作者：小创
用了 Agent 框架最痛苦的事情是什么？每次新开一个 session，AI 完全不记得你上次做到哪了。CommonAgent 记忆方案换了一个又一个，要么配置复杂到令人发指，要么效果平平装完跟没装一样。
最近腾讯放出了一个叫 TencentDB Agent Memory 的东西，官宣数据说接入后 Token 消耗最高能降 61%，成功率提升 51%（数据来源：TencentDB-Agent-Memory 官方 README）。我研究了一下，发现它跟 Hermes Agent 的集成比想象中简单得多——腾讯官方已经把它做成了 Hermes 的内置 memory provider。
今天把这套方案完整跑了一遍，把安装方式、架构逻辑、配置细节全部梳理清楚。
这套东西的核心设计叫「四层渐进记忆」，不是简单地把对话往向量数据库里一塞就完事了。
L0（原始对话）：完整保留对话原文，以 Markdown 文件形式存在磁盘上，可直接打开查看。
L1（原子记忆）：从原始对话里提取关键事实片段，结构化存储，每次 L1 提取会同时做向量化和去重，避免重复记忆污染。
L2（场景块）：把同类原子记忆归并成场景块，以 Markdown 形式保存，人类可以直接读懂。
L3（用户画像）：在更宏观的层面归纳用户偏好、工作习惯、常用技术栈，存成 persona.md。
关键点在这里：每上一层都有完整的下钻路径。当你觉得 AI 回答有问题的时候，可以一路从 L3 persona → L2 场景 → L1 原子 → L0 原文，完整追溯到原始上下文，不是一个黑箱。
另一个重要设计是符号记忆。长任务里最费 Token 的是那些中间日志（搜索结果、代码片段、错误堆栈），这些东西被压缩成 Mermaid 图表留在上下文里，详细内容通过 node_id 索引到外部文件，按需读取。上下文只留几百个 token 的图表，实际 logs 可以是几十万 token。
Hermes 是个 Python Agent 框架，但这套记忆系统核心是 Node.js 写的。两边通过 HTTP 通信。
Hermes (Python)
└─ memory_tencentdb Provider
├─ GatewaySupervisor ─── 启动 + 健康检查 Node.js sidecar
└─ MemoryTencentdbSdkClient ─── HTTP 调用 Gateway
│
▼ 127.0.0.1:8420（默认）
memory-tencentdb Gateway (Node.js)
└─ 核心引擎
├─ L0 原始对话存储（SQLite + JSONL）
├─ L1 记忆提取（LLM + 向量去重）
├─ L2 场景块（Markdown）
├─ L3 用户画像（persona.md）
└─ 存储后端：SQLite + sqlite-vec 或腾讯云向量数据库
数据存在哪？默认在 ~/.memory-tencentdb/memory-tdai/，打开这个目录就能看到 L0/L1/L2/L3 各层的文件，调试起来非常方便。
hermes --version
需要 v0.3.4 或更高版本。低于这个版本的先升级。
编辑 ~/.hermes/config.yaml，加入：
memory:
provider: memory_tencentdb
注意这里用的是下划线 memory_tencentdb，不是中划线。这不是配置错误——这是 Hermes 的 provider 目录命名规范，目录名必须是下划线。
记忆系统的 L1/L2/L3 提取需要调用 LLM，默认用 OpenAI 接口。设置环境变量：
export MEMORY_TENCENTDB_LLM_API_KEY="sk-xxx"
export MEMORY_TENCENTDB_LLM_BASE_URL="https://api.openai.com/v1"
export MEMORY_TENCENTDB_LLM_MODEL="gpt-4o"
如果你用腾讯云 LKE 的 DeepSeek，也可以：
export MEMORY_TENCENTDB_LLM_API_KEY="xxx"
export MEMORY_TENCENTDB_LLM_BASE_URL="https://api.lkeap.cloud.tencent.com/v1"
export MEMORY_TENCENTDB_LLM_MODEL="deepseek-v3.2"
export MEMORY_TENCENTDB_LLM_PROVIDER="custom"
Gateway 会由 Provider 自动启动（auto-discovery 模式），默认找 src/gateway/server.ts 这个路径。如果你的插件目录不在默认搜索路径里，需要手动指定：
