Tencent open-source le système de mémoire Agent, OpenClaw économise jusqu'à 61 % de tokens

AIMPACT message, le 14 mai (UTC+8), selon la surveillance de Dongcha Beating, l’équipe de bases de données Tencent Cloud a consacré 6 mois à résoudre spécifiquement le problème d’oubli dans les longues conversations, et a récemment open-sourcé TencentDB Agent Memory. Il s’agit d’un moteur de mémoire local prioritaire pour les agents IA, utilisant par défaut SQLite + sqlite-vec comme backend local, pouvant être installé en tant que plugin OpenClaw, et supportant également l’intégration avec Hermes Gateway. Son noyau n’est pas d’insérer directement l’historique des conversations dans une base de vecteurs, mais de diviser la mémoire en deux structures. La mémoire à long terme s’accumule par couches : conversation brute L0, faits atomiques L1, blocs de scénarios L2, profil utilisateur L3 ; la mémoire de tâche à court terme externalise les logs d’outils volumineux dans des fichiers refs, écrit le résumé des étapes dans jsonl, puis utilise Mermaid pour conserver la structure de la tâche et l’index des nœuds. Dans des workflows complexes de plus de 30 étapes, l’agent ne lit que des diagrammes Mermaid légers en temps normal, et lorsqu’il faut vérifier des détails, il revient aux logs originaux via node_id. Les benchmarks officiels montrent qu’après intégration d’OpenClaw, la consommation de tokens pour la tâche WideSearch est passée de 221,31 M à 85,64 M (réduction de 61,38%), avec une amélioration de 51,52% du taux de réussite. Sur l’évaluation de mémoire à long terme PersonaMem, la précision est passée de 48% à 76%. La valeur de cette conception réside dans le fait qu’elle ne supprime pas les détails historiques avec un résumé unique, mais conserve le chemin complet depuis la vue d’ensemble haute jusqu’au texte original sous-jacent. (Source : BlockBeats)