In diesem Beitrag
TencentDB Agent Memory: Was läuft mit SQLite lokal?
Dein Agent startet eine neue Sitzung, und du erklärst die Projektvorgaben erneut. Dauerhaftes Gedächtnis soll dir diese Arbeit ersparen.
TencentDB Agent Memory kann das Gedächtnis eines Agenten lokal in SQLite speichern. Für einen begrenzten Einsatz kann damit ein separater verwalteter Vektordienst entfallen. Die Extraktion von Erinnerungen braucht weiterhin ein konfiguriertes Sprachmodell; auch Vektorsuche bleibt möglich. Die MemoryCore-Dokumentation zum Betrieb beschreibt diese Abhängigkeiten.
Quellen geprüft am . Wir bewerten Dokumentation und Konfiguration anhand festgelegter Revisionen. Dieser Beitrag enthält keine Messungen aus einem Wavect-Deployment und keine unabhängig reproduzierten Benchmarks. Der unten beschriebene Pilot ist ein Vorschlag zur Bewertung.
Welche Version von TencentDB Agent Memory ist gemeint?
TencentDB Agent Memory hat sich von einem Plugin zu einem Memory Hub für Teams entwickelt. Die Zahl zur Token-Ersparnis stammt aus der älteren Plugin-Dokumentation. Die aktuelle Hub-Dokumentation beschreibt gemeinsam nutzbares Chat Memory, Skills, Wiki und CodeGraph.
| Umfang | Was du bewerten solltest | Geprüfter Quellstand |
|---|---|---|
| Plugin-Architektur | OpenClaw-Integration, optionales Auslagern kurzfristiger Inhalte und die ursprüngliche Token-Tabelle. | main, a3c2d860 |
| Team Memory Hub | Memory Core, Hub und Proxy; wiederverwendbare Inhalte mit Zugriffsbeziehungen zwischen Teams, Nutzern und Agenten. | feat/server_team, ecc01a54 |
Nutze die Installationsanleitung für deine gewählte Revision. Der ältere Mermaid-Offload-Ansatz beschreibt nicht jede heutige Proxy-Integration.
Ersetzt TencentDB Agent Memory eine Vektordatenbank?
Bei manchen Deployments kann TencentDB Agent Memory einen separaten Vektordienst einsparen und Vektorsuche trotzdem als Option behalten. Die Plugin-Konfiguration nennt SQLite mit sqlite-vec sowie Tencent Cloud VectorDB als Backends. Der aktuelle eigenständige MemoryCore nutzt standardmäßig BM25-Stichwortsuche bei deaktivierten externen Embeddings.
Die Behauptung, China habe die gesamte Vektordatenbankbranche erledigt, lässt sich daraus nicht ableiten. Tencent bietet ein Gedächtnissystem mit mehreren Speicher- und Suchoptionen. Dass ein bestimmter Workflow ohne verwalteten Dienst auskommt, sagt wenig über sämtliche verteilten Suchsysteme aus.
Wie du Erinnerungen organisierst, ist eine andere Entscheidung als die Datenbankwahl. Ein Embedding-Index kann auf Originaltext verweisen. Die Anwendung kann Herkunft, Zeitbezug und Zugriffskontrollen ergänzen. Einen weiteren hierarchischen Ansatz erklärt unser OpenViking-Leitfaden zu Dateisystem-Memory anhand der verzeichnisbasierten Suche dieses Produkts.
Wie funktionieren die Gedächtnisebenen L0 bis L3?
