Skill 和 Chat Memory 提取,也可以只触发其中一种。
不再重新训练每一个 Agent。给它读档。
打开 Memory Hub,建一个 Team:
Tiny but Serious Inc.
├── 👤 You · 定目标 / 做判断
├── 🔭 Scout · 查资料 / 找机会
├── 🛠 Builder · 写代码 / 做产品
├── 🧪 Reviewer · 测试 / 挑毛病
└── 🧠 Agent Memory · 让经验留在队伍里
你不是在开四个彼此失联的聊天窗口,而是在组一支角色不同、能够继承团队经验的 Agent 小队。
🔭 Scout
├── 用户访谈 Chat Memory
├── 市场研究 Wiki
└── 竞品分析 Skill
🛠 Builder
├── 产品 Wiki
├── 项目 CodeGraph
└── Feature Delivery Skill
🧪 Reviewer
├── 历史事故 Chat Memory
├── 项目 CodeGraph
└── Release Checklist Skill
不同角色,不同 Loadout。少给噪音,多给它完成工作真正需要的记忆。
公司可以很小,经验可以一直复利。
RAG 解决“能查到什么”。Team Memory 还要解决“谁可以用、哪个版本有效、应该给哪个 Agent”。
| 聊天历史 | 普通 RAG | TencentDB Agent Memory | |
|---|---|---|---|
| 跨会话理解用户 | △ | △ | ✅ Chat Memory |
| 沉淀可执行经验 | — | — | ✅ Skill |
| 文档结构与关系 | — | △ 切片检索 | ✅ Wiki + Link Graph |
| 代码调用与影响范围 | — | △ 文本命中 | ✅ CodeGraph |
| Owner / 版本 / 状态 | — | — | ✅ |
| 团队分享与 Agent 配装 | — | — | ✅ |
| 私有 / 团队 / ACL | — | △ | ✅ |
| 玩法 | 在 Hub 里做什么 |
|---|---|
| 组队 | 建立 Team,加入人和 Agent,确定共享边界 |
| 资产背包 | 打开、搜索、审核和管理 Chat Memory、Skill、Wiki 与 CodeGraph |
| Agent Loadout | 给不同 Agent 绑定不同记忆,调整优先级与使用方式,并可配置团队默认模板 |
| Knowledge 工坊 | 构建 Wiki 和 CodeGraph,查看处理状态和资产信息 |
| 权限控制 | 在私有、团队与 ACL 授权之间切换,必要时收回共享 |
| 资产使用分析 | 启用可选的数据分析后,查看记忆、技能和知识工具的调用情况 |
点开一条资产,关心的不只是“它写了什么”,还有“它从哪来、是哪个版本、分给了谁、最近是否被使用”。
这里的 Memory 不负责替 Agent 跑 Loop,它负责让下一轮继承上一轮的成果:有价值的交互留在 Chat Memory,跑通的做法可以提炼为 Skill,文档和代码变化则通过 Wiki ingest 与 CodeGraph sync 更新。
没有 Memory,Loop 可能只是更快地重复。能继承记忆,每一轮才有机会比上一轮更好。
新 Chat Memory 和 Skill 默认私有。分享是一个明确动作,不是默认泄漏。
| 可见性 | 语义 |
|---|---|
private |
只有 Owner 可读,团队管理员也不例外 |
team |
团队成员可读,Owner / Admin 负责管理 |
restricted |
通过 User / Role / Agent ACL 精确授权 |
agent |
用于同团队 Agent 的定向装配 |
你可以把“发布 Skill”给 Release Agent,把“架构 Wiki”给所有开发 Agent,把 CodeGraph 给 Coder 和 Reviewer。
TencentDB Agent Memory 不追求“存下所有东西”,而是解决三个问题:什么值得留下、谁可以使用、下一次怎样少拿但拿对。
对话首先作为 L0 保存,再由异步 Pipeline 提炼为不同粒度的记忆:
| 层级 | 保存什么 | 主要用途 |
|---|---|---|
| L0 Conversation | 原始对话与完整上下文 | 核对原话、时间和来源 |
