agent正在变得越来越颖悟，但它还有一个很无语的问题，那等于干着干着，就忘了我方要干什么了。

长任务、跨会话、连气儿扩充，这些实在是agent的发展标的，可前提是它必须有一套可靠的驰念系统。不然，再强的模子也只可在一次次对话里反复“再行意识寰宇”。

腾讯最近开源的AgentDB，对准的恰是这个问题。

这一个是专门用来处置驰念问题的零丁组件，一共惟一几MB的大小，下载到电脑以后，在OpenClaw或者Hermes Agent里输入一个请示，AgentDB就装配完成了。

等于这样一个“小玩意”，在发布的同期，腾讯专门为其开设了零丁的X账号（ @TencentDBAbxo2），并由团队躬行在外交媒体上与开发者互动。

天然腾讯不同行务王人有X账号，比如混元、腾讯云等等，但这是腾讯第一次为一个开源用具单独开X账号，可见腾讯对这个开源项狡计爱好进度。

那就别说别的了，径直插足主题吧！

01

AgentDB处置了什么问题？

关于模子驰念这个问题，Codex和OpenClaw曾尝试用压缩的样子处置，把冗长的历史对话压缩成一小段摘记，但这种作念法会不可逆地蚀本驰念的细节。

当Agent需要回溯某个具体决策的依据时，那些被压缩掉的信息就永恒找不转头了。

这等于传统驰念系统的近况。要么把统共历史对话无脑塞进高下文窗口，导致token谋害爆炸，资本直线飞腾。要么用总结压缩历史，天然省了token，但细节永恒丢失，Agent在需要考据时只可靠朦拢的印象瞎猜。

这两种决策王人不够优雅，也王人不够实用。

AgentDB实质上是一个分层渐进式的Agent驰念管说念系统。它采纳“美艳化短期驰念+分层经久驰念”的双轨架构，试图在token遵守和信息完整性之间找到均衡点。

这套系统的联想理念包含三个维度。

第一个维度，拒却暴力堆积，也拒却不可逆压缩。

AgentDB联想了L0到L3四层驰念金字塔。L0是原始对话，完整保留每一轮交互的原始记载。L1是索取的原子驰念，由LLM自动从对话中索取结构化事实、用户偏好、任务欺压和中间论断。L2是场景团聚，按任务类型自动归纳关系驰念，形成场景块。L3是用户画像，继续提真金不怕火信息，形成厚实的经久用户档案。

这种分层联想的中枢价值在于“可压缩、可伸开、可追思”。

宽绰Agent使命时，只需要加载高层的Persona和场景块，就能把执用户偏好和任务条理，token花悔过低。当需要考据细节时，再通过索引机制检索底层的原子驰念和原始对话，完整还原凭证链。统共这个词过程莫得任何信息被不可逆地丢弃，统共压缩王人是有损但可收复的。

它就像藏书楼相似，把驰念放在不同的区域，比如外洋文体、用具书之类。宽绰为了省时候，只看目次和摘记，需要细节时再去原始记载里找，以保证不丢失信息。

这套机制的履行效果非常权贵。在PersonaMem经久驰念测试中，AgentDB的准确率从传统决策的48%跃升至76%。这使得Agent大致在跨会话的场景中厚实地记取用户的偏好和历史决策，而不是每次对话王人像第一次碰面相似从零初始。

第二个维度，美艳化驰念处置长任务中的信息过载。

在复杂任务中，最谋害token的通常不是对话自身，而是那些冗长的中间日记。

搜索阁下可能有几千字，代码片断可能有上百行，装假堆栈可能占满统共这个词屏幕。要是把这些内容一说念塞进高下文，token很快就会爆表。

AgentDB的作念法是将这些冗长内容offload到外部文献系统，同期用Mermaid图谱索取其中的关捆绑构。注入到Agent高下文中的仅仅轻量级的美艳化暗示，开云体育(中国)官方网站比如一个任务节点的ID、一段代码的摘记、一个搜索阁下的要害词。

