TencentCloud/TencentDB-Agent-Memory

Kết luận: partial · Công nghệ: typescript · ai-agent · long-term-memory · vector-search · local-first

TencentDB Agent Memory là một thư viện/giải pháp long-term memory cho AI agent, chạy local-first và không phụ thuộc API ngoài. Điểm mạnh là pipeline 4 tầng để lọc, cô đọng và truy hồi ký ức, phù hợp khi cần tăng ngữ cảnh bền vững cho agent hoặc trợ lý cá nhân.

📖 Giới thiệu chi tiết

🧩 Nó là gì?

TencentCloud/TencentDB-Agent-Memory là một hệ thống “trí nhớ dài hạn” cho AI Agent: nó giúp Agent nhớ thông tin quan trọng qua nhiều phiên làm việc, thay vì mỗi lần mở chat lại phải giải thích từ đầu.

Nó chạy theo hướng local-first: dữ liệu và xử lý chính nằm trên máy/hạ tầng của bạn, không bắt buộc phụ thuộc API bên ngoài để lưu trí nhớ.

🎯 Giải quyết vấn đề gì? Dành cho ai?

Khi dùng AI Agent để code, nghiên cứu, viết tài liệu hay vận hành dự án, bạn thường gặp cảnh:

• Hôm qua đã giải thích kiến trúc dự án, hôm nay Agent lại hỏi lại.
• Một checklist release đã dùng tốt, nhưng phiên chat mới không biết.
• Một đoạn code cũ có “bẫy” quan trọng, nhưng Agent mới vẫn sửa nhầm.
• Team có nhiều Agent khác nhau nhưng kinh nghiệm không được chia sẻ có kiểm soát.

TencentDB Agent Memory giải quyết việc đó bằng cách biến thông tin rải rác thành các “tài sản trí nhớ” có thể tái sử dụng.

Dự án này phù hợp với:

• Người dùng AI Agent thường xuyên và muốn Agent “nhớ việc cũ”.
• Developer muốn Agent hiểu codebase tốt hơn qua CodeGraph.
• Team nhỏ muốn chia sẻ kinh nghiệm giữa nhiều Agent.
• Người xây trợ lý cá nhân, trợ lý coding, hoặc workflow tự động có ngữ cảnh lâu dài.
• Tổ chức cần quản lý quyền truy cập trí nhớ: cái gì riêng tư, cái gì chia sẻ cho team, cái gì chỉ một Agent được dùng.

⚙️ Hoạt động ra sao?

Cách hiểu đơn giản: TencentDB Agent Memory không chỉ lưu chat thô, mà lọc và biến kinh nghiệm thành dạng dễ dùng lại.

• Thu thập thông tin đầu vào
  Có thể đến từ hội thoại Agent, tài liệu, file, codebase hoặc phiên làm việc cũ.

• Tách thành nhiều loại memory asset
  Các loại chính gồm:

  • Chat Memory: sở thích, quyết định, sự kiện, ngữ cảnh người dùng.
  • Skill: quy trình có thể dùng lại, ví dụ checklist review, cách debug, cách release.
  • Wiki: tài liệu được tổ chức thành trang có liên kết.
  • CodeGraph: bản đồ code gồm file, symbol, quan hệ gọi hàm và phạm vi ảnh hưởng.

• Cô đọng theo nhiều tầng
  Với hội thoại, hệ thống đi từ dữ liệu thô đến trí nhớ có cấu trúc:

  • L0 Conversation: hội thoại gốc.
  • L1 Atom: mẩu thông tin nhỏ đáng nhớ.
  • L2 Scenario: ngữ cảnh/tình huống có ý nghĩa.
  • L3 Persona: hiểu biết dài hạn về người dùng hoặc Agent.

• Quản lý trong Memory Hub
  Đây là bảng điều khiển để tạo team, tạo Agent, xem asset, review, chia sẻ, gán memory cho Agent và quản lý quyền.

• Truy hồi đúng thứ cần dùng
  Khi Agent làm việc, hệ thống không nhồi toàn bộ lịch sử vào prompt. Nó tìm phần trí nhớ phù hợp nhất để đưa vào ngữ cảnh.

• Kiểm soát quyền riêng tư
  Memory có thể ở các mức:

  • private: chỉ Owner đọc được.
  • team: thành viên team đọc được.
  • restricted: cấp quyền chính xác theo User / Role / Agent.
  • agent: gán riêng cho Agent trong team.