| L1 Atom | 从对话提取的事实、偏好、约束与事件 | 精确召回可执行信息 |
| L2 Scenario | 围绕项目或场景组织的知识块 | 快速恢复一个工作场景 |
| L3 Core / Persona | 长期画像、稳定模式与高层认知 | 让 Agent 迅速进入用户和团队语境 |
生成和召回都分层:平时用 L2 / L3 快速进入语境,需要具体事实时通过 BM25、向量检索与 RRF 回到 L1 / L0。结果还会经过条数、字符预算和超时限制,避免记忆反过来占满上下文。
Chat Memory、Skill、Wiki 和 CodeGraph 都被统一登记为 Memory Asset。Memory Hub 通过 Fixed Binding + ACL 决定某个 Agent 能带走哪些资产:先按 Team、User、Agent 和可见性缩小权限范围,再按当前问题召回。
因此团队可以共享经验,却不必共享全部隐私;换 Agent 或换框架,也只需重新装配,不必重新训练。
文档被整理为可搜索、可沿链接下钻的 Wiki;代码库被索引为包含文件、符号和调用关系的 CodeGraph。Agent 先通过 /v3/tools/list 发现能力,再用 /v3/tools/call 读取相关页面、源码或影响路径。
这让文档和代码也成为记忆,但它们平时只是可用的工具,只有真正需要时才进入上下文。
| Benchmark | 无 TencentDB Agent Memory | 启用后 | 相对提升 |
|---|---|---|---|
| PersonaMem | 48% | 76% | +59% |
PersonaMem 检验Agent 能否在长期交互后正确理解和运用用户信息。
- Wiki 和 CodeGraph 异步构建,需要等待一定时间处理才能
ready。 - CodeGraph 支持公开 HTTPS 仓库和已配置凭据的私有仓库。使用 SSH 拉取私有仓库时,先在面板获取公钥,并在代码托管平台配置访问权限。
- Memory Hub 支持手动装配资产。Proxy 的 Skill 按需选择功能默认关闭;启用并配置好策略后,Proxy 每轮最多选择一个相关 Skill 加载。
v2.0.3 新增会话默认绑定和 Wiki 富文档支持。最新稳定版见 GitHub Releases,历史变更见 CHANGELOG.md。
早期规划见 ROADMAP_CN.md(English: ROADMAP.md)。
TencentDB Agent Memory 的设计站在开源社区的肩膀上:
- CodeGraph:我们的 CodeGraph 资产模块复用了该项目的代码。其"预索引的代码图谱"的设计,是我们该模块实现的基础。
- Hermes Agent(Nous Research):我们的 Skill 资产管理复用了 Hermes Agent 中部分 Skill 相关代码,并在此基础上做了进一步优化。
- Andrej Karpathy 的 "LLM Wiki":将文档视为由 LLM 增量维护、可持续复利的知识产物的思路,直接影响了我们 Wiki 层的构建与维护方式。
在此向以上项目的作者与贡献者致以谢意。
我们欢迎一切形式的贡献——Bug 反馈、功能建议、文档勘误、Benchmark 复现、生态集成,或者一个 Pull Request 都可以。Agent 记忆这件事远未有定论,希望和大家一起把它做出来。
- 🐞 发现 Bug 或有疑问? 欢迎到 GitHub Issues 提交,我们会在 24 小时内响应。
- 💡 有想法想交流? 欢迎在 GitHub Discussions 发起讨论。
- 🛠️ 想贡献代码? 请先阅读 贡献指南。
- ☁️ 云上托管版已正式上线,诚邀体验:腾讯云 Agent 记忆服务。
- 💬 想加入交流群? 扫码加入 Agent Memory 微信社群,与早期开发者直接对话。
让团队走过的路,成为下一个 Agent 的起点.
💡 感谢以下Contributors与我们一起共建,是你们让 TencentDB Agent Memory 变得更完善
|
如果 TencentDB Agent Memory 对你有所帮助,欢迎为项目点亮 ⭐ 支持。 如果有任何建议,欢迎提出issue讨论。 |
|
MIT © TencentDB Agent Memory Team











