Tencent lança sistema de memória de Agente de código aberto, OpenClaw economiza até 61% de Tokens

AIMPACT mensagem, 14 de maio (UTC+8), de acordo com o monitoramento do Beating, a equipe de banco de dados da Tencent Cloud gastou 6 meses para resolver especificamente o problema de perda de memória em diálogos longos, e recentemente lançou oficialmente o TencentDB Agent Memory como código aberto. Esta é uma engine de memória local prioritária para agentes de IA, que por padrão usa SQLite + sqlite-vec como backend local, podendo ser instalada como plugin do OpenClaw, e também suportando integração com Hermes Gateway.
Seu núcleo não é inserir diretamente o histórico de diálogos no banco de vetores, mas dividir a memória em duas estruturas.
A memória de longo prazo é sedimentada camada por camada com diálogos originais L0, fatos atômicos L1, blocos de cenários L2, e perfis de usuário L3;
a memória de tarefas de curto prazo externaliza logs extensos de ferramentas para arquivos refs, escreve resumos de etapas em jsonl, e usa a tela Mermaid para manter a estrutura da tarefa e índices de nós.
Em fluxos de trabalho complexos com mais de 30 passos, o agente normalmente lê apenas um gráfico leve de estrutura Mermaid, e quando precisa verificar detalhes, volta ao log original usando node_id.
A referência oficial mostra que, após integrar o OpenClaw, o consumo de tokens na tarefa WideSearch caiu de 221,31M para 85,64M (redução de 61,38%), com uma melhora de 51,52% na taxa de sucesso.
Na avaliação de memória de longo prazo PersonaMem, a precisão aumentou de 48% para 76%.
O valor desse design está em não usar um resumo único para apagar detalhes históricos, mas em manter o caminho completo desde a visão geral de alto nível, quadro de tarefas, até o texto original subjacente.
(Fonte: BlockBeats)