agent正在變得越來(lái)越能干，但它還有一個(gè)很尷尬的問(wèn)題，那就是干著干著，就忘了自己要干什么了。

長(zhǎng)任務(wù)、跨會(huì)話、連續(xù)執(zhí)行，這些的確是agent的發(fā)展方向，可前提是它必須有一套可靠的記憶系統(tǒng)。否則，再?gòu)?qiáng)的模型也只能在一次次對(duì)話里反復(fù)“重新認(rèn)識(shí)世界”。

騰訊最近開(kāi)源的AgentDB，瞄準(zhǔn)的正是這個(gè)問(wèn)題。

這一個(gè)是專(zhuān)門(mén)用來(lái)解決記憶問(wèn)題的獨(dú)立組件，一共只有幾MB的大小，下載到電腦以后，在OpenClaw或者Hermes Agent里輸入一個(gè)指令，AgentDB就安裝完成了。

就是這么一個(gè)“小玩意”，在發(fā)布的同時(shí)，騰訊專(zhuān)門(mén)為其開(kāi)設(shè)了獨(dú)立的X賬號(hào)（ @TencentDBAbxo2），并由團(tuán)隊(duì)親自在社交媒體上與開(kāi)發(fā)者互動(dòng)。

雖然騰訊不同業(yè)務(wù)都有X賬號(hào)，比如混元、騰訊云等等，但這是騰訊第一次為一個(gè)開(kāi)源工具單獨(dú)開(kāi)X賬號(hào)，可見(jiàn)騰訊對(duì)這個(gè)開(kāi)源項(xiàng)目的重視程度。

那就別說(shuō)別的了，直接進(jìn)入主題吧！

01

AgentDB解決了什么問(wèn)題？

對(duì)于模型記憶這個(gè)問(wèn)題，Codex和OpenClaw曾嘗試用壓縮的方式解決，把冗長(zhǎng)的歷史對(duì)話壓縮成一小段摘要，但這種做法會(huì)不可逆地?fù)p失記憶的細(xì)節(jié)。

當(dāng)Agent需要回溯某個(gè)具體決策的依據(jù)時(shí)，那些被壓縮掉的信息就永遠(yuǎn)找不回來(lái)了。

這就是傳統(tǒng)記憶系統(tǒng)的現(xiàn)狀。要么把所有歷史對(duì)話無(wú)腦塞進(jìn)上下文窗口，導(dǎo)致token消耗爆炸，成本直線上升。要么用總結(jié)壓縮歷史，雖然省了token，但細(xì)節(jié)永久丟失，Agent在需要考證時(shí)只能靠模糊的印象瞎猜。

這兩種方案都不夠優(yōu)雅，也都不夠?qū)嵱谩?/strong>

AgentDB本質(zhì)上是一個(gè)分層漸進(jìn)式的Agent記憶管道系統(tǒng)。它采用“符號(hào)化短期記憶+分層長(zhǎng)期記憶”的雙軌架構(gòu)，試圖在token效率和信息完整性之間找到平衡點(diǎn)。

這套系統(tǒng)的設(shè)計(jì)理念包含三個(gè)維度。

第一個(gè)維度，拒絕暴力堆積，也拒絕不可逆壓縮。

AgentDB設(shè)計(jì)了L0到L3四層記憶金字塔。L0是原始對(duì)話，完整保留每一輪交互的原始記錄。L1是提取的原子記憶，由LLM自動(dòng)從對(duì)話中提取結(jié)構(gòu)化事實(shí)、用戶(hù)偏好、任務(wù)約束和中間結(jié)論。L2是場(chǎng)景聚合，按任務(wù)類(lèi)型自動(dòng)歸納相關(guān)記憶，形成場(chǎng)景塊。L3是用戶(hù)畫(huà)像，持續(xù)提煉信息，形成穩(wěn)定的長(zhǎng)期用戶(hù)檔案。

