引言：為什麼 AI Agent 需要「團隊記憶」？

如果你用過 Claude Code、Cursor、OpenCode 等 AI 程式設計工具，一定遇到過這樣的痛點：

「每次開新對話，Agent 都得重新了解專案背景。之前花了幾十輪對話才建立的项目上下文，一重新整理就沒了。」

「團隊裡五個人用五個不同的 Agent 對話，同樣的問題每個人都要解釋一遍。」

這正是騰訊雲開源的 TencentDB Agent Memory 要解決的核心問題。這個專案在 GitHub 上已獲得超過 10,800 顆 Star，日均增長 600+，是目前開源社群增長最快的 AI Agent 基礎設施專案之一。

它解決什麼問題？

傳統 RAG（檢索增強生成）回答的是「能找到什麼」，而 TencentDB Agent Memory 進一步回答：

  • 誰可以使用這段記憶？（權限控制）
  • 哪個版本是有效的？（版本管理）
  • 哪個 Agent 應該接收這段記憶？（精準分發）

簡單來說，它讓 AI Agent 團隊像人類團隊一樣擁有「經驗累積」——之前做過的工作不用重來，踩過的坑不用重踩。

核心概念：四種記憶資產

TencentDB Agent Memory 將資訊轉化為四種可複用的記憶資產（Memory Assets）：

1. Chat Memory（對話記憶）

保留使用者偏好、事實、決策和互動歷史。不是簡單的聊天記錄存檔，而是經過四層提煉的結構化記憶：

層級 儲存內容 用途
L0 Conversation 原始完整對話 核實原文、時間戳記、來源
L1 Atom 從對話中提取的事實、偏好、限制 精準回憶可執行資訊
L2 Scenario 按專案/場景組織的知識塊 快速恢復工作上下文
L3 Persona 長期畫像、穩定模式 讓 Agent 快速進入團隊上下文

2. Skill（技能）

Agent 在複雜工作中提取的可複用技能——不只是 prompt 片段，而是包含版本、資源檔案、觸發邊界、執行步驟和驗證規則的完整工作流程。

  • 個人 Skill 預設私有，經審核後可共享給團隊
  • 比如「故障排查流程」、「程式碼審查清單」、「發佈檢查表」——一個人學會了，整個團隊都能用

3. Wiki（知識庫）

將產品文件、設計規格、維運手冊轉化為結構化頁面，支援連結圖下鑽（受 Karpathy 的 LLM 知識庫啟發）。

  • Agent 不用每次工作都重新讀取整個檔案列表
  • 支援 BM25 + 向量檢索 + RRF 的混合檢索

4. CodeGraph（程式碼圖譜）

索引程式碼符號、檔案、呼叫關係和影響路徑。

  • Agent 可以搜尋、讀取、檢查呼叫者/被呼叫者
  • 修改程式碼前進行影響分析：「改這個可能影響那些」
  • 不只是告訴你「程式碼在這裡」，還告訴你「改它會影響什麼」

安裝部署

環境需求

  • Linux / macOS
  • Docker + Docker Compose
  • 至少 8GB 記憶體
  • 兩組 LLM API 金鑰（Memory 組和 Proxy 組）

快速啟動（一步到位）

BASH 
# 1. 複製儲存庫
git clone https://github.com/TencentCloud/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images

# 2. 設定環境變數
cp .env.example .env
# 編輯 .env 檔案，填入兩組 LLM 參數：
# - Memory 組：用於記憶提取和分層
# - Proxy 組：用於 Agent 代理請求

# 3. 一鍵啟動所有服務（memory-core + memory-hub + proxy）
./start-all.sh

啟動完成後，腳本會輸出一行可以直接貼上到 Claude Code 的設定命令。

存取控制面板

BASH 
# 瀏覽器開啟
http://localhost:8125

在面板中你可以： - 建立團隊和 Agent - 瀏覽、搜尋、審查和管理記憶資產 - 為不同 Agent 綁定不同的記憶資產

停止服務

BASH 
./stop-all.sh

實戰：建構你的 Agent 團隊

假設你有一個小型開發團隊，可以這樣設定：

Tiny Inc.
├── 👤 你          — 設定目標 / 做決策
├── 🔭 Scout       — 調研 / 找機會
├── 🛠 Builder      — 寫程式碼 / 做產品
├── 🧪 Reviewer     — 測試 / 找問題
└── 🧠 Agent Memory — 儲存團隊經驗

第一步：建立團隊和 Agent

在 Memory Hub 面板中建立團隊，然後為每個角色建立對應的 Agent。

第二步：匯入已有資產

BASH 
# 匯入現有程式碼庫 → CodeGraph 自動索引
# 匯入文件檔案 → Wiki 自動產生結構化頁面
# 匯入歷史對話 → Skills 和 Chat Memory 自動提取

