引言：为什么 AI Agent 需要「团队记忆」？

如果你用过 Claude Code、Cursor、OpenCode 等 AI 编程工具，一定遇到过这样的痛点：

"每次开新会话，Agent 都得重新了解项目背景。之前花了几十轮对话才建立的项目上下文，一刷新就没了。"

"团队里五个人用五个不同的 Agent 会话，同样的问题每个人都要解释一遍。"

这正是腾讯云开源的 TencentDB Agent Memory 要解决的核心问题。这个项目在 GitHub 上已获得超过 10,800 颗 Star，日均增长 600+，是目前开源社区增长最快的 AI Agent 基础设施项目之一。

它解决什么问题？

传统 RAG（检索增强生成）回答的是"能找到什么"，而 TencentDB Agent Memory 进一步回答：

  • 谁可以使用这段记忆？（权限控制）
  • 哪个版本是有效的？（版本管理）
  • 哪个 Agent 应该接收这段记忆？（精准分发）

简单来说，它让 AI Agent 团队像人类团队一样拥有"经验积累"——之前做过的工作不用重来，踩过的坑不用重踩。

核心概念：四种记忆资产

TencentDB Agent Memory 将信息转化为四种可复用的记忆资产（Memory Assets）：

1. Chat Memory（对话记忆）

保留用户偏好、事实、决策和交互历史。不是简单的聊天记录存档，而是经过四层提炼的结构化记忆：

层级 存储内容 用途
L0 Conversation 原始完整对话 核实原文、时间戳、来源
L1 Atom 从对话中提取的事实、偏好、约束 精准回忆可执行信息
L2 Scenario 按项目/场景组织的知识块 快速恢复工作上下文
L3 Persona 长期画像、稳定模式 让 Agent 快速进入团队上下文

2. Skill（技能）

Agent 在复杂工作中提取的可复用技能——不只是 prompt 片段，而是包含版本、资源文件、触发边界、执行步骤和验证规则的完整工作流。

  • 个人 Skill 默认私有，经审核后可共享给团队
  • 比如"故障排查流程"、"代码审查清单"、"发布检查表"——一个人学会了，整个团队都能用

3. Wiki（知识库）

将产品文档、设计规格、运维手册转化为结构化页面，支持链接图下钻（受 Karpathy 的 LLM 知识库启发）。

  • Agent 不用每次工作都重新读取整个文件列表
  • 支持 BM25 + 向量检索 + RRF 的混合检索

4. CodeGraph（代码图谱）

索引代码符号、文件、调用关系和影响路径。

  • Agent 可以搜索、读取、检查调用者/被调用者
  • 修改代码前进行影响分析："改这个可能影响那些"
  • 不只是告诉你"代码在这里"，还告诉你"改它会影响什么"

安装部署

环境要求

  • Linux / macOS
  • Docker + Docker Compose
  • 至少 8GB 内存
  • 两组 LLM API 密钥（Memory 组和 Proxy 组）

快速启动（一步到位）

# 1. 克隆仓库
git clone https://github.com/TencentCloud/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images

# 2. 配置环境变量
cp .env.example .env
# 编辑 .env 文件，填入两组 LLM 参数：
# - Memory 组：用于记忆提取和分层
# - Proxy 组：用于 Agent 代理请求

# 3. 一键启动所有服务（memory-core + memory-hub + proxy）
./start-all.sh

启动完成后，脚本会输出一行可以直接粘贴到 Claude Code 的配置命令。

访问控制面板

# 浏览器打开
http://localhost:8125

在面板中你可以： - 创建团队和 Agent - 浏览、搜索、审查和管理记忆资产 - 为不同 Agent 绑定不同的记忆资产

停止服务

./stop-all.sh

实战：构建你的 Agent 团队

假设你有一个小型开发团队，可以这样配置：

Tiny Inc.
├── 👤 你          — 设定目标 / 做决策
├── 🔭 Scout       — 调研 / 找机会
├── 🛠 Builder      — 写代码 / 做产品
├── 🧪 Reviewer     — 测试 / 找问题
└── 🧠 Agent Memory — 保存团队经验

