实战部署腾讯 Agent 记忆项目：从自动记住到管理团队经验
腾讯把 Agent 记忆做成了可部署的 TencentDB-Agent-Memory：提示词、工具调用与执行结果被分层存下，还能在团队之间共享。文章记录了从环境配置到建团队、配 Agent 资产的完整部署过程，并把它与「自动记录工作过程」的 agentmemory 区分开——前者负责「让团队管理 Agent 应该知道什么」。
基本信息
- 来源类型：文章（人人都是产品经理 / woshipm）
- 原文位置：
raw/articles/2026-09-18-121722-tg-458b85.md - 原文 URL：https://www.woshipm.com/ai/6465993.html
- 作者：AI李子（AI 深度探索者，公众号「AI李子」，4 篇作品 / 4106 总阅读量）
- 发布日期：2026-09-18
- 消化日期：2026-09-18
核心观点
-
Agent 真正的痛点不是「不会干活」，而是「会话结束就失忆」：Agent 已经能读代码、改文件、跑测试，真正影响连续使用体验的，是会话结束之后的「失忆」——昨天刚解释过的项目结构，今天还要重新介绍；已经确认过的技术方案，换一个 Agent 又要重新说明；问题明明解决过，下一次遇到类似情况仍要从头排查。
-
单个 Markdown 文件（CLAUDE.md / AGENTS.md）难以承担完整记忆管理：对于稳定的项目规范，很多人维护 CLAUDE.md、AGENTS.md 等文件，简单直观；但随着项目资料、历史对话、代码关系和团队经验越来越多，单个 Markdown 文件很难承担完整的记忆管理。文章借此引出两个开源项目：agentmemory 和 TencentDB-Agent-Memory。
-
TencentDB-Agent-Memory 是一套「面向 Agent 团队的记忆资产管理与知识协作平台」，目标是减少三类重复劳动：新会话反复解释项目背景、不同 Agent 重复阅读相同文档、已经验证过的方案和工作流程无法复用。工作思路是一条流水线：工作过程 → 记忆资产 → 权限管理 → Agent 按需使用。
-
「记忆」的范围比聊天记录更广：既包括项目事实、用户偏好和历史决策，也包括排障流程、团队规范、文档结构和代码调用关系。每个 Agent 只获得完成当前职责所需要的内容，从而减少上下文噪声，也让团队经验具备清晰的共享边界。
-
完整部署由三个服务协同组成：Memory Core（记忆与资产关系的核心，统一存储记忆/资产/权限关系，含 L0–L3 分层记忆、User/Team/Agent/Task 元数据、Skill/Wiki/CodeGraph 资产归属与访问关系）、Memory Hub（可视化管理面板，创建 Team 和 Agent、导入文档与代码、管理 Skill、绑定/共享/配置权限）、Memory Proxy（Agent 的统一入口，位于 Agent 与上游模型之间，按身份和配置连接对应 Team/Agent/记忆资产后转发请求）。
-
四类核心记忆资产（Memory Assets）：Chat Memory（沉淀对话中的事实、偏好、约束、决策和历史上下文）、Skill（经过整理、验证、可重复使用的工作方法，含触发条件/执行步骤/资源文件/验证规则）、Wiki（面向产品文档/设计方案/运维手册/团队规范，强调页面结构、主题组织和页面间链接关系，而非普通 RAG 的切片段按相似度检索）、CodeGraph（解析代码仓库，建立文件、符号、函数、类、调用关系之间的联系）。
-
记忆采用 L0 到 L3 的分层结构，检索时按层取用：对话先以 L0 保留，再提炼事实/偏好/约束/事件成更易检索的记忆表示；长期稳定信息沉淀为用户、项目或团队层面的长期认知。L2/L3 用于快速恢复背景，L1 用于查找具体事实，L0 用于核对原始内容、时间和来源。检索结合 BM25 关键词检索、向量检索和 RRF 排序，再按项目、用户、Agent、权限和上下文预算筛选结果。
-
一个人也能组建 Agent 小团队：你负责制定目标和做关键决策，研究员负责调研，开发者负责构建产品，评审员负责测试和发现问题；记忆中心保存和传递团队经验。不同角色绑定不同记忆资产，例如研究员绑用户访谈记录+市场研究知识库+竞品分析技能，开发者绑产品知识库+项目代码图谱+功能交付技能，评审员绑历史事故记录+项目代码图谱+发布检查清单。「管理的重点不只是能找到什么，还包括谁可以使用什么。」