Die vier Gedächtnisebenen von TencentDB verdichten Gespräche zu zunehmend ausgewähltem Kontext: Originaldialog, extrahierte Atome, Szenariowissen und ein Persona- oder Kernprofil. Prüfe, ob du von einer abgeleiteten Aussage noch zu den Belegen gelangst.
| Ebene | Darstellung | Beispiel für die Prüfung |
|---|---|---|
| L0 Conversation | Originaldialog | Am Montag erlaubt der Nutzer, Projekt Atlas am Freitag zu deployen. Am Mittwoch widerruft er diese Freigabe. |
| L1 Atom | Extrahierter Fakt oder Vorgabe | Die aktuelle Vorgabe lautet: Das Deployment am Freitag ist nicht mehr freigegeben. |
| L2 Scenario | Projekt- oder Situationskontext | Die Atlas-Release-Notizen sollen den Widerruf mit dem betroffenen Release verknüpfen. |
| L3 Core / Persona | Längerfristiges Profil | Eine allgemeine Kommunikationspräferenz kann hierher gehören. Eine vorübergehende Release-Ausnahme darf nicht zur dauerhaften persönlichen Eigenschaft werden. |
Frage den Agenten am Donnerstag, ob er deployen darf. Verlange die Korrektur vom Mittwoch samt Quelle. Beide Nachrichten zu finden reicht nicht, wenn ihre zeitliche Reihenfolge unberücksichtigt bleibt. Das ist ein vorgeschlagener Test, kein beobachtetes Ergebnis.
Die oberen Ebenen sind abgeleitete Interpretationen. Aufbewahrte Quellen machen sie überprüfbar, garantieren aber weder korrekte Zusammenfassungen noch verlustfreien Abruf. Manche Artefakte liegen als Markdown vor, andere als Datenbankeinträge oder JSONL.
Was machen Mermaid und node_id mit Tool-Logs?
Der ältere Plugin-Ansatz lagert rohe Tool-Ausgaben in Dateien aus, hält Schrittzusammenfassungen in JSONL fest und behält einen kompakten Mermaid-Aufgabengraphen im Kontext. Eine node_id verknüpft den aufgezeichneten Schritt über seine result_ref mit detaillierteren Belegen. Der Agent kann diese abrufen, ohne jedes Log immer wieder vollständig zu lesen.
Im Aufgabengraphen könnte stehen, dass der Atlas-Build fehlgeschlagen ist. Bevor der Agent Abhängigkeiten ändert, sollte er die Ausgabe des fehlgeschlagenen Befehls abrufen und nach einem neueren Lauf suchen. „Build fehlgeschlagen“ hilft bei der Navigation. Für die Diagnose braucht er die konkrete Fehlermeldung.
Das geprüfte Plugin benötigt zusätzliche OpenClaw-Konfiguration, um kurzfristige Inhalte optional auszulagern. Prüfe, ob es Verweise erzeugt und ob der Agent deren Originalquellen nach einem Neustart abrufen kann.
Kann das gesamte System offline laufen?
Lokaler SQLite-Speicher beweist noch keine lokale Inferenz. Die aktuelle Deployment-Vorlage konfiguriert ein Modell für den Gedächtnisaufbau und ein Modell für die Antworten des Agenten. Beide können denselben Endpunkt nutzen. Prüfe trotzdem beide Aufrufwege sowie aktivierte Embeddings und externe Tools.
| Komponente | Relevante Grenze | Was du prüfen solltest |
|---|---|---|
| Gedächtnisspeicher | SQLite und lokale Dateien | Dauerhaftes Volume, Dateirechte und Wiederherstellung. |
| Gedächtnisextraktion | MEMORY_LLM_* im Hub-Deployment | Der Endpunkt läuft lokal und führt Extraktion und Zusammenführung vollständig aus. |
| Agenteninferenz | PROXY_UPSTREAM_* | Der Proxy leitet an lokale Inferenz weiter, auch bei einem Fallback. |
| Informationsabruf | Standardmäßig BM25; Embeddings bei entsprechender Konfiguration | Die Stichwortsuche funktioniert und jeder genutzte Embedding-Endpunkt bleibt lokal. |
| Tools und Start | Netzwerkverhalten deiner Integration | Benötigte Modelle und Abhängigkeiten sind vorhanden; die Tools brauchen zur Laufzeit keine externen Dienste. |
Diese Variablengruppen stammen aus der Vorlage für die Deployment-Umgebung. Einen kompatiblen lokalen Endpunkt musst du testen. Dieser Beitrag belegt keine bestimmte Extraktionsqualität für ein lokales Modell.