export MEMORY_TENCENTDB_GATEWAY_CMD="node --import tsx /path/to/src/gateway/server.ts"
启动后，Provider 会自动等待 Gateway 的 /health 返回 ok，然后才正式接管记忆功能。
curl http://localhost:8420/health
返回 ok 或 degraded 即可。
日志位置在 ~/.hermes/logs/memory_tencentdb/gateway.stderr.log，启动出问题先看这个。
插件设计者给了很合理的默认值，零配置也能跑起来。但如果想调优，分三个层级：
| 参数 | 默认值 | 说明 |
|---|---|---|
storeBackend |
sqlite |
存储后端，暂时只支持 sqlite |
recall.strategy |
hybrid |
检索策略，推荐用 hybrid（RRF 融合） |
recall.maxResults |
5 |
每次召回的记忆条数 |
pipeline.everyNConversations |
5 |
每 N 轮对话触发一次 L1 提取 |
persona.triggerEveryN |
50 |
每 N 条新记忆触发一次画像生成 |
| 参数 | 默认值 | 说明 |
|---|---|---|
pipeline.enableWarmup |
true |
新 session 从第 1 轮就开始触发 L1，后续翻倍（1→2→4→…） |
pipeline.l1IdleTimeoutSeconds |
600 |
用户空闲多久后触发 L1 |
recall.timeoutMs |
5000 |
召回超时时间，超时跳过不阻塞对话 |
capture.excludeAgents |
[] |
排除特定 agent 的 glob 模式（如 bench-judge-*） |
capture.l0l1RetentionDays |
0 |
L0/L1 本地文件保留天数，0 = 永不清理 |
完整参数在项目根目录的 openclaw.plugin.json 里定义，包含了 embedding 服务配置、独立 LLM 运行模式、offload 后端等高级选项，适合自建 embedding 服务或接腾讯云向量数据库的用户。
如果启动 Hermes 后日志里出现 memory-tencentdb Gateway not available，先确认 Hermes 版本是 v0.3.4+。低于这个版本没有 memory provider 机制。
另一个常见原因：Gateway 没有启动起来。看 ~/.hermes/logs/memory_tencentdb/gateway.stderr.log 的具体报错信息。
配置里写 memory-tencentdb 会报错，必须写 memory_tencentdb（下划线）。原因：Hermes 的 provider 注册目录名是 memory_tencentdb/，系统按目录名查找 provider。
Gateway 启动成功但 L1 提取没动静，很可能是 MEMORY_TENCENTDB_LLM_API_KEY 没设置。记系统需要 LLM 做记忆提取，没有凭证就卡在半路。
BM25 检索默认语言是 zh（jieba 分词），如果你做的是英文项目上下文，改成 en 效果更好。在 bm25.language 参数里设置。
| 方案 | 接入难度 | 长期记忆 | 短term压缩 | 白盒调试 | 数据存储 |
|---|---|---|---|---|---|
| memory-tencentdb（本文） | 低（内置 provider） | L0-L3 分层 | Mermaid 符号图 | ✅ 直接看文件 | SQLite + Markdown |
| mem0 | 中 | 平铺向量 | ❌ | 有限 | 云端 |
| retaindb | 中高 | 关系图谱 | ❌ | ❌ | 云端 |
| honcho | 中 | session 级 | ❌ | ✅ | 本地 |
如果你用 Hermes，想接入一套本地优先、分层、可调试的记忆系统，这套是目前最完整的方案。
四层记忆架构加上符号压缩设计，这套方案的核心价值不在于「记住更多」，而在于「记住的都能追溯」。每次 AI 回答出问题，你都能找到完整的记忆链路，而不是对着一个黑箱向量相似度分数发呆。
对于跑长任务、长 session 的开发者来说，这种白盒调试能力比什么性能数字都实在。
你在用 Hermes 吗？有没有遇到 session 断掉后 AI失忆的问题？评论区说说。
自己改写比拿来主义靠谱
省了不少时间
max_turns 20 其实够用了
原来可以这样用
💬 评论区