TencentCloud/TencentDB-Agent-Memory

📌 TencentDB Agent Memory：符號化短期記憶＋分層長期記憶，降低 Token 用量並提升任務成功率

TL;DR：透過 Symbolic Short‑Term Memory 與 Layered Long‑Term Memory，TencentDB Agent Memory 在 OpenClaw 場景下最多可減少 61.38% Token，用量，同時將 PersonaMem 準確率從 48% 提升至 76%。

🧩 符號化短期記憶的核心概念

• 代理人在執行工具時會產生大量日誌，若直接保留在對話中會吃掉大量 Token。
• 本專案將這些日誌「壓縮」為 Mermaid 符號（簡潔的圖形描述），形成 Symbolic Short‑Term Memory。
• 壓縮後的資訊仍保留關鍵結構，卻大幅降低文字量，減少模型推論時的 Token 開銷。

🧩 分層長期記憶的設計理念

• 長期記憶不採用單一向量堆疊，而是將斷裂的對話片段整理成「Persona」與「Scene」兩層結構。
• Persona 代表使用者或角色的固定屬性，Scene 則記錄特定情境下的互動細節。
• 這種層次化的表示讓代理人在需要回溯時能快速定位相關資訊，避免在長程會話中重複說明 SOP、專案背景等固定內容。

📊 效能測試結果（OpenClaw 整合）

測試專案	無 Plugin 成功率	使用 Plugin 成功率	成功率提升 (相對)	無 Plugin Token	使用 Plugin Token	Token 減少率
WideSearch (短期)	33%	50%	+51.52%	221.31M	85.64M	‑61.38%
SWE‑bench (短期)	58.4%	64.2%	+9.93%	3474.1M	2375.4M	‑33.09%
AA‑LCR (短期)	44.0%	47.5%	+7.95%	112.0M	77.3M	‑30.98%
PersonaMem (長期)	48%	76%	+59%	—	—	—

• 以上資料均為連續長時段會話的測量，非單回合測試。
• 例如 SWE‑bench 會在同一次會話中執行 50 個連續任務，以模擬真實長程代理人的上下文累積壓力。

💡 實務啟示

• 若你的 AI 代理人需要頻繁呼叫外部工具或在長時間會話中保持一致性，匯入 Symbolic Short‑Term Memory 可顯著降低 Token 成本。
• 分層長期記憶的 Persona/Scene 結構適合儲存 SOP、專案說明、輸出格式等「不變」資訊，減少使用者重複說明的負擔。
• 在 OpenClaw 等需要大量外掛互動的場景下，結合本專案可同時提升成功率與效能，對成本敏感的商業部署特別有價值。

🔗 來源

• 標題：TencentCloud/TencentDB-Agent-Memory
• 作者／機構：TencentCloud
• 連結：https://github.com/TencentCloud/TencentDB-Agent-Memory

#AI #AgentMemory #TokenOptimization #LongTermMemory #ShortTermMemory #Mermaid #OpenClaw #TencentCloud #LLM #PromptEngineering