TencentDB Agent Memory架构详解从L0到L3的语义金字塔如何实现记忆无损追溯【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-MemoryTencentDB Agent Memory是一款团队级AI Agent记忆中枢它能够将对话、文档和代码转化为四种可重用的记忆资产聊天记忆、技能、LLM-Wiki和代码图这些资产可在智能体和框架之间进行管理、共享和配置。其核心在于创新性的四层语义金字塔架构实现了从原始对话到用户画像的无损记忆追溯。语义金字塔从L0到L3的记忆分层TencentDB Agent Memory采用了独特的四层语义金字塔架构每层都有其特定的功能和实现方式共同构成了一个完整的记忆管理系统。L0原始日志Raw Log——记忆的基石L0层是整个记忆系统的基础负责全量保留原始对话与事件流确保原始信息不丢失为后续的记忆处理提供证据依据。在实现上L0层通过src/core/conversation/l0-recorder.ts模块将对话记录到本地JSONL文件中。每个会话的原始消息都被完整捕获包括用户输入、助手回复和工具调用等。这些文件存储在conversations/目录下采用结构化格式以便后续处理。L0层的设计遵循最大保留原则几乎不做任何过滤确保所有原始信息都被完整记录。这种设计为后续的记忆提取和分析提供了可靠的数据源同时也为记忆的追溯提供了最原始的证据。L1原子记忆Atomic Memory——结构化事实提取L1层在L0原始数据的基础上通过自动提取事实、偏好、约束和状态从对话中稳定地抽取出关键信息。这一层将非结构化的原始对话转化为结构化的记忆单元。L1层的实现主要依赖于src/core/record/l1-extractor.ts模块。该模块使用LLM模型对L0层的原始对话进行处理提取出结构化的信息单元。提取出的记忆单元存储在records/目录下的JSONL文件中每个单元都包含实体、关系、事件等关键信息。此外L1层还实现了智能去重功能通过src/core/record/l1-dedup.ts确保相似的信息不会被重复存储提高记忆的效率和准确性。L1层的输出是后续更高层次记忆处理的基础。L2场景块Scene Block——情境化聚合L2层将L1提取的原子记忆按照项目、主题或工作流场景进行聚类并带上上下文召回功能减少跨场景误用。这一层实现了记忆的情境化组织。L2层的实现主要在src/core/scene/目录下包括场景提取scene-extractor.ts、场景格式化scene-format.ts和场景索引scene-index.ts等模块。L2层将相关的L1原子记忆聚合在一起形成具有完整上下文的场景块。这些场景块以Markdown格式存储在scene_blocks/目录下不仅便于人工查阅也为LLM提供了结构化的情境信息。L2层的设计大大提高了记忆的可用性和上下文相关性。L3用户画像Persona——长期个性化L3层是语义金字塔的顶层构建稳定的用户偏好与服务方式画像使Agent能够按照用户习惯协作。这一层实现了对用户长期行为模式和偏好的建模。L3层的实现主要在src/core/persona/目录下包括用户画像生成persona-generator.ts和用户画像触发persona-trigger.ts等模块。L3层基于L2场景块的信息通过LLM模型提炼出用户的长期偏好、行为模式和服务需求。生成的用户画像存储在persona.md文件中可以直接查看和编辑。L3层的设计使得Agent能够提供更加个性化和一致的服务体验。记忆无损追溯的实现机制TencentDB Agent Memory的核心优势之一是实现了记忆的无损追溯。这一机制确保了从高层抽象到底层原始数据的完整可追溯性。严格的索引映射系统通过严格的索引映射机制确保每一段摘要或抽象都能追溯到其原始来源。无论是L3层的用户偏好还是L2层的场景块都包含指向更低层次记忆的索引。例如在src/core/store/sqlite.ts中实现了L1和L0记录的存储和索引。每个L1原子记忆都包含指向其来源L0原始对话的引用而L2场景块则包含对相关L1原子记忆的引用。完整的链路恢复得益于这种多层次的索引结构Agent或开发者可以沿着高层符号Persona/画布→ 中层索引Scenario/JSONL→ 底层原文L0 Conversation/refs的链路进行完美溯源与恢复。这一实现确保了系统中没有任何一段摘要是不可逆的黑盒为记忆的可靠性和可解释性提供了坚实保障。实际应用与配置TencentDB Agent Memory提供了灵活的配置选项可以根据实际需求调整各层记忆的处理策略。配置文件主要配置文件位于src/config.ts其中包含了关于L0-L3各层的处理参数如capture.l0l1RetentionDaysL0/L1文件的本地保留天数pipeline.everyNConversations每N轮对话触发一次L1记忆提取pipeline.l2MinIntervalSeconds同一会话中两次L2提取的最小间隔秒工具调用系统提供了多种工具来操作和查询不同层次的记忆如memory_tencentdb_memory_search搜索L1结构化长期记忆memory_tencentdb_conversation_search搜索L0原始对话历史这些工具可以通过API调用也可以通过命令行工具memory-tencentdb-ctl.sh进行操作。总结TencentDB Agent Memory的L0到L3语义金字塔架构为AI Agent提供了一个强大而灵活的记忆管理系统。通过分层设计它实现了从原始对话到用户画像的逐步抽象同时保持了记忆的无损追溯能力。这种架构不仅提高了AI Agent的个性化服务能力也为记忆的可靠性和可解释性提供了保障。无论是构建智能客服、个人助手还是团队协作工具TencentDB Agent Memory都能为AI系统提供高效、可靠的记忆支持使其能够更好地理解用户需求提供更加精准和个性化的服务。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 TencentDB Agent Memory架构详解：从L0到L3的语义金字塔如何实现记忆无损追溯？
TencentDB Agent Memory架构详解从L0到L3的语义金字塔如何实现记忆无损追溯【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-MemoryTencentDB Agent Memory是一款团队级AI Agent记忆中枢它能够将对话、文档和代码转化为四种可重用的记忆资产聊天记忆、技能、LLM-Wiki和代码图这些资产可在智能体和框架之间进行管理、共享和配置。其核心在于创新性的四层语义金字塔架构实现了从原始对话到用户画像的无损记忆追溯。语义金字塔从L0到L3的记忆分层TencentDB Agent Memory采用了独特的四层语义金字塔架构每层都有其特定的功能和实现方式共同构成了一个完整的记忆管理系统。L0原始日志Raw Log——记忆的基石L0层是整个记忆系统的基础负责全量保留原始对话与事件流确保原始信息不丢失为后续的记忆处理提供证据依据。在实现上L0层通过src/core/conversation/l0-recorder.ts模块将对话记录到本地JSONL文件中。每个会话的原始消息都被完整捕获包括用户输入、助手回复和工具调用等。这些文件存储在conversations/目录下采用结构化格式以便后续处理。L0层的设计遵循最大保留原则几乎不做任何过滤确保所有原始信息都被完整记录。这种设计为后续的记忆提取和分析提供了可靠的数据源同时也为记忆的追溯提供了最原始的证据。L1原子记忆Atomic Memory——结构化事实提取L1层在L0原始数据的基础上通过自动提取事实、偏好、约束和状态从对话中稳定地抽取出关键信息。这一层将非结构化的原始对话转化为结构化的记忆单元。L1层的实现主要依赖于src/core/record/l1-extractor.ts模块。该模块使用LLM模型对L0层的原始对话进行处理提取出结构化的信息单元。提取出的记忆单元存储在records/目录下的JSONL文件中每个单元都包含实体、关系、事件等关键信息。此外L1层还实现了智能去重功能通过src/core/record/l1-dedup.ts确保相似的信息不会被重复存储提高记忆的效率和准确性。L1层的输出是后续更高层次记忆处理的基础。L2场景块Scene Block——情境化聚合L2层将L1提取的原子记忆按照项目、主题或工作流场景进行聚类并带上上下文召回功能减少跨场景误用。这一层实现了记忆的情境化组织。L2层的实现主要在src/core/scene/目录下包括场景提取scene-extractor.ts、场景格式化scene-format.ts和场景索引scene-index.ts等模块。L2层将相关的L1原子记忆聚合在一起形成具有完整上下文的场景块。这些场景块以Markdown格式存储在scene_blocks/目录下不仅便于人工查阅也为LLM提供了结构化的情境信息。L2层的设计大大提高了记忆的可用性和上下文相关性。L3用户画像Persona——长期个性化L3层是语义金字塔的顶层构建稳定的用户偏好与服务方式画像使Agent能够按照用户习惯协作。这一层实现了对用户长期行为模式和偏好的建模。L3层的实现主要在src/core/persona/目录下包括用户画像生成persona-generator.ts和用户画像触发persona-trigger.ts等模块。L3层基于L2场景块的信息通过LLM模型提炼出用户的长期偏好、行为模式和服务需求。生成的用户画像存储在persona.md文件中可以直接查看和编辑。L3层的设计使得Agent能够提供更加个性化和一致的服务体验。记忆无损追溯的实现机制TencentDB Agent Memory的核心优势之一是实现了记忆的无损追溯。这一机制确保了从高层抽象到底层原始数据的完整可追溯性。严格的索引映射系统通过严格的索引映射机制确保每一段摘要或抽象都能追溯到其原始来源。无论是L3层的用户偏好还是L2层的场景块都包含指向更低层次记忆的索引。例如在src/core/store/sqlite.ts中实现了L1和L0记录的存储和索引。每个L1原子记忆都包含指向其来源L0原始对话的引用而L2场景块则包含对相关L1原子记忆的引用。完整的链路恢复得益于这种多层次的索引结构Agent或开发者可以沿着高层符号Persona/画布→ 中层索引Scenario/JSONL→ 底层原文L0 Conversation/refs的链路进行完美溯源与恢复。这一实现确保了系统中没有任何一段摘要是不可逆的黑盒为记忆的可靠性和可解释性提供了坚实保障。实际应用与配置TencentDB Agent Memory提供了灵活的配置选项可以根据实际需求调整各层记忆的处理策略。配置文件主要配置文件位于src/config.ts其中包含了关于L0-L3各层的处理参数如capture.l0l1RetentionDaysL0/L1文件的本地保留天数pipeline.everyNConversations每N轮对话触发一次L1记忆提取pipeline.l2MinIntervalSeconds同一会话中两次L2提取的最小间隔秒工具调用系统提供了多种工具来操作和查询不同层次的记忆如memory_tencentdb_memory_search搜索L1结构化长期记忆memory_tencentdb_conversation_search搜索L0原始对话历史这些工具可以通过API调用也可以通过命令行工具memory-tencentdb-ctl.sh进行操作。总结TencentDB Agent Memory的L0到L3语义金字塔架构为AI Agent提供了一个强大而灵活的记忆管理系统。通过分层设计它实现了从原始对话到用户画像的逐步抽象同时保持了记忆的无损追溯能力。这种架构不仅提高了AI Agent的个性化服务能力也为记忆的可靠性和可解释性提供了保障。无论是构建智能客服、个人助手还是团队协作工具TencentDB Agent Memory都能为AI系统提供高效、可靠的记忆支持使其能够更好地理解用户需求提供更加精准和个性化的服务。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考