TencentDB Agent Memory源码解析：核心模块与关键算法实现

【免费下载链接】TencentDB-Agent-MemoryTencentDB Agent Memory is a team-level memory hub for AI Agents — turning conversations, docs, and code into four reusable memory assets (Chat Memory, Skill, LLM-Wiki, Code-Graph) that are governed, shared, and equipped across agents and frameworks.项目地址: https://gitcode.com/GitHub_Trending/te/TencentDB-Agent-Memory

TencentDB Agent Memory是一款团队级AI Agent记忆中枢，能够将对话、文档和代码转化为四种可复用的记忆资产（聊天记忆、技能、LLM-Wiki和代码图谱），实现跨Agent和框架的治理、共享与装备。本文将深入解析其核心模块架构与关键算法实现，帮助开发者快速理解项目原理与应用场景。

一、记忆金字塔架构：从原始数据到智能资产

TencentDB Agent Memory采用独特的四层记忆金字塔架构，实现从原始对话到结构化知识的渐进式转化。这一架构确保AI Agent能够高效存储、检索和应用记忆信息，显著提升智能交互体验。

图1：TencentDB Agent Memory记忆金字塔架构（英文版本）

1.1 L0层：原始日志（Raw Log）

L0层负责全量保留原始对话与事件流，确保信息不丢失并提供证据溯源能力。在代码实现中，这一层通过l0-recorder.ts模块完成对话记录：

// src/core/conversation/l0-recorder.ts export async function recordConversation(params: { sessionKey: string; messages: ConversationMessage[]; store: IMemoryStore; logger?: Logger; }) { // 实现对话记录逻辑 }

1.2 L1层：原子记忆（Atomic Memory）

L1层通过自动提取事实、偏好、约束和状态，从原始对话中稳定抽取出关键信息。核心实现位于l1-extractor.ts，使用LLM模型进行信息提取：

// src/core/record/l1-extractor.ts export async function extractL1Memories(params: { l0Records: L0Record[]; llmRunner: LLMRunner; store: IMemoryStore; logger?: Logger; }) { // 实现原子记忆提取逻辑 }

1.3 L2层：场景块（Scene Block）

L2层按项目、主题或工作流场景聚类，带上文召回功能减少单场误用。相关实现位于scene-extractor.ts：

// src/core/scene/scene-extractor.ts export class SceneExtractor { async extract(messages: ConversationMessage[]): Promise<SceneBlock[]> { // 实现场景提取逻辑 } }

1.4 L3层：角色画像（Persona）

L3层构建稳定的用户偏好与服务方式画像，让Agent按用户习惯协作。核心代码在persona-generator.ts：

// src/core/persona/persona-generator.ts export class PersonaGenerator { async generate(sceneBlocks: SceneBlock[]): Promise<Persona> { // 实现角色画像生成逻辑 } }

图2：TencentDB Agent Memory记忆金字塔架构（中文版本）

二、核心模块解析：从数据存储到智能交互

2.1 存储模块：多引擎支持的数据管理中心

TencentDB Agent Memory提供多种存储引擎支持，包括本地SQLite和分布式Tcvdb，通过统一接口实现灵活切换。

SQLite存储引擎：

// src/core/store/sqlite.ts export class VectorStore implements IMemoryStore { // 实现SQLite存储逻辑 }

Tcvdb分布式存储引擎：

// src/core/store/tcvdb.ts export class TcvdbMemoryStore implements IMemoryStore { // 实现Tcvdb存储逻辑 }

存储工厂类factory.ts负责根据配置创建合适的存储实例：

// src/core/store/factory.ts export function createStoreBundle( config: MemoryStoreConfig, embeddingService: EmbeddingService, logger?: Logger ): StoreBundle { // 根据配置创建存储实例 }

2.2 嵌入服务：文本向量化核心能力

嵌入服务将文本转化为向量表示，为语义搜索提供支持。本地嵌入服务实现如下：

// src/core/store/embedding.ts export class LocalEmbeddingService implements EmbeddingService { async embed(texts: string[]): Promise<Float32Array[]> { // 实现本地文本嵌入逻辑 } }

同时支持多种外部嵌入服务，如OpenAI：

// src/core/store/embedding.ts export class OpenAIEmbeddingService implements EmbeddingService { async embed(texts: string[]): Promise<Float32Array[]> { // 实现OpenAI嵌入API调用 } }