第一步：创建团队和 Agent

在 Memory Hub 面板中创建团队，然后为每个角色创建对应的 Agent。

第二步：导入已有资产

# 导入现有代码库 → CodeGraph 自动索引
# 导入文档文件 → Wiki 自动生成结构化页面
# 导入历史对话 → Skills 和 Chat Memory 自动提取

第三步：为不同 Agent 分配记忆资产

不同角色，不同装备：

🔭 Scout
 ├── 用户访谈 Chat Memory
 ├── 市场调研 Wiki
 └── 竞品分析 Skill

🛠 Builder
 ├── 产品 Wiki
 ├── 项目 CodeGraph
 └── 功能交付 Skill

🧪 Reviewer
 ├── 历史事件 Chat Memory
 ├── 项目 CodeGraph
 └── 发布检查 Skill

每个 Agent 只获取完成工作所需的记忆，减少噪音。

进阶：通过 API 集成到你的工作流

TencentDB Agent Memory 提供 RESTful API，可以集成到 Claude Code、OpenCode、Cursor 等 Agent 框架中。

列出可用工具

# 查看 Agent 可用的记忆工具
curl http://localhost:8125/v3/tools/list

返回结果示例：

{
  "tools": [
    {
      "name": "search_memory",
      "description": "搜索记忆资产，返回匹配的结果"
    },
    {
      "name": "read_wiki",
      "description": "读取 Wiki 页面内容"
    },
    {
      "name": "inspect_codegraph",
      "description": "检查代码调用关系和影响路径"
    }
  ]
}

调用记忆检索

curl -X POST http://localhost:8125/v3/tools/call \
  -H "Content-Type: application/json" \
  -d '{
    "tool": "search_memory",
    "query": "auth 模块移动端兼容性",
    "limit": 5
  }'

与 Claude Code 集成

start-all.sh 启动完成后会输出 Claude Code 的配置命令，大致格式为：

claude --permission-prompt-yolo \
  --tools memory-search,memory-read \
  --memory-endpoint http://localhost:8125

这样 Claude Code 在编码时就能自动访问项目的 Wiki 和 CodeGraph，不用你重复说明项目背景。

权限与隐私模型

TencentDB Agent Memory 的权限设计非常细致，确保记忆资产不会随意泄露：

可见性 语义
private 仅 Owner 可见——团队管理员也不可见
team 团队成员可读，Owner/Admin 可管理
restricted 通过 User / Role / Agent ACL 精确授权
agent 针对团队内特定 Agent 的定向装备

新创建的 Chat Memory 和 Skill 默认为 private，共享是显式操作而非默认泄露。

与传统 RAG 方案对比

能力 标准 RAG TencentDB Agent Memory
跨会话用户理解 △ ✅ Chat Memory
提炼可执行经验 — ✅ Skill
文档结构关系 △ Chunk 检索 ✅ Wiki + Link Graph
代码调用图 & 影响范围 △ 文本匹配 ✅ CodeGraph
所有权/版本/状态 — ✅
团队共享 & Agent 装备 — ✅
私有/团队/ACL 权限 △ ✅

RAG 解决的是"从海量数据中检索"，而 Agent Memory 解决的是"把有价值的经验沉淀下来，精准分发给需要的人和 Agent"。

常见问题

Q: 需要什么样的 LLM API 密钥？

需要两组 LLM 参数： - Memory 组：用于对话分层提炼、Skill 提取、Wiki 生成 - Proxy 组：用于 Agent 代理请求转发

支持主流 LLM 提供商（OpenAI、Anthropic、DeepSeek 等）。

Q: 可以迁移旧版本数据吗？

可以。项目提供了迁移工具：

# v2 → v3 数据迁移
# 详见 MemoryCore/scripts/migrate-v2-to-v3/README.md

Q: CodeGraph 支持哪些语言？

目前优先支持主流编程语言，通过 HTTPS 仓库索引。本地仓库支持正在开发中。

Q: 记忆资产会占用大量上下文窗口吗？

不会。检索结果有数量、字符预算和超时限制三重约束，防止记忆淹没上下文窗口。通常 L2/L3 提供快速上下文引导，需要具体事实时才回退到 L1/L0。

总结

TencentDB Agent Memory 的核心理念很朴素但深刻：

"你为学习项目上下文付出的成本，不应该被每个新 Agent 重新支付。"

它不是另一个 RAG 工具，也不是单纯的对话历史记录。它解决的是 AI Agent 协作中最实际的痛点——经验如何传承。

  • 有价值的交互保留在 Chat Memory 中
  • 验证过的工作流提炼为 Skill
  • 文档和代码的变化通过 Wiki 和 CodeGraph 持续更新

项目采用 MIT 协议开源，适合个人开发者和团队使用。如果你正在用多个 AI Agent 协作开发项目，这个工具可能会显著提升你的效率。

🔗 相关链接： - GitHub: TencentCloud/TencentDB-Agent-Memory - 安装文档: INSTALL.md - 中文安装文档: INSTALL_CN.md