TencentDB-Agent-Memory

1. Projektübersicht

TencentDB Agent Memory ist ein Speicherverwaltungssystem auf Teamebene für KI-Agenten, das Konversationen, Dokumentation und Codebasen in vier wiederverwendbare Speicherressourcen umwandelt — Chat Memory, Skills, Wiki und CodeGraph — damit Agenten Erfahrungen über Sitzungen, Teams und Frameworks hinweg sammeln und teilen können, statt jedes Mal alles von Grund auf neu lernen zu müssen.

2. Hintergrund und Positionierung

• Warum es entwickelt wurde: Teams von KI-Agenten stoßen immer wieder an dieselbe Grenze — jede neue Agentensitzung beginnt ohne Vorwissen, ohne Erinnerung an frühere Konversationen, ohne wiederverwendbare Workflows und ohne gemeinsames Verständnis der Codebasis oder Dokumentation, mit der gearbeitet wird. TencentDB Agent Memory wurde unter dem Leitmotiv „Agenten erinnern sich, Menschen innovieren“ entwickelt, mit dem Ziel, dass Agenten Gelerntes behalten, damit Menschen nicht ständig dieselben Anweisungen wiederholen müssen.
• Kernmission: Bereitstellung einer persistenten, strukturierten Speicherschicht, in die sich jedes Agenten-Framework einklinken kann, sodass Konversationskontext, bewährte Workflows, Dokumentationsstrukturen und Codebeziehungen zu dauerhaften, gemeinsam nutzbaren Team-Ressourcen werden, statt beim Ende einer Sitzung verloren zu gehen.
• Unterschiede zu ähnlichen Projekten: Die meisten Speicherwerkzeuge für Agenten konzentrieren sich auf den flachen Abruf aus Vektorspeichern für rohe Chat-Protokolle. TencentDB Agent Memory destilliert Konversationen stattdessen durch eine mehrstufige Pipeline (Rohdialog → atomare Fakten → Szenarioblöcke → Langzeitprofile) und organisiert das Wissen in vier distincte, zweckgebundene Ressourcentypen mit Zugriffskontrolle auf Teamebene, statt in einem einzigen undifferenzierten Speicherblock. Zudem ist es designbedingt framework-agnostisch und bietet Adapter für verschiedene Agenten-Laufzeitumgebungen, statt an ein einzelnes Produkt gebunden zu sein.

3. Funktionskategorien

🧠 Chat Memory

Mehrstufige Destillation von Rohkonversationen in ein dauerhaftes Verständnis von Benutzerkontext, Präferenzen und Einschränkungen.

• L0: Rohkonversation mit Zeitstempeln
• L1: Extrahierte Fakten, Präferenzen und Einschränkungen
• L2: Nach Szenarien organisierte Wissensblöcke
• L3: Langzeitprofile und stabile Verhaltensmuster
• Zweck: Ermöglicht Agenten, sich zu merken, wer ein Benutzer ist und was er benötigt, ohne in jeder Sitzung erneut nachfragen zu müssen.

🛠️ Skills

Versionierte, ausführbare Workflows, die automatisch aus erfolgreichen Konversationen extrahiert werden.

• Beinhaltet Validierungsregeln und gebündelte Ressourcendateien
• Wiederverwendbar über Agenten und Teams hinweg
• Als eigenständige Ressourcen exportierbar und teilbar
• Zweck: Verwandelt einen Workflow, den ein Agent einmalig erarbeitet hat, in etwas, das jeder Agent im Team erneut ausführen kann.

📖 Wiki

Strukturierte, automatisch generierte Dokumentation mit einem Link-Graphen, erstellt aus importierten Dokumenten und Code.

• Automatisch generiert aus importierten Dokumentationsquellen
• Pflegt Querverweise zwischen Themen
• Wird inkrementell aktualisiert, wenn sich das Quellmaterial ändert
• Zweck: Erhält eine lebendige, für Agenten lesbare Wissensbasis statt statischer Dokumente, die veralten.

🕸️ CodeGraph

Indizierung der Codebasis auf Symbolebene mit Dateibeziehungen und Analyse der Änderungsauswirkungen.

• Symbolindizierung über Dateien hinweg
• Zuordnung von Datei-zu-Datei-Beziehungen
• Analyse der Auswirkungspfade für vorgeschlagene Änderungen
• Zweck: Gibt Agenten ein strukturelles Bewusstsein für eine Codebasis, damit sie die Tragweite einer Änderung abschätzen können.