-
两个项目切入角度不同（文末对比判断）：agentmemory 的重点是自动捕获 Agent 的工作过程（通过 Hooks 记录会话、提示词、工具调用、文件访问和执行结果，再压缩、索引与混合检索，把相关经验带回后续会话）；TencentDB-Agent-Memory 的重点是把经验整理成可治理的资产（将 Chat Memory、Skill、Wiki、CodeGraph 纳入统一体系，通过 Team、Agent、Owner、版本和访问权限决定哪些内容可共享、分配给出哪些角色）。简单说：agentmemory 负责让 Agent 自动记住工作过程，TencentDB-Agent-Memory 负责让团队管理 Agent 应该知道什么。
实操内容保留
部署步骤（原文四步走，Windows WSL 环境）
STEP 1 克隆仓库并填模型配置：
git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
# 然后用 nano .env 修改 .env 文件，根据你自己的 LLM 提供商修改模型相关信息一般只需修改两组模型相关变量：
- memory 组：供 Memory Core 和 Hub 内部使用，负责记忆提炼、知识处理等后台流程，通常用性价比较高的模型即可。
- proxy 组：供 Proxy 转发日常 Agent 请求，决定日常对话的模型质量和响应体验，可按实际需求配置。
STEP 2 验证两组 LLM 参数：
cd TencentDB-Agent-Memory/deploy/global-images
# 进到项目目录的 deploy/global-images 下
./verify.sh
# 验证两组 LLM 参数，必须通过STEP 3 一键启动全部服务：
sudo ./start-all.sh
# 执行后脚本会自动拉镜像并完成部署STEP 4 打开管理面板：
http://localhost:8125/
部署完成后在浏览器打开，输入终端显示的这个 key 即可进入。和之前部署 WeKnora 一样，默认用户就是管理员账户。
使用方式：个人使用与团队管理
- 个人使用——创建 Agent 并配备角色：例如创建一个「Bug 修复工程师」Agent，再通过客户端接入。Agent 更像一个带有角色、权限和资产配置的工作身份，可绑定指定 Chat Memory、Skill、Wiki 或 CodeGraph。在 API key 模块内置各类 Agent 的接入地址（通过代理服务器形式接入）。先接 Claude Code，打开 ccswitch 复制地址和 key 到供应商配置中。注意：模型 ID 需要手动填写，自动获取不到；或启动时明确指定
claude --model 你的模型ID。启动 Claude Code 后它会询问是否关联团队资产，关联后创建的团队资产就会注入。随对话和项目执行推进，系统会逐步形成新的记忆资产，也可手动共享 Agent 或导入已有记忆。 - 团队管理——把个人使用扩展成团队协作：创建独立 Team 并添加成员，左上角切换到产品团队再添加成员。每个成员可拥有独立 user_key，用于登录和调用 Proxy，从而按用户隔离身份、Agent 和资产访问范围。新 Chat Memory 和 Skill 默认私有，分享需要明确操作。
- 建立产品经理 Agent：在产品团队下建立一个产品经理 Agent，启动时选择该角色，就会按其身份和资产配置工作；共享之后团队成员即可使用。
- Wiki、CodeGraph 与 Skill 协同：这三个模块分别对应知识、代码和方法。团队把产品规范放入 Wiki，把代码仓库构建成 CodeGraph，把已验证的交付流程整理成 Skill，再按 Agent 角色绑定。例如产品经理 Agent 用业务 Wiki+用户研究 Skill；Builder Agent 用产品 Wiki+项目 CodeGraph+功能交付 Skill；Reviewer Agent 用 CodeGraph+历史事故 Chat Memory+发布检查 Skill。
- Wiki 在「Wiki 智识库」点右上角添加，只能以团队身份去添加，然后指派给 Agent。
