OpenClaw作为一个AI Agent，它一直选择走的是记忆进化的路线。反观Hermes Agent，则偏向于技能进化，即技能自我迭代与自动创建。

目前业内对于Agent的记忆系统的打造，普遍认为需要两层记忆，一层是长期记忆，记录用户的原始对话，结构化事实，场景块，用户画像。

这层待会在介绍今天的主角时，重复提到。另外一层是经验记忆，负责记录哪些做法有效、哪些容易翻车、下次该优先做什么。

也因此延伸出了一个新的概念，叫Agentic RL（代理强化学习），即记忆系统也是需要强化学习后，才能得到更好的进化效果。

通过这两层记忆搭建的记忆系统，Agent不仅能记住背景，还能从自身行动历史中学习并优化未来的决策策略，从而变得更智能、更高效。

回到最根本的问题，为什么Agent需要记忆系统？答案是Agent普遍存在跨会话连续性差、长任务上下文丢失、无法个性化适配这三个核心问题。

记忆系统旨在解决这三个核心问题，让Agent能持续理解用户、项目和过往互动，从而避免每次对话都从零开始，这对于实现长期任务和深度个性化体验至关重要。

因此今天老马又给大家安利一个由腾讯数据库带来的Agent记忆系统，项目名称：TencentDB-Agent-Memory，开源地址：
https://github.com/Tencent/TencentDB-Agent-Memory

TencentDB-Agent-Memory想解决的是，Agent用久了之后，不应该每次都像失忆重开。

它应该记得你是谁、你常做什么、你之前怎么做、某个任务做到哪里了，以及遇到问题时该回看哪些证据。

但它的关键点不是多记，而是会整理、会压缩、会追溯。

所以TencentDB-Agent-Memory的主要作用如下：

第一：减少重复沟通

比如你每次都要告诉Agent，项目背景是什么、代码规范是什么、输出格式怎么写、某些工具怎么用。

TencentDB-Agent-Memory希望把这些长期信息沉淀下来，下次Agent能自动召回，不用你反复交代。

第二：支撑长任务不断片

真实Agent任务经常会跑很久，过程中会产生大量工具日志、搜索结果、报错信息。如果都塞进上下文，Token很快爆掉。

如果粗暴摘要，又容易丢细节。TencentDB-Agent-Memory的做法是把完整原文卸载到外部文件里，在上下文里只保留一张轻量的任务地图。

Agent先看地图推理，需要细节时再顺着索引回去查。

第三：让Agent形成经验

TencentDB-Agent-Memory不只记你说过什么，还想记事情是怎么做成的。也就是说，它的方向是让Agent从一次次任务里沉淀方法论。

TencentDB-Agent-Memory的核心特点

短期记忆：把长任务压成一张Mermaid任务图

它把冗长的工具日志、报错、搜索结果等内容卸载到文件系统，只在模型上下文里保留Mermaid图谱。这个图谱像任务导航图，里面有节点关系和 node_id。

好处是Agent不用背着几十万Token的过程日志干活，只需要看一张几百 Token的结构图。真要查细节时，再按node_id找回原始内容。

可以把它理解成不是把整本书塞进脑子，而是给Agent一本目录和索引。

长期记忆：从原始对话提炼到用户画像

它把长期记忆分成几层：

L0：原始对话

L1：结构化事实

L2：场景块

L3：用户画像

这比普通向量库切片召回更有层次。普通做法像一堆便利贴，搜到哪张算哪张。

它更像一个知识金字塔，上层负责理解你的偏好、风格和长期目标，下层负责保留证据和细节。

可追溯：摘要不是黑盒

这是它很重要的卖点。很多记忆系统的问题是模型说我记得你喜欢这样，但你不知道它从哪来的，错了也不好改。

TencentDB Agent Memory强调每条高层记忆都能往下追，Persona → Scenario → Atom → Conversation。任务压缩也能从Mermaid节点追到JSONL，再追到refs/*.md原文。