4. Wichtige Highlights

• Erfahrungssammlung: Jeder Agentenlauf kann auf den Ergebnissen vorheriger Läufe aufbauen — Konversationserkenntnisse werden zu Skills, und Dokumentationsaktualisierungen fließen automatisch durch das Wiki.
• Portabler, framework-agnostischer Speicher: Speicherressourcen sind von jedem einzelnen Agentenwerkzeug entkoppelt und können zwischen unterstützten Frameworks (OpenClaw, Hermes, Claude Code, CodeBuddy und benutzerdefinierten SDKs) verschoben werden.
• Zusammenarbeit im Teammaßstab: Ein Memory Hub Web-Control-Panel verwaltet Teams und Agenten mit rollenbasierten Berechtigungen (Systemadministrator, Teamadministrator, Mitglied) und mehreren Sichtbarkeitsstufen (privat, teamintern, eingeschränkt, agentenspezifisch).
• Nicht-invasiver Abruf: Wissen wird bei Bedarf über Tool-APIs abgerufen, statt vollständig in das Kontextfenster injiziert zu werden, wodurch Prompts schlank bleiben.
• Symbolisches Kurzzeitgedächtnis: Ausführliche Tool-Protokolle werden in kompakte Mermaid-Diagramme mit node_id-Referenzen komprimiert, was den Tokenverbrauch um bis zu 61,38 % senkt und gleichzeitig die Nachvollziehbarkeit bewahrt.
• Gemessene Leistungssteigerungen: Zu den benchmarkgestützten Verbesserungen gehören ein relativer Zuwachs von 59 % bei der Beibehaltung des Persona-Verständnisses (PersonaMem 48 % → 76 %), eine Verbesserung der Erfolgsrate um 51,52 % mit einer Tokenreduktion um 61,38 % bei WideSearch sowie eine Steigerung der Erfolgsrate um 9,93 % mit einer Tokenersparnis von 33,09 % bei SWE-bench.

5. Anwendungsfälle nach Rolle

• Allgemeine Entwickler: Reduzieren Sie wiederholtes Hin und Her mit Coding-Agenten, indem Sie Skills und CodeGraph nutzen, um bewährte Workflows und das Verständnis der Codebasis über Sitzungen hinweg zu erhalten.
• DevOps/SRE: Standardisieren und versionieren Sie operative Runbooks als Skills, damit Agenten bekannte, funktionierende Verfahren ausführen, statt jedes Mal zu improvisieren.
• Daten-/Forschungswissenschaftler: Nutzen Sie Wiki und Chat Memory, um langfristige Forschungskontexte und Erkenntnisse über mehrere Agentensitzungen hinweg organisiert und abrufbar zu halten.
• Projektmanager: Nutzen Sie die Team- und Rollenverwaltung des Memory Hub, um zu steuern, welche Agenten und Mitglieder auf welche Wissensressourcen zugreifen, diese überprüfen und teilen dürfen.

6. Erste Schritte

Finden Sie, was Sie brauchen — sehen Sie sich die Ressourcentypen und Integrationsleitfäden in der Repository-Dokumentation an, beginnend mit INSTALL.md und ROADMAP.md:

git clone https://github.com/TencentCloud/TencentDB-Agent-Memory.git

Installieren / Integrieren — der schnellste Weg ist die All-in-One-Docker-Bereitstellung (erfordert Node.js ≥22.16):

cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
# Bearbeiten Sie .env mit Ihren LLM-Parametern
./start-all.sh
# Memory Hub Panel verfügbar unter http://localhost:8125

Für OpenClaw installieren Sie das veröffentlichte Plugin direkt:

openclaw plugins install @tencentdb-agent-memory/memory-tencentdb

Beitragen — lesen Sie CONTRIBUTING.md für den Arbeitsablauf, dann eröffnen Sie Issues oder Pull Requests auf GitHub:

gh repo fork TencentCloud/TencentDB-Agent-Memory

7. Projektstruktur

├── MemoryCore/          # Pipeline zur Ressourcenverarbeitung & Speicherung (L0-L3 Destillation)
├── MemoryKnowledge/      # Wiki/CodeGraph-Indizierung (OpenAPI: openapi.yaml)
├── MemoryPanel/          # Memory Hub Weboberfläche für Teammanagement
├── MemoryProxy/          # Schnittstellenschicht zur Verbindung von Agenten-Frameworks mit Speicherdiensten
├── sdk/memory-core/      # SDK für direkte programmatische Integration
├── deploy/global-images/ # Docker Compose Bereitstellung (start-all.sh, .env.example)
├── INSTALL.md            # Umfassender Einrichtungsleitfaden
├── ROADMAP.md            # Entwicklungsplan
└── CONTRIBUTING.md       # Beitragsrichtlinien

