腾讯开源的这个记忆插件，可能是目前最值得装的 OpenCode 记忆方案

作者：小创

之前写过一篇记忆插件横评，介绍了 5 款 OpenCode 记忆扩展——supermemory、opencode-mem、open-mem、true-mem，还有 supermemory 官方的 opencode-supermemory。写的时候觉得各有特色，勉强能凑一桌。

但最近有一款插件，让我回头再看那篇文章，感觉——

那张对比表格，可以撕了重画。

就是 TencentDB Agent Memory。

它不是来加入竞争的，它是来结束竞争的

先看最基本的数据：

这不是"又一款新插件"，这是从设计理念上高了一个维度。

先说清楚它解决的是什么问题

OpenCode 跑长任务的时候，有两个真实的痛：

第一个，单次任务内的信息过载。 你让 Agent 去调工具、跑搜索、翻代码，几百轮对话下来上下文撑到几十万 Token，模型开始犯傻，你开始花冤枉钱。

第二个，跨会话的经验流失。 今天你教 Agent 用你项目的写代码风格、commit 规范、review 偏好，明天换一个新的 session，它全忘了，又得从头教。

市面上的记忆插件，大多只解决第二个问题——把对话向量化存起来，召回的时候拼进去。但对第一个问题基本无能为力。

TencentDB Agent Memory 两个都解决，而且解决得很彻底。

核心技术：符号化 + 四层分级

1. 符号化记忆——把几十万 Token 压到几百

Agent 跑任务的时候会产生大量过程日志：搜索结果、代码片段、报错信息。这些东西原来只能全塞进上下文。

Agent Memory 的做法是：

1. 完整日志卸载到外部文件系统（refs/*.md）
2. 结构关系提取成一张轻量级的 Mermaid 符号图谱（带 node_id）
3. 上下文只注入这张 Mermaid 图谱，只有几百 Token

需要查证细节的时候，根据 node_id 直接 grep 找回原始日志。整个过程零信息损失，100% 可溯源。

简单说：不是在压缩信息，是在换一种模型更容易理解的表达方式。

2. L0-L3 四层分级——从对话原始数据到用户画像

平时靠高层画像理解用户偏好；需要核实细节时再向下钻取。不是平铺，是金字塔。

这个设计解决了一个很根本的问题：扁平的向量召回缺乏宏观视角，而人脑的记忆本来就是分层的。

benchmark 数据（来源：官方 GitHub README，未经第三方验证）

接入 OpenClaw 后：

数据来自官方评测（2026-05），超长 Session 连续评测，非单题清空上下文。这个评测方式本身是有说服力的，因为它模拟的是真实的长程 Agent 使用场景。

怎么装

⚠️ 要求：OpenClaw ≥ 2026.3.13，Node ≥ 22.16

两步搞定：

# 第一步：安装插件
openclaw plugins install @tencentdb-agent-memory/memory-tencentdb

# 第二步：重启 Gateway
openclaw gateway restart

然后在 ~/.openclaw/openclaw.json 里启用：

{
  "memory-tencentdb": {
    "enabled": true
  }
}

默认使用本地 SQLite + sqlite-vec，零外部依赖，不用申请任何 API Key。

如果想进一步开启短期记忆压缩（Context Offload），需要在插件配置里注册 contextEngine slot，然后跑一个 patch 脚本：

bash scripts/openclaw-after-tool-call-messages.patch.sh

这个 patch 只需要跑一次，升级 OpenClaw 之后建议重新跑。

它和那篇里的 5 款插件本质区别在哪

那篇里的插件，本质都是召回增强——把历史对话向量存起来，召回的时候拼进去。这件事有用，但天花板明显：召回的内容还是扁平的，量大了还是爆炸。

Agent Memory 的思路不同：

• 短期记忆（单任务内）用符号化+Mermaid 把上下文压到可管理的大小，同时保留下钻能力
• 长期记忆（跨会话）用 L0-L3 分层结构做语义归纳，不是存对话，是提炼知识

召回增强解决的是"记过"的问题。Agent Memory 解决的是"学会"的问题。

一个值得注意的点

这款插件是腾讯团队开源的，GitHub 地址是 Tencent/TencentDB-Agent-Memory。Stars 2390，更新非常活跃（最近更新就在两天前），不是那种发完 v1.0 就没动静的项目。

支持 OpenClaw 和 Hermes 两个主流 Agent 框架，Docker 一键部署的方式官方也给出了。

写在最后

那篇横评发出去的时候，我确实觉得那 5 款插件各有优劣，能凑一桌。但 TencentDB Agent Memory 出现之后，格局变了——

它不是在一个维度上比谁更好，而是在重新定义这个问题本身该怎么解。

L0-L3 分层 + Mermaid 符号化，这套组合拳打下来，记忆这件事的思路就完全不同了。

你在用哪款 OpenCode 记忆插件？有没有被长上下文折磨过？评论区说说。