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 le problème d’oubli lors de 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 ne consiste pas à insérer directement l’historique des conversations dans une base de vecteurs, mais à diviser la mémoire en deux structures. La mémoire à long terme est consolidée couche par couche avec L0 pour les conversations brutes, L1 pour les faits atomiques, L2 pour les blocs de scénarios, et L3 pour le profil utilisateur ; la mémoire à court terme des tâches met en externe les journaux d’outils volumineux dans des fichiers refs, écrit le résumé des étapes dans jsonl, puis utilise Mermaid pour visualiser la structure des tâches et l’index des nœuds. Dans des workflows complexes de plus de 30 étapes, l’agent consulte habituellement un diagramme Mermaid léger, et lorsqu’il doit 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 du taux de réussite de 51,52%. 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, la toile de tâches, jusqu’au texte original sous-jacent. (Source : BlockBeats)