Tencent lanzó TencentDB Agent Memory, sistema de memoria local para agentes de IA

Tencent abrió el código fuente de TencentDB Agent Memory, un sistema de memoria local para agentes de IA que funciona completamente en la máquina del usuario sin necesidad de la nube. El proyecto se lanzó bajo la licencia MIT y está listo para integrarse en OpenClaw y otros marcos.

Arquitectura de memoria de dos niveles

El sistema se divide en dos partes. La memoria a corto plazo resuelve el problema del ruido: cuando un agente trabaja con navegadores o bases de datos, las herramientas generan miles de líneas de registros. En lugar de empacar todo esto en el contexto, TencentDB comprime los registros en un lienzo Mermaid compacto, un gráfico visual de tareas ejecutadas que ocupa de 10 a 50 veces menos tokens.

La memoria a largo plazo se organiza en una pirámide de cuatro niveles de abstracciones que refleja cómo funciona la memoria humana:

• L0 — Diálogo — historial de todos los mensajes entre el usuario y el agente
• L1 — Átomo — hechos y eventos individuales extraídos del diálogo a través de NLP
• L2 — Escenario — grupos de átomos relacionados, patrones repetitivos y contextos
• L3 — Persona — perfil de personalidad a largo plazo del agente y el usuario, rasgos estables

Este enfoque multinivel permite al agente olvidar detalles menores pero recordar lo importante. Esto ahorra tokens al solicitar contexto y aumenta la velocidad de búsqueda de la información necesaria.

Búsqueda híbrida y almacenamiento local

Para extraer la información necesaria de la pirámide multinivel, el sistema utiliza una búsqueda de dos canales: BM25 clásico (búsqueda de texto completo por palabras clave) y búsqueda vectorial (semántica, basada en embeddings). Los resultados de las dos búsquedas se combinan a través de RRF (Fusión de Rango Recíproco), un algoritmo que iguala la contribución de ambos métodos y devuelve los registros más relevantes al principio.

De forma predeterminada, todo se almacena en una base de datos SQLite local con la extensión sqlite-vec para vectores. Sin nube: los datos y códigos del agente permanecen en la máquina del usuario. El proyecto se distribuye como un complemento para OpenClaw (marco de Tencent) y como una imagen Docker lista para usar llamada Hermes.

Benchmarks: 61% menos tokens

En pruebas con WideSearch (un conjunto de tareas de búsqueda complejas), TencentDB mostró resultados impresionantes:

• Reducción del consumo de tokens en un 61% en comparación con la línea de base
• Aumento de la tasa de aprobación (porcentaje de tareas resueltas exitosamente) en un 51%
• Mejora en la precisión de PersonaMem (simulación de personalidad) del 48% al 76%

Estos números muestran que la arquitectura de memoria correcta ayuda al agente no solo a ahorrar en llamadas API, sino también a tomar decisiones más fundamentadas porque tiene acceso a información relevante del pasado.

Qué significa esto

La memoria local para agentes de IA deja de ser un proyecto de investigación y se convierte en una herramienta práctica. Para los desarrolladores, esto abre varias puertas: pueden crear agentes a largo plazo que aprendan de interacciones anteriores mientras ahorran en API en la nube; almacenar datos confidenciales localmente sin enviarlos a la nube; desplegar agentes de IA en su propia infraestructura. La licencia MIT significa libertad de uso en proyectos comerciales.