這種分層設(shè)計(jì)的核心價(jià)值在于“可壓縮、可展開(kāi)、可追溯”。

平時(shí)Agent工作時(shí)，只需要加載高層的Persona和場(chǎng)景塊，就能把握用戶(hù)偏好和任務(wù)脈絡(luò)，token消耗極低。當(dāng)需要考證細(xì)節(jié)時(shí)，再通過(guò)索引機(jī)制檢索底層的原子記憶和原始對(duì)話，完整還原證據(jù)鏈。整個(gè)過(guò)程沒(méi)有任何信息被不可逆地丟棄，所有壓縮都是有損但可恢復(fù)的。

它就像圖書(shū)館一樣，把記憶放在不同的區(qū)域，比如國(guó)外文學(xué)、工具書(shū)之類(lèi)。平時(shí)為了省時(shí)間，只看目錄和摘要，需要細(xì)節(jié)時(shí)再去原始記錄里找，以保證不丟失信息。

這套機(jī)制的實(shí)際效果相當(dāng)顯著。在PersonaMem長(zhǎng)期記憶測(cè)試中，AgentDB的準(zhǔn)確率從傳統(tǒng)方案的48%躍升至76%。這使得Agent能夠在跨會(huì)話的場(chǎng)景中穩(wěn)定地記住用戶(hù)的偏好和歷史決策，而不是每次對(duì)話都像第一次見(jiàn)面一樣從零開(kāi)始。

第二個(gè)維度，符號(hào)化記憶解決長(zhǎng)任務(wù)中的信息過(guò)載。

在復(fù)雜任務(wù)中，最消耗token的往往不是對(duì)話本身，而是那些冗長(zhǎng)的中間日志。

搜索結(jié)果可能有幾千字，代碼片段可能有上百行，錯(cuò)誤堆?？赡苷紳M(mǎn)整個(gè)屏幕。如果把這些內(nèi)容全部塞進(jìn)上下文，token很快就會(huì)爆表。

AgentDB的做法是將這些冗長(zhǎng)內(nèi)容offload到外部文件系統(tǒng)，同時(shí)用Mermaid圖譜提取其中的關(guān)系結(jié)構(gòu)。注入到Agent上下文中的只是輕量級(jí)的符號(hào)化表示，比如一個(gè)任務(wù)節(jié)點(diǎn)的ID、一段代碼的摘要、一個(gè)搜索結(jié)果的關(guān)鍵詞。

當(dāng)Agent需要回溯細(xì)節(jié)時(shí)，通過(guò)node_id精準(zhǔn)召回原始文本。這種設(shè)計(jì)讓上下文從“數(shù)十萬(wàn)token的日志堆”壓縮為“幾百token的關(guān)系圖譜”。

也就是說(shuō)，AgentDB把大段大段的日志、代碼、搜索結(jié)果存到外面，只在AI的“工作臺(tái)”上放一個(gè)索引編號(hào)和關(guān)鍵詞摘要。需要時(shí)再根據(jù)編號(hào)去調(diào)取原文。

在WideSearch任務(wù)中，這套機(jī)制的效果尤其明顯。token使用量降低了61.38%，而任務(wù)成功率反而提升了51.52%。

這個(gè)反直覺(jué)的結(jié)果揭示了一個(gè)重要事實(shí)，更多的上下文并不總是意味著更好的表現(xiàn)。當(dāng)無(wú)關(guān)信息稀釋了注意力時(shí)，Agent反而會(huì)迷失在信息的海洋中，做出錯(cuò)誤的決策。

符號(hào)化記憶通過(guò)結(jié)構(gòu)化的方式呈現(xiàn)信息，讓Agent能夠清晰地看到任務(wù)的全貌和執(zhí)行路徑，從而做出更準(zhǔn)確的判斷。

第三個(gè)維度，全本地化、零外部依賴(lài)。

AgentDB默認(rèn)使用SQLite加sqlite-vec作為后端，無(wú)需連接任何外部API或云服務(wù)。這對(duì)企業(yè)場(chǎng)景至關(guān)重要。記憶數(shù)據(jù)往往包含敏感的業(yè)務(wù)邏輯、用戶(hù)偏好和項(xiàng)目細(xì)節(jié)，全本地化意味著數(shù)據(jù)主權(quán)完全掌握在用戶(hù)手中。