当Agent需要回溯细节时，通过node_id精确调回原始文本。这种联想让高下文从“数十万token的日记堆”压缩为“几百token的关系图谱”。

也等于说，AgentDB把大段大段的日记、代码、搜索阁下存到外面，只在AI的“使命台”上放一个索引编号和要害词摘记。需要时再根据编号去调取原文。

在WideSearch任务中，这套机制的效果尤其显明。token使用量裁汰了61.38%，而任务顺利率反而晋升了51.52%。

这个反直观的阁下揭示了一个进犯事实，更多的高下文并不老是意味着更好的理解。当无关信息稀释了刺想法时，Agent反而会迷失在信息的海洋中，作念出装假的决策。

美艳化驰念通过结构化的样子呈现信息，让Agent大致明晰地看到任务的全貌和扩充旅途，从而作念出更准确的判断。

第三个维度，全土产货化、零外部依赖。

AgentDB默许使用SQLite加sqlite-vec当作后端，无需相连任何外部API或云管事。这对企业场景至关进犯。驰念数据通常包含明锐的业务逻辑、用户偏好和神色细节，全土产货化意味着数据主权十足掌执在用户手中。

大多量驰念系统王人依赖云霄向量数据库或第三方embedding管事，数据必须上传到外部管事器才能使用。

尤其是关于金融、医疗、政务这些行业来说，这种依赖是有问题的，是以这类公司通常王人是独到云，把数据存在土产货里，但土产货的管事器又跑不动大模子。

AgentDB的全土产货化决策处置的恰是这个问题。

从工夫竣事来看，AgentDB的四层驰念管线是十足自动化的。

对话初始时，系统自动通过向量检索或搀杂搜索调回关系驰念，加载用户画像，注入到系统高下文中。对话已矣后，系统自动录制对话音问，双写到IMemoryStore和JSONL文献。

当聚积到一定轮次后，Pipeline退换器轮番触发L1、L2、L3的索取和归纳进程。统共这个词过程对用户和Agent王人是透明的，不需要手动扰乱。

你只需要在OpenClaw或Hermes Agent中装配插件，成就好LLM接口，AgentDB就能初始使命。

统共字段王人有合理的默许值，滚球(中国)app官网零成就即可使用。关于有极度需求的用户，AgentDB也提供了丰富的成就选项，不错调养每一层的触发阈值、间隔时候、索取战略等参数。

AgentDB的另一个亮点是可追思性。压缩或笼统最大的风险是“丢失凭证”，当调回的驰念出错时，用户只可看到一堆向量分数，无法判断问题出在那边。

AgentDB保留了要害的中间产物当作可读文献。

每一条信息王人100%可找回、可收复，不管是短期驰念中被卸载的一段报错日记，照旧经久驰念里总结出的一条用户偏好，Agent或开发者王人不错沿着“高层美艳→中层索引→底层原文”的链路进行竣工溯源与收复。

02

姚顺雨的“高下文表面”找到了最好实践

AgentDB这个居品，某种进度上来说，等于腾讯对姚顺雨“高下文表面”的一个落地决策。

姚顺雨此前屡次强调，AI的中枢才调不在于参数鸿沟，而在于对高下文的意会、管制和讹诈。

这个不雅点在他加入腾讯后发布的第一个模子Hy3 preview中，得到了充分体现。

Hy3 preview这个模子最非常的方位在于，它把“出色的高下文体习和请示盲从才调”单独拎出来，写进了中枢才调清单的第一条。

当其他厂商王人在卷agent才调、代码生成、多模态的时候，Hy3把高下文才调放在了最显眼的位置。

姚顺雨加入腾讯后发布的第一个盘问效果是CL-bench，这是一个专门用来测试模子能否从高下文中学习新学问并正确应用的基准。

在Hy3 preview的性能展示中，第一张图放的不是SWE-Bench Pro或者Terminal-Bench 2.0这种agent和代码榜单，而是AdvancedIF、AA-LCR，以及CL-bench这些看高下文推理、检索和请示盲从的榜单。

腾讯合计高下文管制才调，才是AI下一阶段赛说念。

其实市面上有不少模子厂商王人会在宣传时王人会强调我方维持多长的高下文，包括OpenAI和Anthropic，从一初始的32K到128K，再到1M甚而微软也曾提到过的10M高下文。

