📄 文章总结：《腾讯开源的这个Agent 记忆系统太强了，Github已经19.8k Star了》

公众号： 刘聪NLP | 分类： agent | 收录日期： 2026-08-13 原链接： https://mp.weixin.qq.com/s/GRKrNzbMLMCX0BFo-tkBQg

一、项目现状：从 2.6k 到 19.8k Star

作者在 5 月初分享过一篇关于 Agent 记忆系统的文章，其中分析了腾讯开源项目 TencentDB Agent Memory，当时刚开源不久，GitHub 只有 2.6k Star。两天前再看，这个项目已经涨到 19.8k Star。相较于之前只针对单用户的 Agent 记忆，现在新增了 Skill、Wiki、CodeGraph 和 Team Memory 功能，开始支持一个团队的 Agent 共享记忆、继承经验。作者前几天在写 Codebuddy NPC 时也聊到：现在 AI Coding 时代，单打独斗能力很强，但团队协作起来会很麻烦，其中很关键的一点就是多 Agent 协同问题。

二、多 Agent 协同的痛点

大多数人在多个 Agent 协同时，都是放进同一个大项目里，让 Agent 自己读代码、读文档、搜历史文件。这样做很简单，作者也经常这么做，但项目越大，问题越明显：

同一个背景会被不同 Agent 反复读取和总结，Token 在无限消耗；
虽然很多大模型已经支持 1M 上下文，但在超过 256k 之后，很多模型的能力还是会衰减，与当前角色无关的资料进得太多，真正关键的约束很容易被忽略；
新旧需求混在一起，模型也不一定能有效分析哪个更有用。

把所有信息一股脑塞给每个 Agent，很容易造成很大的上下文污染。所以在 OPC + 多 Agent 协作的时代，一套有效的 Agent 记忆系统非常重要。

三、Team Memory 的两层架构

TencentDB Agent Memory 的 Team Memory 可以拆成两层：

记忆内容层：负责把不同信息整理成 Chat Memory、Skill、Wiki 和 CodeGraph；
记忆控制层：负责 Team、Agent、权限、版本、绑定和使用记录。

其中：

Chat Memory 依然采用 L0 到 L3 的分层记忆，分别对应原始记录、原子记忆、场景记忆和长期画像；
已经跑通的操作流程，可以被整理成 Skill，写清楚适用场景、触发边界、执行步骤和验证规则；
项目里的文档可以组织成 Wiki，让 Agent 搜索具体内容，沿着页面之间的链接继续查找；
代码则更适合交给 CodeGraph，可以保留文件、代码符号、调用关系和影响路径，帮助 Agent 理解代码结构，以及一次修改可能影响哪些地方。

四、使用步骤：环境安装

第一步是环境安装：

git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
$EDITOR .env
./start-all.sh

你需要在 .env 文件里填好 LLM API Key。有两组模型参数：一组服务于记忆、Wiki 等内容的抽取和整理，另一组用于代理 Agent 发出的模型请求。

如果嫌手动安装麻烦，可以直接告诉你的 Claude Code、Codex、OpenClaw 等一系列 Agent 工具帮你安装，需要 API Key 的时候它们会询问你。AI 时代，一切交给 AI 就好了，有问题截图给它修。

五、使用步骤：创建 Team 与导入资料

第二步，在 Memory Hub 里创建 Team。比如创建一个“公众号排版网站项目”的 Team，然后向团队里添加成员和 Agent。作者一共添加了三个 Agent：

一个负责阅读资料和梳理需求；
一个负责修改代码和交付页面；
一个负责检查代码与内容。

Agent 的角色定位、规则和权限都可以自定义，不设置也能使用，但作者更建议把分工写清楚。后面给不同 Agent 分配记忆时，角色越明确，哪些信息该给谁就越容易判断。

如果接入的不是一个从零开始的新项目，还可以提前把已有资料导入进来：

代码项目可以直接绑定已有的 Git 仓库，用来构建 CodeGraph；
本地已有的 Markdown 等文档，也可以上传后构建 Wiki。

注意，Wiki 的创建需要一段时间，主要看内容多少和关联关系。你可以根据 Wiki 轻松定位到项目的核心内容。

六、使用步骤：接入 Agent 工具并自动记录

第三步，使用你的 Agent 工具，同步记录 Chat Memory。这里以 Claude Code 为例，需要配置 Agent Memory 提供的 URL 和 Key。部署时已经对你的 Agent 调用所需的 LLM 做了 proxy。比如作者这里配的是 k3 模型，具体模型选择看你自己前面配的什么模型：

export ANTHROPIC_BASE_URL=http://127.0.0.1:8096/claude-code/default
export ANTHROPIC_AUTH_TOKEN='当前用户自己的 sk-mem Key'
claude --model k3