- CodeGraph 把代码仓库解析成图谱（文件/模块/函数/类/调用关系/依赖关系），只能以远端仓库形式挂载，和 Wiki 一样只能挂到团队资产下。
- Skill 可作为 Agent 资产导入（适合个人先整理验证），也可作为团队资产导入（适合团队统一维护）；以 Agent 资产方式导入后可共享，团队就能看到和使用。
- WorkBuddy 接入：接入思路类似，用自定义模型配置，把 API 地址指向 Proxy，配置对应 user_key、模型 ID 和协议参数，再关联 Team 和 Agent。其它 Agent 也一样，替换 API 端点就行了——Agent 框架可以更换，这正是 TencentDB-Agent-Memory 的核心思路：团队资产和项目经验仍然保留。
关键概念
- TencentDB-Agent-Memory — 腾讯开源、面向 Agent 团队的记忆资产管理与知识协作平台（项目地址：github.com/Tencent/TencentDB-Agent-Memory）；本篇为其首次引入的实体，待创建实体页
- agentmemory — 专注自动捕获 Agent 工作过程的开源记忆层（通过 Hooks 记录会话/提示词/工具调用/文件访问/执行结果），与 TencentDB-Agent-Memory 形成对照；本篇素材补充其与 TencentDB 的对比，待创建实体页
- 记忆资产（Memory Assets） — 把不同来源信息统一抽象成 Chat Memory / Skill / Wiki / CodeGraph 四类资产的核心概念
- Memory Core / Memory Hub / Memory Proxy — 记忆核心、管理面板、Agent 统一入口三个服务
- L0–L3 分层记忆 — 从原始对话到长期认知的分层记忆结构，检索时按层取用
与其他素材的关联
- 与「Agent 记忆/长期记忆」主题同源，文中明确将 TencentDB-Agent-Memory 与 agentmemory 对照：一个负责「自动记住工作过程」，一个负责「让团队管理 Agent 应该知道什么」。
- 与 agentmemory 相关的 Agent 长期记忆话题呼应：此前素材介绍了 agentmemory 通过 Hooks 自动捕获 Agent 编码过程；本素材在同一问题域上切入「治理、授权、分配」维度。
- 与 Claude Code 强相关：文中的接入示例以 Claude Code 为主（ccswitch、
claude --model、关联团队资产），并涉及 WorkBuddy 等客户端通过替换 API 端点接入。 - 与 团队协作 / 知识库构建工程 话题呼应：Agent 团队里不同角色绑定不同资产（产品经理/Builder/Reviewer），与知识库按角色分配、控制信息共享边界的思路一致。
- 与「AI 工作流方法论」呼应：工作过程 → 记忆资产 → 权限管理 → Agent 按需使用，是一条把团队经验资产化的流水线。
原文精彩摘录
对稳定的项目规范，很多人会维护 CLAUDE.md、AGENTS.md 或其他 Markdown 文件。这种方式简单直观，但随着项目资料、历史对话、代码关系和团队经验越来越多，单个 Markdown 文件很难承担完整的记忆管理。
如果说 agentmemory 侧重自动记录 Agent 做过什么，TencentDB-Agent-Memory 关注的则是这些经验如何被整理、授权并分配给不同角色的 Agent 使用。
每个 Agent 只获得完成当前职责所需要的内容，能够减少上下文噪声，也让团队经验具备更清晰的共享边界。
这正是它与普通聊天记录搜索的区别：管理的重点不只是能找到什么，还包括谁可以使用什么。
这点非常重要——团队记忆的价值在于经验流动，风险也在于错误信息和私人信息流动。只有明确的 Owner、版本和访问边界，团队共享才具备可控性。
简单来说：agentmemory 负责让 Agent 自动记住工作过程，TencentDB-Agent-Memory 负责让团队管理 Agent 应该知道什么。
如果你希望把对话经验、团队规范、代码结构和可复用技能组织成一套资产，再分配给不同角色的 Agent，TencentDB-Agent-Memory 更值得关注。