Blockiere nach der Bereitstellung ausgehenden Netzwerkverkehr und zeichne Verbindungsversuche auf. Beginne ein Gespräch, warte auf die abgeleiteten Erinnerungen und starte neu. Lass anschließend die geänderte Atlas-Vorgabe samt Quelle abrufen. Ein Healthcheck allein reicht nicht. Für gemeinsam genutztes Coding-Gedächtnis über MCP lies unsere Anleitung zu mcp-memory-service.
Was belegen die 61 % und die PersonaMem-Ergebnisse?
Die beiden Kennzahlen stammen aus unterschiedlichen, auf bestimmte Aufgaben zugeschnittenen Auswertungen. Die Benchmark-Tabelle des Plugins nennt den Token-Verbrauch mit WideSearch und OpenClaw sowie die PersonaMem-Genauigkeit unter einem Evaluationsaufbau für lange Abläufe. Daraus lässt sich die Ersparnis deines Deployments nicht ableiten.
| Messgröße | Ohne / mit Gedächtnis | Was daraus folgt |
|---|---|---|
| WideSearch-Tokens | 221,31 Millionen / 85,64 Millionen | Rund 61 % weniger Tokens in der veröffentlichten Auswertung. |
| PersonaMem-Genauigkeit | 48 % / 76 % | 28 Prozentpunkte Zuwachs bei der untersuchten Personalisierungsaufgabe. |
Aus den gedruckten Token-Zahlen ergibt sich (221,31 - 85,64) / 221,31 × 100 = 61,30 %, auf zwei Nachkommastellen gerundet. Die README nennt 61,38 %. Deshalb schreiben wir „rund 61 %“ und zeigen die Ausgangswerte, statt eine von der Tabelle nicht gestützte Genauigkeit vorzutäuschen.
Die PersonaMem-Forschungsarbeit bewertet personalisierte Antworten anhand sich verändernder Nutzerprofile. Dieser Score misst weder die allgemeine Korrektheit einer Datenbank noch Quellennachweise oder Mandantentrennung. Auch das ältere Token-Ergebnis ist kein Benchmark des vollständigen heutigen Hub-Stacks.
Für einen Kostenvergleich zählen alle Modellaufrufe: Extraktion, Zusammenführung, Agenteninferenz, Wiederholungen und Abrufe tieferer Belege. Dazu kommen Embedding- und Infrastrukturkosten. Miss die Kosten pro erfolgreich abgeschlossener Aufgabe. Unser Kostenmodell pro KI-Agentenaktion erklärt diesen umfassenderen Berechnungsrahmen.
Wann reicht SQLite, wann brauchst du einen separaten Dienst?
Wir würden mit lokalem SQLite beginnen, wenn ein einzelnes Deployment die Last- und Wiederherstellungsziele der Anwendung erfüllt. Prüfe separate Speicher- oder Suchinfrastruktur, sobald gemessene Zugriffskonflikte, Suchqualität oder Verfügbarkeitsanforderungen sie rechtfertigen. Eine allgemeingültige Grenze nach Anzahl der Datensätze gibt es dafür nicht.
| Anforderung | Ein SQLite-Pilot passt, wenn | Prüfe einen anderen Dienst, wenn |
|---|---|---|
| Deployment | Ein kontrollierter Knoten den dauerhaften Speicher verwaltet. | Mehrere Knoten unabhängigen, koordinierten Zugriff und Failover benötigen. |
| Schreiblast | Aufzeichnung und Extraktion bei realistischer Parallelität im Latenzbudget bleiben. | Gemessene Schreibkonflikte oder das Wiederherstellungsverhalten die Ziele verfehlen. |
| Informationsabruf | Stichwortsuche oder konfigurierte lokale Vektorsuche den Fragenkatalog der Anwendung bestehen. | Gemessene Suchqualität oder Latenz einen anderen Index oder eine andere Bereitstellung erfordern. |
| Betrieb | Das Team Backups, Wiederherstellung, Zugriffsgrenzen und Upgrades verantworten kann. | Die Verfügbarkeitsziele Betriebsfähigkeiten erfordern, die das Deployment nicht bietet. |
Die Deployment-Empfehlungen von SQLite unterscheiden anwendungslokalen Speicher von Client-Server-Workloads und nennen die Begrenzung auf einen gleichzeitigen Schreiber pro Datenbankdatei. Das hilft bei der Planung, ist aber keine Durchsatzmessung für TencentDB. Eine separate Datenbank korrigiert auch keine falsch extrahierte Präferenz von selbst.