第三步：為不同 Agent 分配記憶資產

不同角色，不同裝備：

🔭 Scout
 ├── 使用者訪談 Chat Memory
 ├── 市場調研 Wiki
 └── 競品分析 Skill

🛠 Builder
 ├── 產品 Wiki
 ├── 專案 CodeGraph
 └── 功能交付 Skill

🧪 Reviewer
 ├── 歷史事件 Chat Memory
 ├── 專案 CodeGraph
 └── 發佈檢查 Skill

每個 Agent 只獲取完成工作所需的記憶，減少噪音。

進階：透過 API 整合到你的工作流程

TencentDB Agent Memory 提供 RESTful API，可以整合到 Claude Code、OpenCode、Cursor 等 Agent 框架中。

列出可用工具

BASH 
# 檢視 Agent 可用的記憶工具
curl http://localhost:8125/v3/tools/list

返回結果範例：

JSON 
{
  "tools": [
    {
      "name": "search_memory",
      "description": "搜尋記憶資產，返回匹配的結果"
    },
    {
      "name": "read_wiki",
      "description": "讀取 Wiki 頁面內容"
    },
    {
      "name": "inspect_codegraph",
      "description": "檢查程式碼呼叫關係和影響路徑"
    }
  ]
}

呼叫記憶檢索

BASH 
curl -X POST http://localhost:8125/v3/tools/call \
  -H "Content-Type: application/json" \
  -d '{
    "tool": "search_memory",
    "query": "auth 模組行動裝置相容性",
    "limit": 5
  }'

與 Claude Code 整合

start-all.sh 啟動完成後會輸出 Claude Code 的設定命令，大致格式為：

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

這樣 Claude Code 在寫程式碼時就能自動存取專案的 Wiki 和 CodeGraph，不用你重複說明專案背景。

權限與隱私模型

TencentDB Agent Memory 的權限設計非常細緻，確保記憶資產不會隨意洩漏：

可見性 語意
private 僅 Owner 可見——團隊管理員也不可見
team 團隊成員可讀，Owner/Admin 可管理
restricted 透過 User / Role / Agent ACL 精確授權
agent 針對團隊內特定 Agent 的定向裝備

新建立的 Chat Memory 和 Skill 預設為 private，共享是顯式操作而非預設洩漏。

與傳統 RAG 方案對比

能力 標準 RAG TencentDB Agent Memory
跨對話使用者理解 △ ✅ Chat Memory
提煉可執行經驗 — ✅ Skill
文件結構關係 △ Chunk 檢索 ✅ Wiki + Link Graph
程式碼呼叫圖 & 影響範圍 △ 文字匹配 ✅ CodeGraph
所有權/版本/狀態 — ✅
團隊共享 & Agent 裝備 — ✅
私有/團隊/ACL 權限 △ ✅

RAG 解決的是「從海量資料中檢索」，而 Agent Memory 解決的是「把有價值的經驗沉澱下來，精準分發給需要的人和 Agent」。

常見問題

Q: 需要什麼樣的 LLM API 金鑰？

需要兩組 LLM 參數： - Memory 組：用於對話分層提煉、Skill 提取、Wiki 產生 - Proxy 組：用於 Agent 代理請求轉發

支援主流 LLM 供應商（OpenAI、Anthropic、DeepSeek 等）。

Q: 可以遷移舊版本資料嗎？

可以。專案提供了遷移工具：

BASH 
# v2 → v3 資料遷移
# 詳見 MemoryCore/scripts/migrate-v2-to-v3/README.md

Q: CodeGraph 支援哪些語言？

目前優先支援主流程式語言，透過 HTTPS 儲存庫索引。本機儲存庫支援正在開發中。

Q: 記憶資產會佔用大量上下文視窗嗎？

不會。檢索結果有數量、字元預算和逾時限制三重約束，防止記憶淹沒上下文視窗。通常 L2/L3 提供快速上下文引導，需要具體事實時才回退到 L1/L0。

總結

TencentDB Agent Memory 的核心理念很樸素但深刻：

「你為學習專案上下文付出的成本，不應該被每個新 Agent 重新支付。」

它不是另一個 RAG 工具，也不是單純的對話歷史記錄。它解決的是 AI Agent 協作中最實際的痛點——經驗如何傳承。

  • 有價值的互動保留在 Chat Memory 中
  • 驗證過的工作流程提煉為 Skill
  • 文件和程式碼的變化透過 Wiki 和 CodeGraph 持續更新

專案採用 MIT 授權開源，適合個人開發者和團隊使用。如果你正在用多個 AI Agent 協作開發專案，這個工具可能會顯著提升你的效率。

🔗 相關連結： - GitHub: TencentCloud/TencentDB-Agent-Memory - 安裝文件: INSTALL.md - 中文安裝文件: INSTALL_CN.md