你让 AI 助手连续干几十件事，它很快会遇到一个两难：保留全部搜索结果、代码和报错记录，上下文会越来越臃肿；只留一段摘要，又可能把关键细节丢掉。腾讯云开源的 TencentDB Agent Memory，试图在两者之间找一条路：平时只让 Agent 看一张简明“地图”，需要核对时再沿索引返回原始记录。
这里的 Agent，是能调用搜索、代码等工具并连续执行任务的 AI。它的记忆不等于模型重新学习，而是把历史对话、工具结果和任务状态整理起来，供以后取用。
“四级”具体指什么？
项目把系统概括为两根支柱：symbolic short-term memory（符号化短期记忆）和 layered long-term memory（分层长期记忆）。专题所说的“四级”，准确地讲，是长期个性化记忆的四层，而不是整个系统只有四级：
- L0 Conversation：保留原始对话。
- L1 Atom：提炼单条事实。
- L2 Scenario：把事实组织成具体场景。
- L3 Persona：形成较稳定的用户画像。
比如，一个人多次要求“报告先给结论、不要营销口吻”。系统可以保留原话，再提炼为偏好事实，归入写作场景，最后进入 Persona。日常调用只看高层偏好；碰到含义不清的情况，再向下追到原始对话。
这不同于单纯的向量检索——把文本变成可比较的数字，再按语义相似度找片段。向量检索擅长找“相关内容”，但一堆彼此割裂的片段，不一定能说明人物、时间和场景之间的关系。腾讯云的方案用分层结构提供导航，同时保留向下核验的路径。
当前任务也分层收纳
短期记忆负责当前任务。它有三层：底层把完整工具输出存入 refs/*.md；中层用 jsonl 保存步骤摘要；顶层用轻量 Mermaid 画布表示任务状态。Mermaid 是一种用简短文本描述流程图的格式，模型和人都能阅读。
Agent 通常只把顶层画布放进上下文。某一步报错或需要查证时，它通过 node_id 找回底层原文。可以把它理解为桌面上的目录卡：厚文件先放进档案柜，手边只留目录，但目录上的编号能带你找到原件。底层事实、日志和执行轨迹进入数据库以便检索；高层画像、场景和画布则保存为可读的 Markdown 文件，方便人直接检查。
数字为什么值得看
据腾讯云项目仓库自测，接入 OpenClaw 后，WideSearch 成功率从 33% 升至 50%，即绝对增加 17 个百分点、相对增加 51.52%；Token 用量从 221.31M 降至 85.64M，下降 61.38%。Token 是模型处理文字时使用的基本计量单位，也直接关系到上下文容量和调用成本。
在 SWE-bench 上，成功率从 58.4% 升至 64.2%，Token 从 3474.1M 降至 2375.4M。该测试按连续长时会话运行，每个会话连续执行 50 个任务，而不是把任务拆成互不相干的单轮。这更接近记忆系统真正承受的压力：记录不断累积，Agent 仍要找到眼前最相关的信息。长期记忆的 PersonaMem 准确率则从 48% 升至 76%；仓库写作相对提升 59%，按原始数字精确计算约为 58.33%。
真正值得关注的不是“记得越多”，而是记忆能否分层、能否核验。高层结构负责节省注意力，底层原文负责保留证据。这也让用户有机会检查系统究竟记住了什么，而不是面对一个不可见的摘要黑箱。
局限与未知
- 目前所有架构说明和效果数字都来自腾讯云同一代码仓库，缺少论文与第三方复现，也未披露样本量、方差、模型及完整运行配置。
- 61.38% 的 Token 降幅只出现在 WideSearch，不能泛化为所有任务；“帮助 Agent 学习工作流、提升推理”等表述也尚无独立证据。
- 现有材料没有明确证明整个系统是统一的“四级本地记忆”，也没有说明“不依赖外部 API”。能确认的是：长期个性化记忆采用 L0 至 L3 四层，短期记忆另有三层，并把部分内容写入数据库、Markdown 和外部文件。