2.3 记忆处理管道：自动化记忆加工流程

记忆处理管道通过pipeline-factory.ts创建，实现从原始数据到结构化记忆的自动化处理：

// src/utils/pipeline-factory.ts export async function createPipeline(opts: PipelineFactoryOptions): Promise<PipelineInstance> { // 创建记忆处理管道 }

主要包含L1、L2、L3各级记忆的处理逻辑，通过MemoryPipelineManager进行管理：

// src/utils/pipeline-manager.ts export class MemoryPipelineManager { // 管理记忆处理管道 }

2.4 工具集成：与外部系统的交互桥梁

工具集成模块实现与外部系统的交互，如conversation-search.ts和memory-search.ts提供搜索能力：

// src/core/tools/memory-search.ts export async function executeMemorySearch(params: { query: string; store: IMemoryStore; limit?: number; }): Promise<MemorySearchResult> { // 实现记忆搜索逻辑 }

三、关键算法实现：智能记忆的核心驱动力

3.1 混合搜索算法：精确与模糊的完美结合

系统采用BM25（词袋模型）与向量搜索结合的混合搜索策略，在search-utils.ts中实现：

// src/core/store/search-utils.ts export function rrfMerge<T>( lists: T[][], getScore: (item: T) => number, k = 60 ): T[] { // 实现RRF（ reciprocal rank fusion）算法 }

3.2 记忆去重算法：确保信息唯一性

记忆去重算法在l1-dedup.ts中实现，通过LLM判断记忆片段是否重复：

// src/core/record/l1-dedup.ts export async function batchDedup(params: { memories: ExtractedMemory[]; store: IMemoryStore; llmRunner: LLMRunner; logger?: Logger; }): Promise<DedupDecision[]> { // 实现批量去重逻辑 }

3.3 场景提取算法：上下文感知的信息组织

场景提取算法通过语义分析将对话分组为逻辑场景：

// src/core/scene/scene-extractor.ts export class SceneExtractor { private async computeSceneSimilarity(a: SceneBlock, b: SceneBlock): Promise<number> { // 计算场景相似度 } }

3.4 令牌管理算法：优化LLM上下文窗口

令牌管理算法在context-token-tracker.ts中实现，确保在LLM上下文窗口限制内提供最相关信息：

// src/offload/context-token-tracker.ts export function buildTiktokenContextSnapshot( messages: any[], sysPrompt: string | null = null ): TokenSnapshot { // 实现令牌计算与管理 }

四、快速上手：从安装到基础使用

4.1 环境准备

首先克隆项目仓库：

git clone https://gitcode.com/GitHub_Trending/te/TencentDB-Agent-Memory cd TencentDB-Agent-Memory

4.2 安装依赖

使用npm安装项目依赖：

npm install

4.3 初始化配置

复制配置文件并根据需求修改：

cp config.example.ts config.ts

4.4 启动服务

启动TencentDB Agent Memory服务：

npm run start

4.5 数据迁移

如果需要从SQLite迁移数据到Tcvdb，可使用迁移脚本：

node scripts/migrate-sqlite-to-tcvdb/sqlite-to-tcvdb.ts

五、总结与展望

TencentDB Agent Memory通过创新的记忆金字塔架构和强大的算法实现，为AI Agent提供了高效的记忆管理解决方案。核心模块设计遵循职责单一原则，通过接口抽象实现高内聚低耦合，便于扩展和维护。

未来，项目将继续优化记忆处理算法，提升大规模记忆管理能力，并加强与各类AI框架的集成，为构建更智能、更高效的AI Agent生态系统奠定基础。

通过深入理解TencentDB Agent Memory的源码架构，开发者可以快速掌握AI记忆系统的设计要点，为构建个性化智能应用提供有力支持。

【免费下载链接】TencentDB-Agent-MemoryTencentDB Agent Memory is a team-level memory hub for AI Agents — turning conversations, docs, and code into four reusable memory assets (Chat Memory, Skill, LLM-Wiki, Code-Graph) that are governed, shared, and equipped across agents and frameworks.项目地址: https://gitcode.com/GitHub_Trending/te/TencentDB-Agent-Memory