但你信得过用的时候就会发现，高下文越长，模子的理解通常越差。

信息密度被稀释，刺想法被散播，模子在海量的无关信息中迷失标的，反而作念出更多装假的决策。

姚顺雨团队的消融实验验证了这个不雅点，无关信息会稀释了刺想法。这亦然AgentDB的分层联想想要去处置的问题。

腾讯为AgentDB专门开设X账号，并由团队成员主动发起AMA，这在腾讯的开源神色中并不常见。这种高调姿态背后，是腾讯但愿将AgentDB打变成“高下文管制”领域标杆的贪心。

但是AgentDB当今在实战这块并莫得很拉风的理解，腾讯需要给AgentDB“带货”。

AgentDB的价值需要通过具体场景才能被感知。

比如，腾讯不错拿出混元模子，集合AgentDB构建一个“连气儿使命30天不丢失高下文的代码审查Agent”，或者“记取用户统共偏好的个性化内容推选Agent”。

惟一当开发者看到“某个模子+AgentDB”产生的化学响应，全球才会去用它。

03

唐杰的“上联”，姚顺雨的“下联”

就在AgentDB发布前夜，智谱首创东说念主唐杰夜深发布了一条长文反想，中枢不雅点直指，长周期任务将是本年AI最可能的破损点。

唐杰合计，AI的信得过价值不在于单轮对话的智能，而在于通过与环境继续交互，完成复杂、延展的任务。

他举了一个黑客的例子，一个能24/7不拒绝搜寻软件罅隙的AI，实质上是在学习黑客的高阶直观和模式论，而非浅近的搜索。

这种“长周期学习+继续扩充”的才调，才是下一阶段AI所需要的。

而要竣事长周期任务，唐杰指出了三大工夫维持，驰念、继续学习、自我判断。

其中，驰念被他列为“通过好意思妙工程技巧开首被处置”的才调。

这个判断和AgentDB的居品逻辑险些是重合的。

要是说唐卓绝了一个“上联”，“长周期任务需要驰念当作前提”，那么腾讯用AgentDB对了一个“下联”，“分层驰念让长周期任务成为可能”。

Agent需要记取我方作念了什么，为什么这样作念，接下来该作念什么。要是每扩充几步就健忘之前的决策，那么长周期任务压根无法完成。

更挑升义的是，唐杰还在文中提到了“自我判断”才调，天然AgentDB体积很小，但它的架构中也允许AI进行“自我判断”。

当Agent大致通过Mermaid图谱明晰地看到我方的任务进展、通过分层驰念回溯历史决策，它就具备了“元暴露”的基础。

知说念我方作念了什么、为什么这样作念、接下来该作念什么。

这种结构化的自我暴露，恰是自我判断的前提。

从这个角度看，AgentDB不仅是一个驰念系统，更是腾讯对“长周期任务时间”的一次工夫押注。

唐杰描述了愿景，腾讯拿出了用具。

而在这场“长周期竞赛”中，驰念系统等于Agent的燃料箱。容量决定续航，结构决定遵守。

AgentDB的开源，意味着腾讯把这个燃料箱的联想图纸公开了，况且照旧免费的。

智谱在长周期任务上还是有了一些初步的效果。在GLM-5.1的白皮书中提到，GLM-5.1在不需要任何东说念主工扰乱的前提下，大致继续功课8小时。

但这仅仅一张获利单，要信得过让企业舒适，还得看它在更多场景里会不会掉链子，遭遇没见过的问题时能弗成靠我方的技巧处置。

长周期任务不是一个通用居品，它需要针对不同行业、不同场景作念深度定制。

这亦然AgentDB的契机所在。

当作一个零丁的驰念组件，AgentDB不错和任何模子、任何Agent框架集成。智谱不错用，字节不错用，阿里也不错用。

这种绽放性让AgentDB有契机成为长周期任务的基础要道。

而长周期任务也不是某一家公司的专利，是统共这个词行业的共同标的。谁能最初在这个方朝上得回破损，谁就能不才一轮竞争中占据先机。

而在这场竞赛中，驰念管制才调将是决定性的身分之一。

腾讯把这套决策开源出来，既是一种工夫自信的展示，亦然一种对生态开发的投资。

要是AgentDB大致成为长周期任务的措施驰念组件滚球app，那么腾讯在这个领域的影响力就会远远超出一个开源神色自身。