唐杰形色了愿景，腾讯拿出了器具。

agent正在变得越来越颖悟，但它还有个很无语的问题，那便是干着干着，就忘了我方要干什么了。

长任务、跨会话、一语气实践，这些确实是agent的发展向，可前提是它须有套可靠的挂念系统。不然，再强的模子也只可在次次对话里反复“再行意志宇宙”。

腾讯近开源的AgentDB，对准的恰是这个问题。

这个是门用来贬责挂念问题的立组件，共只须几MB的大小，下载到电脑以后，在OpenClaw或者Hermes Agent里输入个教唆，AgentDB就装配完成了。

便是这样个“小玩意”，在发布的同期，腾讯门为其开设了立的X账号（ @TencentDBAbxo2），并由团队躬行在粗俗媒体上与征战者互动。

固然腾讯不同行务齐有X账号，比如混元、腾讯云等等，但这是腾讯次为个开源器具单开X账号，可见腾讯对这个开源项主意嗜好进度。

那就别说别的了，凯旋插足主题吧！

01

AgentDB贬责了什么问题？

关于模子挂念这个问题，Codex和OpenClaw曾尝试用压缩的式贬责，把冗长的历史对话压缩成小段节录，但这种作念法会不可逆地亏空挂念的细节。

当Agent需要回溯某个具体方案的依据时，那些被压缩掉的信息就遥远找不回归了。

这便是传统挂念系统的近况。要么把总计历史对话脑塞进险阻文窗口，致token糜掷爆炸，老本直线高涨。要么用总结压缩历史，固然省了token，但细节丢失，Agent在需要考据时只可靠粗率的印象瞎猜。

这两种案齐不够雅，也齐不够实用。

AgentDB实践上是个分层渐进式的Agent挂念管谈系统。它领受“瑰丽化短期挂念+分层历久挂念”的双轨架构，试图在token率和信息齐备之间找到均衡点。

这套系统的贪图理念包含三个维度。

个维度，拒堆积，也拒不可逆压缩。

AgentDB贪图了L0到L3四层挂念金字塔。L0是原始对话，齐备保留每轮交互的原始纪录。L1是索要的原子挂念，由LLM自动从对话中索要结构化事实、用户偏好、任务箝制和中间论断。L2是场景聚，按任务类型自动归纳琢磨挂念，形成场景块。L3是用户画像，继续提真金不怕火信息，形成厚实的历久用户档案。

这种分层贪图的中枢价值在于“可压缩、可伸开、可记忆”。

往日Agent责任时，只需要加载层的Persona和场景块，就能把捏用户偏好和任务头绪，token糜掷低。当需要考据细节时，再通过索引机制检索底层的原子挂念和原始对话，齐备笔据链。整个过程莫得任何信息被不可逆地丢弃，总计压缩齐是有损但可规复的。

它就像藏书楼样，把挂念放在不同的区域，比如海外文体、器具书之类。往日为了省时期，只看目次和节录，需要细节时再去原始纪录里找，以保证不丢失信息。

这套机制的实践果格外显赫。在PersonaMem历久挂念测试中，AgentDB的准确率从传统案的48跃升至76。这使得Agent大要在跨会话的场景中厚实地记着用户的偏好和历史方案，而不是每次对话齐像次碰头样从运转。

二个维度，瑰丽化挂念贬责长任务中的信息过载。

在复杂任务中，糜掷token的时时不是对话本人，而是那些冗长的中间日记。

搜索扬弃可能有几千字，代码片断可能有上百行，失实堆栈可能占满整个屏幕。若是把这些内容通盘塞进险阻文，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图谱索要其中的琢磨结构。注入到Agent险阻文中的仅仅轻量的瑰丽化暗意，比如个任务节点的ID、段代码的节录、个搜索扬弃的重要词。

当Agent需要回溯细节时，通过node_id调回原始文本。这种贪图让险阻文从“数十万token的日记堆”压缩为“几百token的琢磨图谱”。

也便是说，AgentDB把大段大段的日记、代码、搜索扬弃存到外面，只在AI的“责任台”上放个索引编号和重要词节录。需要时再根据编号去调取原文。

在WideSearch任务中，这套机制的果尤其显著。token使用量裁汰了61.38，而任务收效能反而进步了51.52。

这个反直观的扬弃揭示了个漏洞事实，多的险阻文并不老是意味着好的说明。当关信息稀释了着重力时，Agent反而会迷失在信息的海洋中，作念出失实的方案。

瑰丽化挂念通过结构化的式呈现信息天水钢绞线型号及规格一览表，让Agent大要明晰地看到任务的全貌和实践旅途，从而作念出准确的判断。

三个维度，全土产货化、外部依赖。

AgentDB默许使用SQLite加sqlite-vec四肢后端，需一语气任何外部API或云事业。这对企业场景至关漏洞。挂念数据时时包含明锐的业务逻辑、用户偏好和技俩细节，全土产货化意味着数据主权掌捏在用户手中。

大深广挂念系统齐依赖云表向量数据库或三embedding事业，数据须上传到外部事业器才能使用。

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，是以这类公司时时齐是特有云，把数据存在土产货里，但土产货的事业器又跑不动大模子。

AgentDB的全土产货化案贬责的恰是这个问题。

从工夫完毕来看，AgentDB的四层挂念管线是自动化的。

对话运转时，系统自动通过向量检索或混搜索调回琢磨挂念，加载用户画像，注入到系统险阻文中。对话收尾后，系统自动录制对话音问，双写到IMemoryStore和JSONL文献。

