Проблема: Агенты забывают, люди не изобретают велосипед заново
Основная идея TencentDB Agent Memory заключается в решении практической проблемы: как избежать повторной работы, когда контекст проекта уже был объяснен. Традиционные RAG-системы (Retrieval-Augmented Generation) часто работают как «склады чатов», где информация теряется. Tencent предлагает подход, при котором любой опыт, помогающий следующему агенту не изобретать велосипед, сохраняется, организуется и переиспользуется.
Система не просто хранит историю диалогов. Она извлекает из них Chat Memory (память о предпочтениях, фактах, решениях), Skills (навыки с версиями и правилами валидации) и Knowledge Maps (Wiki и CodeGraph). Это позволяет новым агентам начинать работу с готового «сохранения» (save file), а не с нуля.
Архитектура: От сырых данных к структурированным активам
Система работает через три основных компонента, развертываемых через Docker:
- Memory Core: Ядро для обработки и хранения данных.
- Memory Hub: Панель управления для команд, где происходит ревью, версионирование и распределение прав доступа.
- Proxy: Прокси-сервер, интегрирующийся с агентами (например, Claude Code, CodeBuddy).
Ключевая особенность — автоматическая экстракция активов. Например, при импорте кодовой базы создается CodeGraph, который индексирует символы, файлы и пути влияния изменений. При импорте документации генерируется Wiki со связями между страницами. Из исторических диалогов извлекаются Skills — не просто промпты, а исполняемые сценарии с триггерами и шагами валидации.
Сравнение подходов: TencentDB Agent Memory vs Стандартный RAG
Разработчики подчеркивают, что их система отвечает не только на вопрос «что можно найти?», но и «кто может это использовать, какая версия актуальна и какому агенту назначить?». Ниже приведено сравнение ключевых возможностей:
| Функция | Стандартный RAG | TencentDB Agent Memory |
|---|---|---|
| Понимание пользователя между сессиями | ❌ Отсутствует | ✅ Chat Memory (L0-L3 уровни абстракции) |
| Исполняемый опыт (навыки) | ❌ Отсутствует | ✅ Skills (с версиями, триггерами, валидацией) |
| Структура документов и связи | △ Простое разбиение на чанки | ✅ Wiki + Link Graph (граф знаний) |
| Графы вызовов кода и влияние изменений | △ Текстовый поиск | ✅ CodeGraph (индексация символов и путей) |
| Управление доступом и версионирование | △ Базовое | ✅ Private/Team/ACL, привязка к агентам |
Практическое применение: Команда из одного человека
Тюмень демонстрирует сценарий использования для «микро-компании», где один человек управляет несколькими ролями агентов. Вместо четырех разрозненных окон чата создается команда:
- Scout (Разведчик): Использует Chat Memory интервью и Wiki рынка.
- Builder (Разработчик): Имеет доступ к CodeGraph проекта и Skills доставки фич.
- Reviewer (Рецензент): Работает с историческими инцидентами и чек-листами релизов.
Каждый агент получает только те активы, которые нужны для его роли. Это снижает шум в контексте и повышает стабильность результатов. Система поддерживает миграцию данных из версий v1.x/v0.x в v2.0.0+ через специальный инструмент.
Почему это важно для индустрии
Запуск системы осуществляется одной командой ./start-all.sh, после чего доступна панель управления по адресу http://localhost:8125. TencentDB Agent Memory закрывает цикл жизненного опыта: работа создает активы, активы циркулируют в команде, новые агенты загружают опыт в первый же день. Это переход от «чата с ИИ» к «управляемой команде ИИ-агентов» с накоплением корпоративной памяти, независимой от конкретного фреймворка агента.
Источник: Github ↗