8. Zugehöriges Ökosystem

• Anerkannte Upstream-Einflüsse: Das CodeGraph-Modul baut auf Code-Indizierungskonzepten von Colby McHenrys CodeGraph auf; Skills greift auf die Skill-Management-Muster von Nous Researchs Hermes Agent zurück; Wiki ist inspiriert von Andrej Karpathys Konzept des „LLM Wiki“ für inkrementell gepflegte, agentenlesbare Dokumentation.
• Integrationspartner: OpenClaw, Hermes, Claude Code, CodeBuddy und benutzerdefinierte SDKs werden als Integrationsziele für Agenten-Frameworks unterstützt.
• Ergänzende Rolle: Das Projekt ist so konzipiert, dass es neben bestehenden Agenten-Frameworks und IDE/CLI-Tools als gemeinsame Speicherschicht fungiert, statt diese zu ersetzen.

9. Lizenz

• ✅ Nutzung, Kopieren, Ändern, Zusammenführen, Veröffentlichen, Verteilen, Unterlizenzieren und Verkaufen von Kopien der Software für kommerzielle und nicht-kommerzielle Zwecke unter der MIT-Lizenz.
• ❌ Keine Gewährleistung; die Autoren und Urheberrechtsinhaber haften nicht für Ansprüche, Schäden oder sonstige Haftungen, die aus der Nutzung der Software entstehen.
• ℹ️ Der Text der MIT-Lizenz und der Urheberrechtshinweis müssen in allen Kopien oder wesentlichen Teilen der Software enthalten sein.

10. FAQ

F: Mit welchen Agenten-Frameworks funktioniert TencentDB Agent Memory derzeit?
A: Derzeit werden OpenClaw, Hermes, Claude Code und CodeBuddy unterstützt, zusammen mit einem universellen SDK für benutzerdefinierte Integrationen.

F: Was sind die Systemanforderungen für den Eigenbetrieb?
A: Node.js ≥22.16 und Docker (für die All-in-One-Bereitstellung deploy/global-images) sind die Mindestanforderungen; siehe INSTALL.md für vollständige Details.

F: Wie unterscheidet sich dies von der bloßen Nutzung einer Vektordatenbank für den Chatverlauf?
A: Statt eines flachen Vektorabrufs über Rohprotokolle destilliert es Konversationen durch mehrstufige Verarbeitung (L0 Rohdialog → L1 Fakten → L2 Szenarien → L3 Profile) und organisiert die Ergebnisse in vier distincte Ressourcentypen — Chat Memory, Skills, Wiki und CodeGraph — mit Zugriffskontrolle auf Teamebene.

F: Kann ich Daten von einer älteren Version migrieren?
A: Ja, ein Migrationstool für das Upgrade von v2 auf v3 ist unter MemoryCore/scripts/migrate-v2-to-v3/ enthalten.

F: Wo kann ich Fragen stellen oder Fehler melden?
A: Nutzen Sie GitHub Issues für Fehler (mit angestrebter Antwortzeit von 24 Stunden), GitHub Discussions für Feature-Ideen oder die Discord-Community des Projekts für Echtzeitdiskussionen.

11. Schnellzugriff

• Repository: https://github.com/TencentCloud/TencentDB-Agent-Memory
• Installationsleitfaden: INSTALL.md im Repository
• Beitragsleitfaden: CONTRIBUTING.md im Repository
• Community: GitHub Discussions und Discord (Links verfügbar in der README des Repositories)

12. Zusammenfassung

TencentDB Agent Memory bietet Teams von KI-Agenten eine gemeinsame, strukturierte Speicherschicht — Chat Memory, Skills, Wiki und CodeGraph — damit Konversationskontext, bewährte Workflows, Dokumentation und das Verständnis der Codebasis über die Zeit bestehen bleiben und sich kumulieren, statt zwischen den Sitzungen verloren zu gehen. Es eignet sich am besten für Teams, die Agenten über mehrere Frameworks hinweg betreiben und messbare Gewinne bei der Kontexterhaltung und Tokeneffizienz erzielen möchten, ohne ein eigenes Speichersystem von Grund auf neu entwickeln zu müssen.