大多數(shù)記憶系統(tǒng)都依賴(lài)云端向量數(shù)據(jù)庫(kù)或第三方embedding服務(wù)，數(shù)據(jù)必須上傳到外部服務(wù)器才能使用。

尤其是對(duì)于金融、醫(yī)療、政務(wù)這些行業(yè)來(lái)說(shuō)，這種依賴(lài)是有問(wèn)題的，所以這類(lèi)公司往往都是私有云，把數(shù)據(jù)存在本地里，但本地的服務(wù)器又跑不動(dòng)大模型。

AgentDB的全本地化方案解決的正是這個(gè)問(wèn)題。

從技術(shù)實(shí)現(xiàn)來(lái)看，AgentDB的四層記憶管線是完全自動(dòng)化的。

對(duì)話開(kāi)始時(shí)，系統(tǒng)自動(dòng)通過(guò)向量檢索或混合搜索召回相關(guān)記憶，加載用戶(hù)畫(huà)像，注入到系統(tǒng)上下文中。對(duì)話結(jié)束后，系統(tǒng)自動(dòng)錄制對(duì)話消息，雙寫(xiě)到IMemoryStore和JSONL文件。

當(dāng)累積到一定輪次后，Pipeline調(diào)度器按序觸發(fā)L1、L2、L3的提取和歸納流程。整個(gè)過(guò)程對(duì)用戶(hù)和Agent都是透明的，不需要手動(dòng)干預(yù)。

你只需要在OpenClaw或Hermes Agent中安裝插件，配置好LLM接口，AgentDB就能開(kāi)始工作。

所有字段都有合理的默認(rèn)值，零配置即可使用。對(duì)于有特殊需求的用戶(hù)，AgentDB也提供了豐富的配置選項(xiàng)，可以調(diào)整每一層的觸發(fā)閾值、間隔時(shí)間、提取策略等參數(shù)。

AgentDB的另一個(gè)亮點(diǎn)是可追溯性。壓縮或抽象最大的風(fēng)險(xiǎn)是“丟失證據(jù)”，當(dāng)召回的記憶出錯(cuò)時(shí)，用戶(hù)只能看到一堆向量分?jǐn)?shù)，無(wú)法判斷問(wèn)題出在哪里。

AgentDB保留了關(guān)鍵的中間產(chǎn)物作為可讀文件。

每一條信息都100%可找回、可恢復(fù)，無(wú)論是短期記憶中被卸載的一段報(bào)錯(cuò)日志，還是長(zhǎng)期記憶里總結(jié)出的一條用戶(hù)偏好，Agent或開(kāi)發(fā)者都可以沿著“高層符號(hào)→中層索引→底層原文”的鏈路進(jìn)行完美溯源與恢復(fù)。

02

姚順雨的“上下文理論”找到了最佳實(shí)踐

AgentDB這個(gè)產(chǎn)品，某種程度上來(lái)說(shuō)，就是騰訊對(duì)姚順雨“上下文理論”的一個(gè)落地方案。

姚順雨此前多次強(qiáng)調(diào)，AI的核心能力不在于參數(shù)規(guī)模，而在于對(duì)上下文的理解、管理和利用。

這個(gè)觀點(diǎn)在他加入騰訊后發(fā)布的第一個(gè)模型Hy3 preview中，得到了充分體現(xiàn)。

Hy3 preview這個(gè)模型最特別的地方在于，它把“出色的上下文學(xué)習(xí)和指令遵循能力”單獨(dú)拎出來(lái)，寫(xiě)進(jìn)了核心能力清單的第一條。

