Tencent open-source sistema de memoria Agent, OpenClaw ahorra hasta un 61% en Tokens

AIMPACT Mensaje, 14 de mayo (UTC+8), según la monitorización de Dongcha Beating, el equipo de bases de datos de Tencent Cloud dedicó 6 meses a resolver el problema de pérdida de memoria en diálogos largos, y recientemente lanzó de forma open source TencentDB Agent Memory. Es un motor de memoria local prioritario para agentes de IA, que por defecto usa SQLite + sqlite-vec como backend local, puede instalarse como plugin de OpenClaw, y también soporta integración con Hermes Gateway. Su núcleo no consiste en insertar directamente el historial de conversaciones en la base de vectores, sino en dividir la memoria en dos estructuras. La memoria a largo plazo se sedimenta en capas: diálogos originales L0, hechos atómicos L1, bloques de escenas L2, perfiles de usuario L3; la memoria de tareas a corto plazo externaliza los logs extensos de herramientas en archivos refs, escribe resúmenes de pasos en jsonl, y usa Mermaid para mantener la estructura de tareas y los índices de nodos. En flujos de trabajo complejos con más de 30 pasos, el agente normalmente solo lee un diagrama ligero de Mermaid, y cuando necesita verificar detalles, vuelve al log original mediante node_id. La referencia oficial muestra que, tras integrar OpenClaw, el consumo de tokens en tareas WideSearch bajó de 221.31M a 85.64M (reducción del 61.38%), y la tasa de éxito aumentó un 51.52%. En la evaluación de memoria a largo plazo PersonaMem, la precisión subió del 48% al 76%. El valor de este diseño radica en que no elimina los detalles históricos con un resumen único, sino que mantiene la ruta completa desde la imagen de alto nivel y el lienzo de tareas hasta el texto original subyacente. (Fuente: BlockBeats)