Проблема повторного контекста решена
Tencent Cloud открыла исходный код TencentDB Agent Memory v2.0 под лицензией MIT. Главная идея проекта — устранение дублирования работы. Если контекст проекта уже был объяснен одному агенту, новому сессии или коллеге не нужно запрашивать его заново. Система преобразует разговоры, документы и код в четыре типа переиспользуемых «активов памяти», которые версионируются и защищаются правами доступа.
Релиз 2.0.0 опубликован 3 августа 2026 года. Решение позиционируется как self-hosted (самостоятельно размещаемое), что критично для компаний, работающих с конфиденциальным кодом в финтехе, консалтинге и регулируемых отраслях.
Четыре типа активов памяти
Система структурирует информацию, превращая хаотичные логи в управляемые ресурсы. Все активы регистрируются унифицированно, что позволяет применять одинаковые правила владения и видимости:
| Тип актива | Описание и назначение |
|---|---|
| Chat Memory | Сохраняет предпочтения, факты, решения и историю взаимодействий. Подвергается многослойной дистилляции (L0–L3). |
| Skill | Извлекает повторяющиеся процедуры из завершенных задач. Содержит версии, триггеры, шаги выполнения и правила валидации. |
| LLM-Wiki | Структурированные страницы на основе документов. Использует граф ссылок, вдохновленный идеями Андрея Карпаты. |
| CodeGraph | Индексирует символы, файлы, вызовы функций и пути влияния кода. Позволяет агентам анализировать рефакторинг. |
Многоуровневая дистилляция и бюджетирование
Chat Memory не хранится в сыром виде. Асинхронный пайплайн рефайнит данные через уровни:
- L0: Исходные данные.
- L1 Atom: Атомарные факты.
- L2 Scenario: Сценарии использования.
- L3 Core/Persona: Ядро личности и ключевые решения.
При поиске система использует гибридную модель: быстрый контекстный бустинг через L2/L3, а для точных фактов — fallback на BM25 + векторный поиск + RRF (Reciprocal Rank Fusion) к L1/L0. Результаты жестко ограничены по количеству элементов, бюджету символов и таймауту, чтобы не перегружать контекстное окно LLM.
Государство как главное отличие от RAG
В отличие от стандартного RAG, который отвечает только на вопрос «что найдено», TencentDB Agent Memory отвечает на вопросы «кто может использовать», «какая версия валидна» и «какому агенту выдать». Реализована система ACL (Access Control List) с тремя уровнями видимости:
- Private: Только владелец. Даже администраторы команды не имеют доступа. По умолчанию новые Chat Memory и Skills создаются приватными.
- Team: Доступно всей команде.
- Restricted: Ограниченный доступ.
Доступ обеспечивается через фиксированное связывание (binding) и ACL: сначала сужение по команде, пользователю, агенту и видимости, затем сам поиск.
Интеграция и производительность
Для подключения агентов используется Memory Proxy, поддерживающий протоколы Anthropic и OpenAI. Он экспонирует эндпоинты /claude-code/<spaceId>/v1/messages и /v1/chat/completions. На первом шаге сессии используется инструмент AskUserQuestion для выбора команды и задачи, после чего в системный промпт инжектируются соответствующие L2/L3 память и навыки.
Система поддерживает мультиархитектурные сборки (linux/amd64, linux/arm64) и развертывается через Docker. Официальные SDK доступны для TypeScript и Python. Интеграции включают OpenClaw, Hermes, Claude Code и CodeBuddy.
В релизе 2.0.0 заявлено повышение точности PersonaMem с 48% до 76% (рост на 59% относительно). Однако стоит отметить, что эти результаты заявлены самой Tencent, и независимых репродукций бенчмарков пока не опубликовано. Также в разработке остаются функции автоматической маршрутизации памяти и работа с приватными репозиториями в CodeGraph.
Источник: MarkTechPost ↗