Für die gehostete oder lokale API von Supermemory lies unseren Supermemory-Leitfaden zu Gedächtnis-Lebenszyklus und Deployment. Bewerte einen Wechsel anhand derselben Anwendungsaufgaben.
Wie würden wir das Gedächtnis vor dem Einsatz prüfen?
Wir würden Läufe mit und ohne dauerhaftes Gedächtnis vergleichen: gleiche Aufgaben, gleiches Antwortmodell, gleiche Tools und gleiche Bewertungsregeln. Beginne mit fiktiven Datensätzen und einer festen Konfiguration. Warte die Gedächtnisverarbeitung ab, bevor du den Abruf bewertest. Wiederhole die Aufgaben, um Schwankungen und Fehler zu erfassen.
- Korrektur und Geltungsbereich: Nutze den Atlas-Ablauf von oben. Ergänze ein anderes Projekt, für das das Freitagsdeployment weiterhin erlaubt ist. Verlange für jedes Projekt die richtige Vorgabe samt Quelle.
- Belege wiederherstellen: Frage nach einem exakten Detail aus einem ausgelagerten Log und wiederhole den Abruf nach einem Neustart. Halte die Quellen-ID fest, prüfe das Vorhandensein der Quelle und gleiche die Antwort mit ihr ab.
- Nicht vertrauenswürdige Inhalte: Füge ein Tool-Log ein, das den Agenten auffordert, den Nutzer zu ignorieren. Prüfe, ob abgerufener Text als Beleg behandelt wird und nicht unbemerkt Aktionen freigeben kann.
- Trennung und Löschung: Frage denselben Fakt aus Sicht eines anderen Nutzers oder Teams ab. Entferne danach den Testdatensatz und prüfe abgeleitete Erinnerungen, Dateien und die vorgesehene Aufbewahrung. Ein fehlender Suchtreffer beweist noch keine vollständige Löschung.
- Ausfall und Kosten: Unterbrich die Extraktion oder einen konfigurierten Endpunkt und beobachte die Wiederherstellung. Miss den gesamten Modellverbrauch, den Aufgabenerfolg und die p95-Latenz bei der erwarteten parallelen Last.
Lege vor dem Start fest, was bestanden werden muss: Die geänderte Vorgabe wird korrekt angewendet, Belege sind wiederauffindbar, im Testdatensatz gelangen keine Informationen an andere Nutzer und die vereinbarten Kosten- und Latenzbudgets werden eingehalten. Das sind vorgeschlagene Abnahmekriterien.
Unsere Empfehlung
Prüfe TencentDB Agent Memory, wenn lokaler Speicher und nachvollziehbare Erinnerungen ein konkretes Workflow-Problem lösen. Beginne mit einem Ablauf. Belege, dass Korrekturen eine neue Sitzung überstehen, Originalquellen abrufbar bleiben und jeder konfigurierte Modellaufruf zu deinen Anforderungen passt. Ergänze Infrastruktur, sobald die gemessene Last sie erfordert.
Mit unserer KI-Entwicklung helfen wir dir, Architektur und Bewertung abzugrenzen. Der erste nützliche Meilenstein ist eine wiederholbare Entscheidung anhand deiner eigenen Aufgaben: Verbessert das Gedächtnis das Ergebnis so weit, dass sich Aufbau und Betrieb lohnen?
Der Quellcode steht unter der MIT-Lizenz. Modellinferenz, Hardware und Betriebsaufwand gehören weiterhin in die Kalkulation.