TencentDB Agent Memory 完整教學 2026：AI Agent 跨 Session 持久記憶，四層記憶架構解析

你有沒有這個問題：每次重開 Claude Code，它就忘記上週你說的「我們專案用 PostgreSQL，記得加 connection pool」？每個 session 都要重新解釋架構決策，token 燒光，時間浪費。TencentDB Agent Memory 就是專門解決這個問題的工具。90 天內從 0 衝到 21.5K GitHub Stars，2026-08-13 剛發布 Team Memory 多人協作版，是目前最熱門的 AI Agent 記憶管理開源專案。這是全網首篇繁中完整教學。

TencentDB Agent Memory 是什麼？

TencentDB Agent Memory（GitHub: TencentCloud/TencentDB-Agent-Memory）是由騰訊雲資料庫團隊開源的 AI Agent 記憶管理系統。它的核心定位是「AI Agent 與 LLM 之間的記憶中介層」——不是一個新的 Agent，而是讓你現有的 Claude Code、Cursor、Codex、OpenClaw 等 AI 工具，擁有真正的長期記憶。

傳統的 AI coding agent 記憶方式是把所有歷史對話塞進 context window，結果就是：token 貴、速度慢、重要資訊被淹沒在無用的工具呼叫記錄裡。TencentDB Agent Memory 的解法是把記憶「符號化、分層化」——把對話萃取成結構化知識，而不是原始文字堆疊。

四種記憶資產詳解

這是 TencentDB Agent Memory 最核心的設計。它把 AI Agent 需要記住的東西分成四種「記憶資產」，每種有不同的用途和儲存方式：

這四種記憶資產是獨立管理、按需載入的。當 Agent 需要回答問題時，系統用混合檢索（BM25 + 向量搜尋，RRF 融合）找出最相關的記憶片段，而不是把全部歷史都丟進 prompt。

記憶架構：語義金字塔

TencentDB Agent Memory 的記憶儲存採用「語義金字塔」設計，從最原始的對話到最抽象的個人檔案，分為四層：

短期記憶（Short-term）方面，沉重的工具呼叫日誌會被壓縮成緊湊的 Mermaid 符號圖（symbol maps），大幅減少 context 佔用。長期記憶（Long-term）方面，對話被蒸餾成結構化的 persona 和 scene，而不是平面的向量堆疊。系統完全本地運行，使用 SQLite + 向量搜尋，零外部 API 依賴。每一層記憶都是可讀的 Markdown 檔案，透明可檢查。

安裝教學（OpenClaw 一鍵安裝）

如果你已經在用 OpenClaw，這是最簡單的安裝方式：

前置需求

# 確認版本
openclaw --version   # 需要 >= 2026.3.13
node -v              # 需要 >= 22.16.0

Step 1：安裝 plugin

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

若已安裝過，執行更新：

openclaw plugins update memory-tencentdb

Step 2：最小設定

編輯 ~/.openclaw/openclaw.json，加入：

{
  "memory-tencentdb": {
    "enabled": true
  }
}

這樣就能運行基礎功能了。零配置，本地儲存，開箱即用。

Step 3：重啟 Gateway

openclaw gateway restart

重啟後在 log 中確認看到 [memory-tdai] 相關記錄，表示 plugin 已正常載入。

Step 4：驗證

開始新對話，進行幾輪互動後，確認記憶資料目錄已建立：

ls ~/.openclaw/memory-tencentdb/

應該看到 chat/、skill/、wiki/、code-graph/ 等目錄，以及 SQLite 資料庫檔案。

Docker 安裝方式

如果你用的是 Claude Code、Cursor、Codex 或其他非 OpenClaw 環境，可以用 Docker 把 TencentDB Agent Memory 跑成獨立服務，再透過 MCP provider 接入：

# 拉取最新映像
docker pull tencentcloud/agent-memory:latest

# 啟動服務（本地 3721 port）
docker run -d \
  --name agent-memory \
  -p 3721:3721 \
  -v ~/.agent-memory-data:/data \
  tencentcloud/agent-memory:latest

服務啟動後，在你的 AI 工具 MCP 設定中加入 provider：

# Claude Code MCP 設定範例（~/.claude/mcp.json）
{
  "providers": [
    {
      "name": "tencentdb-memory",
      "type": "http",
      "url": "http://localhost:3721",
      "enabled": true
    }
  ]
}

重新啟動 Claude Code，就能開始使用記憶功能了。

設定參數優化

基礎安裝完成後，以下是幾個值得調整的進階參數：

完整設定範例（加入 ~/.openclaw/openclaw.json 的 memory-tencentdb 區塊）：

{
  "memory-tencentdb": {
    "enabled": true,
    "recall": {
      "scoreThreshold": 0.65,
      "topK": 10
    },
    "pipeline": {
      "everyNConversations": 3
    },
    "persona": {
      "triggerEveryN": 7
    }
  }
}

Team Memory：多 Agent 協作記憶（2026-08-13 新功能）

這是 8/13 最新發布的重要功能。原本的記憶管理是個人層級的，Team Memory 把記憶延伸到多 Agent、多人協作的場景。

Team Memory 的設計原則是：讓記憶在 Agent 和 LLM 之間流動，而不是把 Agent 本身當成記憶的儲存容器。當 Agent A 執行完一個任務，學到的知識（Skill、Code-Graph 的更新）可以被 Agent B 在下一個任務中直接使用，不需要重新學習。

啟用 Team Memory 只需在設定中加入 team 區塊：

{
  "memory-tencentdb": {
    "enabled": true,
    "team": {
      "enabled": true,
      "namespace": "my-project-2026",
      "shareTypes": ["skill", "llm-wiki", "code-graph"]
    }
  }
}

namespace 是團隊共享記憶庫的隔離空間，不同專案用不同 namespace。shareTypes 可以指定哪些類型的記憶共享，Chat Memory 通常保持私人（個人對話習慣不需要共享）。

與 agentmemory 比較：該選哪個？

如果你已經在用 agentmemory，可能會想知道有什麼差別：

省 Token 實測數據

根據官方數據和社群測試，TencentDB Agent Memory 在以下場景有明顯的 token 節省效果：

以 Claude Sonnet 4.6（$3/$15 per 1M tokens）為例，一個活躍開發者每月大約使用 2M input tokens。若透過 TencentDB Agent Memory 的 context 壓縮節省 40%，每月可節省約 0.8M input tokens，折合約 $2.4/月。聽起來不多，但在 Claude Code Max 方案或 Team 方案的大量使用下，效益明顯放大。

常見問題