当积累到定轮次后，Pipeline退换器步骤触发L1、L2、L3的索要和归纳历程。整个过程对用户和Agent齐是透明的，不需要手动侵略。

你只需要在OpenClaw或Hermes Agent中装配插件，竖立好LLM接口，AgentDB就能运转责任。

总计字段齐有理的默许值，竖立即可使用。关于有特等需求的用户，AgentDB也提供了丰富的竖立选项，钢绞线厂家不错疗养每层的触发阈值、间隔时期、索要战术等参数。

AgentDB的另个亮点是可记忆。压缩或笼统大的风险是“丢失笔据”，当调回的挂念出错时，用户只可看到堆向量分数，法判断问题出在那儿。

AgentDB保留了重要的中间产物四肢可读文献。

每条信息齐可找回、可规复，论是短期挂念中被卸载的段报错日记，照旧历久挂念里总结出的条用户偏好，Agent或征战者齐不错沿着“层瑰丽→中层索引→底层原文”的链路进行溯源与规复。

02

姚顺雨的“险阻文表面”找到了佳实践

AgentDB这个家具，某种进度上来说，便是腾讯对姚顺雨“险阻文表面”的个落地案。

姚顺雨此前屡次强调，AI的中枢能力不在于参数鸿沟，而在于对险阻文的相识、管束和专揽。

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

Hy3 preview这个模子终点的地在于，它把“出的险阻文体习和教唆衔命能力”单拎出来，写进了中枢能力清单的条。

当其他厂商齐在卷agent能力、代码生成、多模态的时候，Hy3把险阻文能力放在了显眼的位置。

姚顺雨加入腾讯后发布的个商讨后果是CL-bench，这是个门用来测试模子能否从险阻文中学习新学问并正确应用的基准。

在Hy3 preview的能展示中，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这些看险阻文理、检索和教唆衔命的榜单。

腾讯觉得险阻文管束能力，才是AI下阶段赛谈。

其实市面上有不少模子厂商齐会在宣传时齐会强调我方支撑多长的险阻文，包括OpenAI和Anthropic，从运转的32K到128K，再到1M致使微软也曾提到过的10M险阻文。

但你确切用的时候就会发现，险阻文越长，模子的说明时时越差。

信息密度被稀释，着重力被散布，模子在海量的关信息中迷失向，反而作念出多失实的方案。

姚顺雨团队的消融实验验证了这个不雅点，关信息会稀释了着重力。这亦然AgentDB的分层贪图想要去贬责的问题。

腾讯为AgentDB门开设X账号，并由团队成员主动发起AMA，这在腾讯的开源技俩中并不常见。这种调姿态背后，是腾讯但愿将AgentDB酿成“险阻文管束”域标杆的贪心。

可是AgentDB当今在实战这块并莫得很眼的说明，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，结AgentDB构建个“一语气责任30天不丢失险阻文的代码审查Agent”，或者“记着用户总计偏好的个化内容荐Agent”。

只须当征战者看到“某个模子+AgentDB”产生的化学响应，大才会去用它。

03

唐杰的“上联”，姚顺雨的“下联”

就在AgentDB发布前夜，智谱创举东谈主唐杰夜发布了条长文反想，中枢不雅点直指，长周期任务将是本年AI可能的冲破点。

唐杰觉得，AI确实切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。

他举了个黑客的例子，个能24/7不斥逐搜寻软件缝隙的AI，实践上是在学习黑客的阶直观和法论，而非浅易的搜索。

这种“长周期学习+继续实践”的能力，才是下阶段AI所需要的。

而要完毕长周期任务，唐杰指出了三大工夫相沿，挂念、继续学习、自我判断。

其中，挂念被他列为“通过奥密工程技巧先被贬责”的能力。

这个判断和AgentDB的家具逻辑险些是重的。

若是说唐卓越了个“上联”，“长周期任务需要挂念四肢前提”，那么腾讯用AgentDB对了个“下联”，“分层挂念让长周期任务成为可能”。

Agent需要记着我方作念了什么，为什么这样作念，接下来该作念什么。若是每实践几步就健忘之前的方案，那么长周期任务压根法完成。

有酷爱的是，唐杰还在文中提到了“自我判断”能力，固然AgentDB体积很小，但它的架构中也允许AI进行“自我判断”。

当Agent大要通过Mermaid图谱明晰地看到我方的任务进展、通过分层挂念回溯历史方案，它就具备了“元明白”的基础。

知谈我方作念了什么、为什么这样作念、接下来该作念什么。

这种结构化的自我明白，恰是自我判断的前提。

从这个角度看，AgentDB不仅是个挂念系统，是腾讯对“长周期任务时期”的次工夫押注。

唐杰形色了愿景，腾讯拿出了器具。

而在这场“长周期竞赛”中，挂念系统便是Agent的燃料箱。容量决定续航，结构决定率。

AgentDB的开源，意味着腾讯把这个燃料箱的贪图图纸公开了，况兼照旧费的。

智谱在长周期任务上依然有了些初步的后果。在GLM-5.1的白皮书中提到，GLM-5.1在不需要任何东谈主工侵略的前提下，大要继续功课8小时。

但这仅仅张收获单，要确切让企业逍遥，还得看它在多场景里会不会掉链子，遭受没见过的问题时能不成靠我方的技巧贬责。

长周期任务不是个通用家具，它需要针对不同行业、不同场景作念度定制。

这亦然AgentDB的契机处所。

四肢个立的挂念组件，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。

这种怒放让AgentDB有契机成为长周期任务的基础关节。

而长周期任务也不是某公司的利，是整个行业的共同向。谁能领先在这个朝上获取冲破，谁就能鄙人轮竞争中占据先机。

而在这场竞赛中，挂念管束能力将是决定的身分之。

腾讯把这套案开源出来，既是种工夫自信的展示，亦然种对生态竖立的投资。

若是AgentDB大要成为长周期任务的圭臬挂念组件，那么腾讯在这个域的影响力就会远远出个开源技俩本人。

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。