腾讯开源Agent Memory 最高降低61%Token消耗

5月14日，腾讯云开源了其数据库智能体记忆组件TencentDB Agent Memory。这个动作瞄准了一个明确的痛点：如何让AI智能体在应对长链条、多步骤的复杂任务时，既能记住关键信息，又不至于被海量的“记忆”拖慢速度、消耗过多资源。

简单来说，你可以把它想象成给AI智能体配备了一个“智能外接硬盘”加“任务导航图”。传统的处理方式，智能体需要把整个任务的所有对话和上下文都背在身上（即放在工作内存里），任务一长，负担就重，不仅消耗大量计算Token，还容易“记不清”或“跑偏”。

腾讯云这次开源的方案，核心是两板斧：“上下文卸载”和“Mermaid任务画布”。

所谓“上下文卸载”，就是把那些完整的、原始的对话和任务信息，从智能体的即时工作内存中移出去，存到外部的高效数据库里。这样一来，智能体本身就能保持轻装上阵，只专注于当前需要处理的关键状态。

那信息存出去了，智能体怎么知道任务做到哪一步了？关键线索是什么？这就轮到“Mermaid任务画布”登场了。它并非存储原始数据，而是构建一个结构化的任务执行图谱。这个图谱就像一张动态的导航地图，清晰地记录着任务的关键节点、决策路径和状态依赖关系。智能体看着这张“地图”，就能知道自己身在何处，下一步该往哪走，而无需反复翻阅所有历史细节。

更实用的是，当智能体需要回顾或验证某个具体决策时，它可以根据这张“地图”上的索引，快速从外部存储中精准恢复出原始的上下文信息，实现信息的逐层追溯。这既保证了记忆的完整性，又避免了持续携带全部包袱。

根据官方披露的实验数据，这套机制的效果相当直接。在多任务连续对话的场景测试中，最高能降低61%的Token消耗。这意味着更低的计算成本和更快的响应速度。同时，由于关键路径和状态被清晰管理，长任务的整体成功率也得到了提升——智能体更不容易在漫长的执行过程中迷失方向或丢失关键信息。

目前，该方案已在GitHub上开源。从技术角度看，这是对AI智能体长期记忆与推理效率难题的一次工程化回应。它没有试图改变模型本身，而是通过系统架构的设计，优化了智能体与记忆系统的协作方式。对于开发者而言，这提供了一个现成的工具，或许能帮助他们更轻松地构建出能够处理复杂、持久对话的智能应用。