启动 Claude Code 后，会先确认是否关联团队资产、关联 Agent、Task 等。选择完毕后，会自动加载本次对话需要的上下文信息，也就是会把之前的部分上下文带下来。

以增加渲染主题为例：实际使用方式和普通 Claude Code 没什么区别，Agent 能力依然取决于你接入的模型，Team Memory 只负责把相关背景和经验交给它。任务完成后，里多了一套紫色像素风的公众号排版主题。

但神奇的是，打开管理后台，在 Skill 技能中，新增了一个“Adding a New Theme to a WeChat Article Typesetting Engine”，也就是“为微信公众号文章排版引擎新增主题”。记忆系统自动把刚才的开发任务归档成了一条可以复用的 Skill，以后再增加新的排版主题，就可以直接参考这套流程，不用重新摸索一遍。自动构建的 Skill 还挺全面，基本上就是开发的流程，里面涉及工作流程、输入输出、决策规则、验收标准、常见问题等。

七、Chat Memory 沉淀与主动参考

Agent 工作一段时间之后，会在 Chat Memory 里积累下一些东西，比如你的技术风格偏好。这些偏好在进行功能开发时，Agent 会主动参考。

例如，加载其他项目“workbuddy 蓝皮书”时，作者想把所有数据保存到数据库里，加载 Agent 之后，它会推荐使用 SQLite。作者让其使用其他数据库时，又实现一个新功能：允许用户在页面上自定义样式，先看一下如何增加这个模块，并且把样式中的素材都记录到 MySQL 里。它会判断之前偏好是 SQLite，询问是否进行数据库的修改，依然建议沿用之前的技术。面对记忆跟现实需求存在冲突的时候，会进行 check 让人自动选择。

八、权限控制与总结

团队积累下来的 Chat Memory 和 Skill，不会默认对所有人开放。需要共享的资产，要由用户主动开启分享或分配给相应 Agent。否则，这些记忆和经验仍然属于个人或指定 Agent，不会直接灌给团队里的所有成员。这也是作者觉得项目做得比较好的地方：Team Memory 让有用的经验在团队里流动，同时尽量降低记忆串线、上下文污染和权限越界。

最后，TencentDB Agent Memory 已经把 Agent Memory 从“记住我说过什么”，推进到了“让一支 Agent 团队积累经验”。单个 Agent 的记忆解决的是连续性问题，Team Memory 解决的是组织学习问题。只有当成功方法可以被提炼，失败路径可以被保留，知识可以按角色流动，过期内容又能被收回，多个 Agent 才算真正组成了一支队伍。模型决定一个 Agent 这一轮能走多远，记忆系统决定这支队伍走过的路、犯过的错，会不会再走一遍。

🎯 Friday 提炼

TencentDB Agent Memory 从 2.6k Star 涨到 19.8k Star，新增 Skill、Wiki、CodeGraph、Team Memory，从单 Agent 记忆升级为团队 Agent 共享记忆与经验继承。
Team Memory 分两层：内容层（Chat Memory 的 L0-L3、Skill、Wiki、CodeGraph）和控制层（Team、Agent、权限、版本、绑定、使用记录）。
针对多 Agent 协同的痛点，避免 Token 重复消耗、上下文污染和关键约束被忽略，Team Memory 提供了结构化的背景知识与经验分配机制。
使用上支持环境安装一键启动，也可让 Claude Code 等 Agent 工具辅助安装；创建 Team、添加 Agent、绑定 Git 仓库构建 CodeGraph、上传文档构建 Wiki，之后接入 Claude Code 即可自动加载上下文。
任务完成后会自动沉淀可复用的 Skill，Chat Memory 也会积累技术偏好供 Agent 后续主动参考；共享资产需主动开启，以控制权限和避免上下文污染。

一句话： 腾讯 TencentDB Agent Memory 通过 Team Memory 两层架构，让多 Agent 团队具备共享记忆、自动沉淀经验和按角色流动知识的能力，真正解决多 Agent 协作中的上下文污染与重复摸索问题。

💡 Friday 看法

这项目确实戳中了我这种天天拿 AI 写代码的人——单机模式再强，一进团队协作就抓瞎，上下文污染和 token 浪费太真实了。我最喜欢的是它自动把开发流程沉淀成 Skill 这点，等于团队的经验能“遗传”给新 Agent，不用每次重新教。不过我也好奇，这种记忆系统会不会让 Agent 太依赖历史偏好，反而抑制了尝试新方案的灵活性？毕竟我有时候自己都嫌 PostgreSQL 麻烦想换换口味。