當(dāng)其他廠商都在卷agent能力、代碼生成、多模態(tài)的時(shí)候，Hy3把上下文能力放在了最顯眼的位置。

姚順雨加入騰訊后發(fā)布的第一個(gè)研究成果是CL-bench，這是一個(gè)專(zhuān)門(mén)用來(lái)測(cè)試模型能否從上下文中學(xué)習(xí)新知識(shí)并正確應(yīng)用的基準(zhǔn)。

在Hy3 preview的性能展示中，第一張圖放的不是SWE-Bench Pro或者Terminal-Bench 2.0這種agent和代碼榜單，而是AdvancedIF、AA-LCR，以及CL-bench這些看上下文推理、檢索和指令遵循的榜單。

騰訊認(rèn)為上下文管理能力，才是AI下一階段賽道。

其實(shí)市面上有不少模型廠商都會(huì)在宣傳時(shí)都會(huì)強(qiáng)調(diào)自己支持多長(zhǎng)的上下文，包括OpenAI和Anthropic，從一開(kāi)始的32K到128K，再到1M甚至微軟曾經(jīng)提到過(guò)的10M上下文。

但你真正用的時(shí)候就會(huì)發(fā)現(xiàn)，上下文越長(zhǎng)，模型的表現(xiàn)往往越差。

信息密度被稀釋?zhuān)⒁饬Ρ环稚?，模型在海量的無(wú)關(guān)信息中迷失方向，反而做出更多錯(cuò)誤的決策。

姚順雨團(tuán)隊(duì)的消融實(shí)驗(yàn)驗(yàn)證了這個(gè)觀點(diǎn)，無(wú)關(guān)信息會(huì)稀釋了注意力。這也是AgentDB的分層設(shè)計(jì)想要去解決的問(wèn)題。

騰訊為AgentDB專(zhuān)門(mén)開(kāi)設(shè)X賬號(hào)，并由團(tuán)隊(duì)成員主動(dòng)發(fā)起AMA，這在騰訊的開(kāi)源項(xiàng)目中并不常見(jiàn)。這種高調(diào)姿態(tài)背后，是騰訊希望將AgentDB打造成“上下文管理”領(lǐng)域標(biāo)桿的野心。

然而AgentDB目前在實(shí)戰(zhàn)這塊并沒(méi)有很搶眼的表現(xiàn)，騰訊需要給AgentDB“帶貨”。

AgentDB的價(jià)值需要通過(guò)具體場(chǎng)景才能被感知。

比如，騰訊可以拿出混元模型，結(jié)合AgentDB構(gòu)建一個(gè)“連續(xù)工作30天不丟失上下文的代碼審查Agent”，或者“記住用戶(hù)所有偏好的個(gè)性化內(nèi)容推薦Agent”。

只有當(dāng)開(kāi)發(fā)者看到“某個(gè)模型+AgentDB”產(chǎn)生的化學(xué)反應(yīng)，大家才會(huì)去用它。

03

唐杰的“上聯(lián)”，姚順雨的“下聯(lián)”

就在AgentDB發(fā)布前夕，智譜創(chuàng)始人唐杰深夜發(fā)布了一條長(zhǎng)文反思，核心觀點(diǎn)直指，長(zhǎng)周期任務(wù)將是今年AI最可能的突破點(diǎn)。

唐杰認(rèn)為，AI的真正價(jià)值不在于單輪對(duì)話的智能，而在于通過(guò)與環(huán)境持續(xù)交互，完成復(fù)雜、延展的任務(wù)。

他舉了一個(gè)黑客的例子，一個(gè)能24/7不間斷搜尋軟件漏洞的AI，本質(zhì)上是在學(xué)習(xí)黑客的高階直覺(jué)和方法論，而非簡(jiǎn)單的搜索。

