TencentDB Agent Memory: el hub de memoria open source de Tencent para equipos de agentes IA (4 capas, -61% tokens, +59% precisión)
¿Qué es TencentDB Agent Memory?
TencentDB Agent Memory es un hub de memoria a nivel equipo para agentes de IA, open source (licencia MIT), lanzado por Tencent Cloud en mayo de 2026. No es un vector store más: es un sistema que convierte conversaciones, documentos y código en cuatro assets de memoria reutilizables que pueden gobernarse, compartirse y equiparse entre agentes y frameworks distintos.
La pregunta que motivó el proyecto es práctica: ¿cómo reduces trabajo repetitivo cuando usas agentes? Si el contexto del proyecto ya fue explicado, no debería repetirse en cada nueva sesión. Si los documentos ya fueron leídos, cada agente no debería empezar desde cero. Si un workflow ya funciona, no debería redescubrirse la próxima vez.
Con 15.500+ stars en GitHub y más de 5.000 stars ganadas en un solo mes, la comunidad confirmó que la memoria de agentes es una de las necesidades más urgentes en el ecosistema de AI tooling.
Los 4 assets de memoria
TencentDB Agent Memory no guarda logs planos. Organiza la información en cuatro tipos de assets con governance, versiones y control de acceso:
1. Chat Memory — el cerebro que recuerda personas y contexto
- Retiene preferencias, hechos, decisiones e historial de interacción
- Cada agente obtiene su propia memoria al crearse — no necesita que le reintroduzcas el contexto
- Arquitectura en capas: L0 Conversation (diálogo raw) → L1 Atom (hechos atómicos) → L2 Scenario (bloques de escena) → L3 Persona (perfil de usuario)
- Ejemplo: "No refactorices el módulo de auth viejo — mobile todavía lo usa" — contexto que no debería depender de humanos repitiéndolo cada vez
2. Skill — la biblioteca que acumula experiencia
- Tras completar trabajo complejo, los agentes extraen Skills reutilizables de conversaciones y tool calls
- