唐杰的上联， 姚顺雨的下联 文章

agent正在变得越来越能干，但它还有一个很尴尬的问题，那就是干着干着，就忘了自己要干什么了。 长任务、跨会话、连续执行，这些的确是agent的发展方向，可前提是它必须有一套可靠的记忆系统。否则，再强的模型也只能在一次次对话里反复“重新认识世界”。 腾讯最近开源的AgentDB，瞄准的正是这个问题。 这一个是专门用来解决记忆问题的独立组件，一共只有几MB的大小，下载到电脑以后，在OpenClaw或者Hermes Agent里输入一个指令，AgentDB就安装完成了。 就是这么一个“小玩意”，在发布的同时，腾讯专门为其开设了独立的X账号（ @TencentDBAbxo2），并由团队亲自在社交媒体上与开发者互动。 虽然腾讯不同业务都有X账号，比如混元、腾讯云等等，但这是腾讯第一次为一个开源工具单独开X账号，可见腾讯对这个开源项目的重视程度。 那就别说别的了，直接进入主题吧！ AgentDB解决了什么问题？ 对于模型记忆这个问题，Codex和OpenClaw曾尝试用压缩的方式解决，把冗长的历史对话压缩成一小段摘要，但这种做法会不可逆地损失记忆的细节。 当Agent需要回溯某个具体决策的依据时，那些被压缩掉的信息就永远找不回来了。 这就是传统记忆系统的现状。要么把所有历史对话无脑塞进上下文窗口，导致token消耗爆炸，成本直线上升。要么用总结压缩历史，虽然省了token，但细节永久丢失，Agent在需要考证时只能靠模糊的印象瞎猜。 这两种方案都不够优雅，也都不够实用。 AgentDB本质上是一个分层渐进式的Agent记忆管道系统。它采用“符号化短期记忆+分层长期记忆”的双轨架构，试图在token效率和信息完整性之间找到平衡点。 这套系统的设计理念包含三个维度。 第一个维度，拒绝暴力堆积，也拒绝不可逆压缩。 AgentDB设计了L0到L3四层记忆金字塔。L0是原始对话，完整保留每一轮交互的原始记录。L1是提取的原子记忆，由LLM自动从对话中提取结构化事实、用户偏好、任务约束和中间结论。L2是场景聚合，按任务类型自动归纳相关记忆，形成场景块。L3是用户画像，持续提炼信息，形成稳定的长期用户档案。 这种分层设计的核心价值在于“可压缩、可展开、可追溯”。 平时Agent工作时，只需要加载高层的Perso

摘要可能不完整，可查看原文