本文内容
TencentDB Agent Memory 本地部署：SQLite 够用吗？
智能体一开新会话，你又得解释一遍项目约束。持久记忆应该帮你省下这份重复劳动。
TencentDB Agent Memory 可以把持久记忆保存在本地 SQLite 中。对于范围明确的部署，独立的托管向量服务并非必需。但记忆提取仍需要配置语言模型，系统也保留了向量检索选项。MemoryCore 运行说明明确列出了这些依赖。
资料核查日期：。本文核对了固定版本的文档与配置，不包含 Wavect 部署实测或独立复现的基准结果。下文的试点方案属于我们的评估建议。
讨论的是哪个版本的 TencentDB Agent Memory？
TencentDB Agent Memory 已从插件发展为团队 Memory Hub。Token 节省数据来自较早的插件文档。新版 Hub 文档则介绍了共享的 Chat Memory、Skills、Wiki 与 CodeGraph 资产。
| 范围 | 评估重点 | 资料版本 |
|---|---|---|
| 插件架构 | OpenClaw 集成、可选的短期上下文卸载，以及最初的 Token 数据表。 | main，a3c2d860 |
| 团队 Memory Hub | Memory Core、Hub 与代理；支持团队、用户和智能体访问关系的可复用资产。 | feat/server_team，ecc01a54 |
安装时应使用所选版本对应的说明。旧版 Mermaid 卸载设计不能代表当前每一种代理集成的行为。
TencentDB Agent Memory 能替代向量数据库吗？
TencentDB Agent Memory 允许部分部署省去独立向量服务，同时保留向量检索选项。插件配置列出了 SQLite 配合 sqlite-vec，以及 Tencent Cloud VectorDB 两种后端。当前独立版 MemoryCore默认采用 BM25 关键词检索，并关闭远程嵌入。
“中国已经终结了向量数据库行业”超出了这些证据能支持的范围。腾讯提供的是具有多种存储与检索选项的记忆系统。某个工作负载不再需要托管服务，无法证明所有分布式搜索系统都失去了价值。
记忆如何组织，与选择哪种数据库也是两项决定。向量索引可以保存原文引用，应用也能在其外围管理来源、时间和访问权限。另一种分层设计可参考我们的OpenViking 文件系统记忆评测，其中讨论了该产品的目录式检索。
L0 至 L3 四层记忆如何工作？
TencentDB 的四层记忆将对话逐步整理为更精简的上下文：原始对话、原子事实、场景知识，以及用户画像或核心记忆。派生结论能否追溯到支持它的证据，决定了这些层是否有用。
| 层级 | 信息形态 | 需要检查的示例 |
|---|---|---|
| L0 Conversation：原始对话 | 保留原始对话 | 用户周一允许 Atlas 项目周五部署，周三撤回这项许可。 |
| L1 Atom：原子记忆 | 提取出的事实或约束 | 当前约束应为：周五部署已不再获批。 |
| L2 Scenario：场景记忆 | 项目或场景上下文 | Atlas 发布记录应将撤回许可与受影响的发布关联起来。 |
| L3 Core / Persona：核心记忆或画像 | 更稳定的长期画像 | 通用沟通偏好可能适合放在这一层；临时发布例外不应变成永久的个人特征。 |
周四询问智能体能否部署，要求它给出周三的更正及其来源。仅仅找回两条消息，却不判断先后顺序，并不够用。这是一项建议的测试，并非已观察到的产品结果。
上层内容属于派生解释。保留原始材料可以让解释接受检查，但不能保证摘要准确或检索永不丢失信息。部分产物采用 Markdown，其他内容则是数据库记录或 JSONL。
Mermaid 与 node_id 如何处理工具日志？
较早的插件设计将工具原始输出存入文件，用 JSONL 保存步骤摘要，并在上下文中保留精简的 Mermaid 任务画布。node_id 通过 result_ref 将步骤关联到下层证据。智能体可以按需核查，而不必反复读取全部日志。
例如，任务画布记录了 Atlas 构建失败。智能体修改依赖前，应调出失败命令的输出，并检查后来是否已有新的运行结果。“构建失败”这个标签有助于定位，真正诊断仍需要具体报错。
受查插件需要额外的 OpenClaw 配置，才会启用可选的短期上下文卸载。验证它确实生成了引用，并确认智能体重启后仍能取回对应的源材料。
使用 SQLite，就能完全离线运行吗？
SQLite 本地存储不能证明模型推理也在离线运行。当前部署模板分别配置了生成记忆的模型和回答请求的模型。两者可以共用端点，但两条调用路径都需要检查；启用的嵌入服务和外部工具也一样。
| 组件 | 相关边界 | 验证内容 |
|---|---|---|
| 记忆存储 | SQLite 与本地文件 | 持久化数据卷、文件权限和恢复流程。 |
| 记忆提取 | Hub 部署中的 MEMORY_LLM_* | 端点在本地运行，并能完成提取与聚合。 |
| 智能体推理 | PROXY_UPSTREAM_* | 代理转发到本地推理端点，回退路径也保持本地。 |
