Tencent выпустила локальную систему памяти для AI-агентов TencentDB

Tencent открыла исходный код TencentDB Agent Memory — локальной системы памяти для AI-агентов, которая работает целиком на машине пользователя без облака. Проект выпущен под MIT лицензией и готов к интеграции в OpenClaw и другие фреймворки.

Двухуровневая архитектура памяти Система разделена на две части.

Краткосрочная память решает проблему шума: когда агент работает с браузером или базами данных, инструменты генерируют тысячи строк логов. Вместо того чтобы паковать всё это в контекст, TencentDB сжимает логи в компактный canvas Mermaid — визуальный граф выполненных задач, который занимает в 10-50 раз меньше токенов. Долгосрочная память организована четырёхуровневой пирамидой абстракций, которая отражает, как работает человеческая память: L0 — Диалог — история всех сообщений между пользователем и агентом L1 — Атом — отдельные факты и события, извлечённые из диалога через NLP L2 — Сценарий — группы связанных атомов, повторяющиеся паттерны и контексты L3 — Персона — долгосрочный профиль личности агента и пользователя, устойчивые черты Этот многоуровневый подход позволяет агенту забывать мелкие детали, но помнить главное.

Это экономит токены при запросе контекста и повышает скорость поиска нужной информации.

Гибридный поиск и локальное хранилище

Чтобы достать нужную информацию из многоуровневой пирамиды, система использует двухканальный поиск: классический BM25 (полнотекстовый поиск по ключевым словам) и векторный поиск (семантический, на основе эмбеддингов). Результаты двух поисков объединяют через RRF (Reciprocal Rank Fusion) — алгоритм, который уравнивает вклад обоих методов и возвращает в начало самые релевантные записи. По умолчанию всё хранится в локальной базе SQLite с расширением sqlite-vec для векторов. Никакого облака — данные и коды агента остаются на машине пользователя. Проект поставляется как плагин для OpenClaw (фреймворк Tencent) и как готовый Docker-образ Hermes.

Бенчмарки: на 61% меньше токенов

На испытаниях с WideSearch (набор сложных задач поиска) TencentDB показала впечатляющие результаты: Сокращение расхода токенов на 61% против baseline Прирост pass-rate (доля успешно решённых задач) на 51% * Улучшение accuracy на PersonaMem (моделирование личности) с 48% до 76% Эти цифры показывают, что правильная архитектура памяти помогает агенту не только экономить на вызовах API, но и принимать более обоснованные решения, потому что имеет доступ к релевантной информации из прошлого.

Что это значит

Локальная память для AI-агентов перестаёт быть исследовательским проектом и становится практическим инструментом. Для разработчиков это открывает несколько дверей: можно создавать долгосрочные агенты, которые учатся на предыдущих взаимодействиях, экономя при этом на облачных API; хранить конфиденциальные данные локально, не отправляя в облако; развёртывать AI-агентов на собственной инфраструктуре. MIT лицензия означает свободу использования в коммерческих проектах.