我在5月初的时候，分享过一篇文章聊聊 Agent 的记忆系统，到底应该记什么？，

里面有分析到腾讯的一个开源项目TencentDB Agent Memory，那时还刚开源不久，GitHub还只有2.6k Star。

前两天，我重新打开这个项目，发现已经爆涨到19.8k Star了，

相较于之前的对于单用户的Agent记忆，

现在新增了Skill、Wiki、CodeGraph 和 Team Memory这些功能，开始支持一个团队的Agent的共享记忆、继承经验。

我前几天在写Codebuddy NPC的时候，就有聊到一个问题，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。

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，

没问题，很简单，我也经常这么做，但项目越大，问题越明显。

比如，同一个背景会被不同Agent反复读取和总结，Token在无限消耗；

还有虽然很多大模型已经支持1M的上下文了，但在超过256k之后，很多模型的能力还是会衰减，所以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，模型页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，很容易会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记忆系统真的重要。

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

一层是记忆内容层，负责把不同信息整理成 Chat Memory、Skill、Wiki和 CodeGraph；

另一层是记忆控制层，负责 Team、Agent、权限、版本、绑定和使用记录。

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。

接下来我们来看一下如何使用。

第一步是环境安装，

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

如果嫌手动安装麻烦，就直接告诉你的claude code、codex、openclaw等一系列的agent工具，帮你安装，需要api key的时候，询问你。

AI时代，一切交给AI就好了，有问题截图给它修

第二步，在Memory Hub里创建Team，比如我创建一个之前公众号排版网站项目的Team，

然后向团队里添加成员和Agent，

我一共添加了三个 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，还有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，但我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，

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

第三步，就是使用你的Agent工具，同步记录chat memory，这里以claude code举例，

这里需要配置Agent Memory提供的url和key，前面已经说过，在部署的时候，已经对你agent调用所需的llm进行了proxy

比如，我这里配的k3模型，模型选择看你自己前面配的什么模型

启动claude code后，会让先确认是否关联团队资产、关联Agent、Task这些，

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

我们拿增加渲染主题为例，

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只负责的是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，如下

但神奇的一幕出现了，

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，

也就是说，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。

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

比如，加载其他项目，之前workbuddy蓝皮书，我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，

我让其使用其他数据库时，

它会判断，之前偏好时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。

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，

这也是我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。

(整理编辑：Kai)