深度解析腾讯云Agent-Memory-4层渐进式记忆管道
一句话概括
本文深入源码剖析腾讯云 TencentDB Agent Memory 的 4 层渐进式记忆管道（L0-L3）架构，包括向量混合检索、自动化记忆提取调度、Mermaid 图压缩上下文的完整技术实现，以及如何实现 61% 的 Token 节省与 76% 长期记忆准确率。
摘录
AI Agent 面临一个根本性困境：每次对话都像失忆一样从零开始。传统的解决方案要么将原始对话全部塞入上下文窗口（Token 爆炸），要么依赖外部向量数据库进行简单检索（丢失结构化推理路径）。TencentDB Agent Memory 提出了一种全新的思路——将人类记忆的工作机制工程化为 4 层渐进式管道。
存储策略的核心取舍：底层（L0/L1 的事实、日志、执行轨迹）使用数据库存储以支持全文检索；顶层（L2/L3 的场景块、画像、Canvas）使用人类可读的 Markdown 文件，实现”白盒可检查性”——运维人员可以直接打开文件查看 Agent 对用户的理解，而不是面对黑盒的向量打分。
每一层抽象都可以透过 node_id 确定性追溯回原始证据：Persona → Scenario → Atom → Conversation。这解决了”Agent 为什么得出这个结论”的审计难题。画像中的每条偏好都能追溯到具体的对话场景，场景中的每个模式都来源于具体的原子事实。
4 层渐进式记忆管道让 Agent 拥有了类似人类的”短期→长期→归纳→画像”记忆形成机制；符号化上下文卸载用 Mermaid 图 + 三级递进压缩解决了长对话的 Token 爆炸问题，实测节省 61.38% Token。
涉及实体
- Agent-Memory —— 本文深度解析 TencentDB Agent Memory 架构与实现