這種“長(zhǎng)周期學(xué)習(xí)+持續(xù)執(zhí)行”的能力，才是下一階段AI所需要的。

而要實(shí)現(xiàn)長(zhǎng)周期任務(wù)，唐杰指出了三大技術(shù)支柱，記憶、持續(xù)學(xué)習(xí)、自我判斷。

其中，記憶被他列為“通過(guò)巧妙工程手段最先被解決”的能力。

這個(gè)判斷和AgentDB的產(chǎn)品邏輯幾乎是重合的。

如果說(shuō)唐杰出了一個(gè)“上聯(lián)”，“長(zhǎng)周期任務(wù)需要記憶作為前提”，那么騰訊用AgentDB對(duì)了一個(gè)“下聯(lián)”，“分層記憶讓長(zhǎng)周期任務(wù)成為可能”。

Agent需要記住自己做了什么，為什么這么做，接下來(lái)該做什么。如果每執(zhí)行幾步就忘記之前的決策，那么長(zhǎng)周期任務(wù)根本無(wú)法完成。

更有意思的是，唐杰還在文中提到了“自我判斷”能力，雖然AgentDB體積很小，但它的架構(gòu)中也允許AI進(jìn)行“自我判斷”。

當(dāng)Agent能夠通過(guò)Mermaid圖譜清晰地看到自己的任務(wù)進(jìn)展、通過(guò)分層記憶回溯歷史決策，它就具備了“元認(rèn)知”的基礎(chǔ)。

知道自己做了什么、為什么這么做、接下來(lái)該做什么。

這種結(jié)構(gòu)化的自我認(rèn)知，正是自我判斷的前提。

從這個(gè)角度看，AgentDB不僅是一個(gè)記憶系統(tǒng)，更是騰訊對(duì)“長(zhǎng)周期任務(wù)時(shí)代”的一次技術(shù)押注。

唐杰描繪了愿景，騰訊拿出了工具。

而在這場(chǎng)“長(zhǎng)周期競(jìng)賽”中，記憶系統(tǒng)就是Agent的燃料箱。容量決定續(xù)航，結(jié)構(gòu)決定效率。

AgentDB的開(kāi)源，意味著騰訊把這個(gè)燃料箱的設(shè)計(jì)圖紙公開(kāi)了，而且還是免費(fèi)的。

智譜在長(zhǎng)周期任務(wù)上已經(jīng)有了一些初步的成果。在GLM-5.1的白皮書(shū)中提到，GLM-5.1在不需要任何人工干預(yù)的前提下，能夠持續(xù)作業(yè)8小時(shí)。

但這只是一張成績(jī)單，要真正讓企業(yè)放心，還得看它在更多場(chǎng)景里會(huì)不會(huì)掉鏈子，遇到?jīng)]見(jiàn)過(guò)的問(wèn)題時(shí)能不能靠自己的手段解決。

長(zhǎng)周期任務(wù)不是一個(gè)通用產(chǎn)品，它需要針對(duì)不同行業(yè)、不同場(chǎng)景做深度定制。

這也是AgentDB的機(jī)會(huì)所在。

作為一個(gè)獨(dú)立的記憶組件，AgentDB可以和任何模型、任何Agent框架集成。智譜可以用，字節(jié)可以用，阿里也可以用。

這種開(kāi)放性讓AgentDB有機(jī)會(huì)成為長(zhǎng)周期任務(wù)的基礎(chǔ)設(shè)施。

而長(zhǎng)周期任務(wù)也不是某一家公司的專(zhuān)利，是整個(gè)行業(yè)的共同方向。誰(shuí)能率先在這個(gè)方向上取得突破，誰(shuí)就能在下一輪競(jìng)爭(zhēng)中占據(jù)先機(jī)。

而在這場(chǎng)競(jìng)賽中，記憶管理能力將是決定性的因素之一。

騰訊把這套方案開(kāi)源出來(lái)，既是一種技術(shù)自信的展示，也是一種對(duì)生態(tài)建設(shè)的投資。

如果AgentDB能夠成為長(zhǎng)周期任務(wù)的標(biāo)準(zhǔn)記憶組件，那么騰訊在這個(gè)領(lǐng)域的影響力就會(huì)遠(yuǎn)遠(yuǎn)超出一個(gè)開(kāi)源項(xiàng)目本身。