| 检索 | 默认 BM25；配置后可用嵌入 | 关键词检索正常，任何启用的嵌入端点均在本地。 |
| 工具与启动 | 所选集成的网络行为 | 所需模型和依赖已备齐，运行时工具无需外部服务。 |
这些变量组来自部署环境模板。兼容的本地端点仍需要测试；本文没有验证某个本地模型的记忆提取质量。
准备完毕后，阻断出站流量并记录连接尝试。创建对话，等待派生记忆生成，再重启、召回更改后的 Atlas 指令，并调出证据。单独通过健康检查不够。若要通过 MCP 为编程工具共享记忆，可阅读我们的 mcp-memory-service 配置指南。
节省约 61% Token 与 PersonaMem 成绩说明了什么？
TencentDB 的两个宣传数字对应不同任务。项目的插件基准表报告了长任务评估设置下的 WideSearch/OpenClaw Token 用量和 PersonaMem 准确率。这些上游数据不能确定你的部署能节省多少。
| 指标 | 未启用／启用记忆 | 可得出的结论 |
|---|---|---|
| WideSearch Token 用量 | 221.31 百万／85.64 百万 | 在该次公开评估中，Token 用量约减少 61%。 |
| PersonaMem 准确率 | 48%／76% | 在所报告的个性化任务中提高了 28 个百分点。 |
按表内 Token 数计算，(221.31 - 85.64) / 221.31 × 100 = 61.30%，结果保留两位小数。README 标注的却是 61.38%。因此，我们使用“约 61%”并保留原始输入，避免给出数据本身无法支持的精度。
PersonaMem 论文评估的是面向变化中用户画像的个性化回答。分数不是数据库正确性、来源可追溯性或租户隔离的通用指标。旧插件的 Token 结果也不应被当成当前完整 Hub 的性能评估。
成本对比要计入每类模型调用：提取记忆、聚合、智能体推理、重试和下钻读取证据，还要计入嵌入与基础设施费用。应比较每项成功任务的总成本。我们的AI 智能体单次操作成本模型讨论了这一核算范围。
何时保留 SQLite，何时增加独立服务？
如果单个部署能满足应用负载和恢复目标，我们会先用本地 SQLite。出现实测写入争用、检索质量问题或更高可用性要求时，再评估独立存储或搜索服务。这项决定没有统一的记录条数门槛。
| 需求 | 适合先试本地 SQLite 的条件 | 需要评估其他服务的条件 |
|---|---|---|
| 部署 | 一个受控节点管理持久化存储。 | 多个节点需要独立且协调的访问，以及故障转移。 |
| 写入负载 | 真实并发下，采集与提取仍满足延迟预算。 | 实测写入争用或恢复行为达不到目标。 |
| 检索 | 关键词或已配置的本地向量检索通过应用查询集测试。 | 搜索质量或延迟测试表明需要其他索引或服务架构。 |
| 运维 | 团队能承担备份、恢复、访问控制和升级。 | 可用性目标要求当前部署尚未具备的运维能力。 |
SQLite 官方适用场景说明区分了应用本地存储与客户端／服务端工作负载，并指出单个数据库文件同时只能有一个写入者。这是架构边界，不能当作 TencentDB 的吞吐量实测。独立数据库也无法自行纠正提取错误的用户偏好。
若要选择 Supermemory 的托管或本地 API，可参考我们的 Supermemory 记忆生命周期与部署指南。切换方案前，用同一组应用任务比较结果。
上线前，我们会怎样评估记忆系统？
我们会使用相同任务、回答模型、工具和评分规则，对比启用与不启用持久记忆的运行结果。从虚构记录和固定配置开始，等记忆处理完成后再评分，并重复任务以观察波动和失败情况。
- 更正与范围：使用前述 Atlas 指令序列，再增加另一个仍允许周五部署的项目。要求智能体为各项目给出正确指令及其来源。
- 证据恢复：询问卸载日志中的精确细节，重启后再问一次。记录来源 ID、源材料是否存在，以及回答是否与原文一致。
- 不可信内容：插入一段要求智能体忽略用户的工具日志。检查检索文本是否仍被当作证据，而不能悄悄获得操作授权。
- 隔离与删除：换一个用户或团队查询同一事实。随后删除测试记录，检查派生记忆、文件和预期保留路径。仅仅搜不到结果，不能证明内容已被彻底移除。
- 故障与成本：中断提取流程或某个已配置端点，观察恢复行为，并在预期并发负载下测量模型总用量、任务成功率和 p95 延迟。
运行前明确通过条件：正确处理更改后的指令、能够取回证据、测试集中没有跨用户泄露，并满足约定的成本与延迟预算。这些都是建议的验收条件。
我们的选型建议
当本地存储与可检查的记忆能解决实际工作流问题时，把 TencentDB Agent Memory 列入候选。先验证一个工作流：更正能否跨会话生效、证据能否找回，以及每条模型调用路径是否满足要求。实测负载需要时，再增加基础设施。
Wavect 的AI 开发服务可以帮助你界定架构与评估范围。首个有价值的里程碑，是在自己的任务上得出可重复验证的判断：记忆带来的改善，是否足以承担维护这套系统的成本。
上游源码采用 MIT 许可证。模型推理、硬件和运维投入仍应计入预算。