TencentDB Agent Memory 是腾讯云开源的团队级 AI Agent 记忆中枢（MIT 协议），核心定位是把对话、文档、代码沉淀为可复用、可治理、可共享的记忆资产，让不同 Agent / 框架 / 团队成员共用同一套记忆，减少重复解释与冷启动成本。

核心能力与架构

• 四种记忆资产：
  • Chat Memory：分层提取（L0 原始对话 → L1 原子事实/偏好 → L2 场景 → L3 长期画像/Persona）。
  • Skill：从完成的任务中提炼可复用 SOP（带版本、触发边界、执行步骤、验证规则），支持强制归档与团队共享。
  • LLM-Wiki：把文档变成结构化页面 + 链接图谱（受 Karpathy LLM 知识库启发）。
  • Code-Graph：索引代码符号、调用关系与影响路径，支持影响分析。
• 组件：MemoryCore（核心引擎）+ MemoryHub（团队面板与治理）+ MemoryProxy（零代码接入，兼容 Anthropic / OpenAI 协议）。
• 集成方式：Proxy 模式几乎零代码（改 base URL 即可），支持 Claude Code、CodeBuddy、Hermes、OpenClaw、DeepSeek Harness 等；也可直接调 API / SDK。
• 部署：Docker 一键启动（start-all.sh），本地 SQLite + BM25 为主，MongoDB 实验性；需要配置 LLM（记忆提取 + Proxy 上游）。
• 团队特性：团队/Agent 创建、资产所有权/版本/状态/可见性（private / team / restricted ACL）、装备（loadout）到不同 Agent、人工审核与共享。
• 亮点数据（官方）：接入后 WideSearch 等基准最高省 ~61% Token、通过率相对提升约 50%；PersonaMem 准确率从 48% 提升到 76%。这些是官方数字，独立复现较少。

项目目前非常活跃（2026 年 9 月仍在高频更新 v2.x beta），GitHub 星数已达约 2.7 万，但 issues 较多，属于快速迭代中的产品。

类似产品对比

主流 Agent Memory 方案差异较大，不是简单“更好/更差”，而是架构与使用场景不同：

其他提及较多的还有 LangMem（仅适合已用 LangGraph 的团队）、OpenViking 等，但覆盖面不如上面几个广。

优缺点总结（TencentDB 视角）

优点：

• 真正面向团队而非单 Agent：共享、权限、装备、审核一条龙。
• 资产类型丰富（尤其 Skill + CodeGraph + Wiki），对编程/知识工作价值高。
• Proxy 接入对 Claude Code 等 coding agent 极其友好。
• 官方强调的 Token 节省与冷启动能力对长任务很实用。
• 完全开源、可本地部署。

缺点：

• 相对较新，生产稳定性与生态成熟度还不如 Mem0/Zep。
• 需要配置 LLM 做提取，有一定成本和延迟。
• 团队面板功能丰富，个人轻量使用时略重。
• 基准数据多为官方提供，独立验证较少。

推荐

个人使用：

• 首选 Mem0（或 Claude Memory Tool 如果你主要用 Claude）。接入最快、维护成本最低、个人偏好/事实记忆效果好。
• 如果主要做编程、想沉淀 Skill 和代码关系，且愿意跑 Docker，可以试 TencentDB Agent Memory（单人也能用它的个人私有资产）。
• 追求极简且只用 Claude → Claude Memory Tool。

团队使用：

• 首选 TencentDB Agent Memory。目前在“团队共享 + 资产治理 + 多 Agent 装备 + 编程友好资产”这一维度上最完整，尤其适合有多个 coding agent 或需要经验复用的小团队/一人公司多角色场景。
• 如果事实变化频繁、需要强时间线与审计 → Zep/Graphiti。
• 如果团队已有大量现有 Agent 且想最低改动快速上线 → Mem0 作为通用层，再视情况叠加 TencentDB 做团队资产。
• 数据主权或完全自建知识图谱优先 → Cognee。

实用建议：先用自己真实的对话/任务数据做小规模 A/B（召回准确率 + Token 消耗 + 使用摩擦），不要只看官方数字。记忆层最好做成可替换的抽象接口，方便后续切换。