🆚 Khi nào nên dùng / không nên

Nên dùng khi:

• Bạn dùng Agent nhiều phiên và không muốn lặp lại ngữ cảnh.
• Dự án có nhiều tài liệu, nhiều code, nhiều quyết định cần nhớ.
• Bạn muốn Agent mới “vào việc” nhanh bằng cách nạp lại kinh nghiệm cũ.
• Bạn cần quản lý trí nhớ theo team, quyền truy cập, version và trạng thái.
• Bạn muốn một hệ thống memory chạy cục bộ, ít phụ thuộc dịch vụ ngoài.

Không nên dùng khi:

• Bạn chỉ thỉnh thoảng chat vài câu đơn giản, không cần nhớ lâu.
• Dự án quá nhỏ, chỉ cần copy-paste prompt cũ là đủ.
• Bạn không muốn tự chạy dịch vụ local hoặc cấu hình môi trường.
• Bạn chỉ cần tìm kiếm tài liệu kiểu cơ bản; một hệ thống RAG đơn giản có thể đủ.

So với chat history thông thường, dự án này không chỉ “lưu lại cuộc trò chuyện”, mà còn lọc ra điều đáng nhớ. So với RAG cơ bản, nó quản lý thêm ai được dùng, asset nào còn hiệu lực, Agent nào nên nhận memory nào, và code/tài liệu có quan hệ ra sao.

🚀 Bắt đầu nhanh

Yêu cầu chính:

• Node >= 22.16
• Docker hoặc môi trường tương đương để chạy các service
• Cần cấu hình tham số LLM trong file .env

Cài đặt nhanh theo README:

git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
$EDITOR .env       # Fill in two sets of LLM parameters (memory group + proxy group)
./start-all.sh     # Launch everything with one command; when finished, it prints a one-liner you can paste directly into Claude

Sau khi chạy xong, mở bảng điều khiển:

http://localhost:8125

Luồng dùng tối thiểu:

1. Mở Memory Hub tại http://localhost:8125
2. Tạo một team, ví dụ: Tiny but Serious Inc.
3. Tạo một Agent, ví dụ: Builder
4. Import tài liệu, codebase hoặc conversation cũ
5. Để hệ thống tạo Chat Memory, Skill, Wiki hoặc CodeGraph
6. Gán memory asset phù hợp cho Agent
7. Dùng Agent trong phiên làm việc mới với ngữ cảnh đã được kế thừa

Ví dụ mô hình team đơn giản:

Tiny but Serious Inc.
├── You · Set goals / Make decisions
├── Scout · Research / Find opportunities
├── Builder · Write code / Build products
├── Reviewer · Test / Find issues
└── Agent Memory · Preserve the team's experience

Ví dụ gán memory cho từng Agent:

Scout
├── User interview Chat Memory
├── Market research Wiki
└── Competitive analysis Skill

Builder
├── Product Wiki
├── Project CodeGraph
└── Feature Delivery Skill

Reviewer
├── Historical incident Chat Memory
├── Project CodeGraph
└── Release Checklist Skill

✅ Điểm mạnh & ⚠️ Hạn chế

✅ Điểm mạnh:

• Local-first: phù hợp khi bạn muốn kiểm soát dữ liệu và hạn chế phụ thuộc API ngoài.
• Không chỉ lưu chat: biến hội thoại, tài liệu và code thành memory asset có cấu trúc.
• Có Memory Hub: dễ quản lý team, Agent, quyền truy cập, version và trạng thái asset.
• Hữu ích cho codebase lớn: CodeGraph giúp Agent hiểu quan hệ code và phạm vi ảnh hưởng trước khi sửa.
• Tăng hiệu quả qua thời gian: mỗi vòng làm việc có thể để lại kinh nghiệm cho lần sau.
• Phân quyền rõ ràng: hỗ trợ private, team, restricted, agent.

⚠️ Hạn chế:

• Cần tự triển khai service: không phải kiểu cài một extension là xong ngay.
• Cần cấu hình LLM: file .env yêu cầu tham số cho memory group và proxy group.
• Phù hợp hơn với người dùng Agent nghiêm túc: nếu nhu cầu rất nhỏ, hệ thống có thể hơi “nặng”.
• Team Memory Beta đang phát triển nhanh: có thể thay đổi tính năng, giao diện hoặc cách triển khai giữa các phiên bản.
• Chất lượng memory phụ thuộc đầu vào: tài liệu, hội thoại và code càng rõ ràng thì memory tạo ra càng hữu ích.