所以它不是压缩完就不可逆，而是能折叠，也能展开。能总结，也能查证。

以上官方介绍的总结，可能会让你看得有点蒙圈。但老马认为，你得先用起来，在使用的过程中，发现记忆系统存在哪些问题。

比如记忆写入错误的问题，模型在提炼总结上下文的过程中，很有可能产生错误，这个是不可避免的，就像模型的幻觉一样。

而这些错误的记忆内容被保存下来，在下次被召回的时候，就会对当前的任务或者新记忆，产生一种误导，即记错了，影响以后的事情进展。

遇到这个问题，你就需要跟你的Agent，无论是OpenClaw也好，Hermes也行，进行深入持续的沟通，怎样去优化掉这个问题。

Agent是可以帮你对记忆系统进一步改造的，像刚才记忆错误的问题，你就告诉Agent，创建一套记忆内容的验证机制，记录下整个轨迹。

包括任务的内容，任务的目标，任务的关键步骤，任务所调用的工具，任务验证通过的标准，任务存在报错时的调试，记忆内容与任务原文的比对等等。

这些不是固定下来的一套SOP，你不一定要去抄别人的模板。而是根据你的任务情况，自行去搭建一套验证记忆内容的机制，类似于自己创建一套规则。

老马认为当前市面上还没有所谓完美通用的记忆系统，最好的记忆系统，往往是你跟Agent一起打磨，调试出来的。

要不然你今天看到这个记忆系统好，那个记忆系统吹得也挺牛，装来装去，最后一团糟，记忆还是混乱的，系统依旧不好用。

学会跟Agent协作，在Agent部署了一套像TencentDB Agent Memory这样的基础记忆系统框架之后，接下来的工作才刚开始。

不是说部署后，躺着等TencentDB Agent Memory干活就完了。你得时时检验记忆系统的工作是否正常，是否符合你的任务需求，是否存在问题等。

比如老马就会让小龙虾去设定一个定时检查任务，检查短期记忆文件是否保存到位，长期记忆总结了什么内容，记忆内容召回的成功率有多少，哪些记忆内容是可以合并等等。

这个定时任务是每天都会自动去跑一次，如果定时任务还有欠缺，考虑不到的细节，老马还会让小龙虾继续补充上去。长期以往，整个定时任务就像一张巡检清单列表。

就像是请了一个专门的记忆系统检查官，按照巡检清单这套SOP机制不断去执行。一旦发现了问题，老马就继续跟小龙虾一起优化当前的记忆系统。

如此持续反复，慢慢地把一套通用的记忆系统框架，打磨成适合自己需求的的个性化记忆系统。当然，这只是老马的个人做法，仅供参考，但思路都是差不多的。

下面接着介绍TencentDB Agent Memory的安装使用问题。

TencentDB-Agent-Memory的安装使用

TencentDB Agent Memory在OpenClaw上安装，是以插件的形式，只需要把下面的命令发送给你的小龙虾即可：

openclaw plugins install @tencentdb-agent-memory/memory-tencentdb

安装完成之后，在命令行窗口运行以下命令重启一下OpenClaw网关：

openclaw gateway restart

不过有的时候，小龙虾可能会告诉你，安装的命令有错误，npm上找不到这个包，这种情况一是安装成功了，二是安装过程中，网关出现了某些问题：

保险起见，老马把github项目打包上传到网盘，实在安装不了的小伙伴，可以下载这个zip压缩包，通过QQ或者飞书发给小龙虾去安装。

或者解压成文件夹，把本地文件夹的路径告诉小龙虾，让它自己进入路径去阅读项目的相关文档进行安装。

TencentDB Agent Memory项目打包网盘下载地址：

夸克网盘：
https://pan.quark.cn/s/413328b62efe

UC网盘：
https://drive.uc.cn/s/f0dbb4c223c54?public=1

迅雷云盘：
https://pan.xunlei.com/s/VOt-B-Bys8X763mQjgCS-RdRA1?pwd=haju

还是那句老话，装完得持续用，然后跟Agent不断去打磨，不然再好用的记忆系统框架，按照小龙虾的尿性，用着用着到了最后，变成一堆的报错。

就拿mem9来说，以前也给大家介绍过云端记忆系统，老马是一直当做本地记忆系统之外的备用记忆，结果最近又开始报错了，不说了，得修去了。

好了，以上就是今天的分享，欢迎关注、点赞、转发一键三连。有任何问题和需求，请在评论区留言，回见！

对了，老马最近刚创建了一个AI学习交流群，有兴趣进群的小伙伴可以添加老马微信号：immajiabin，添加好友时备注：进群（不备注不通过）。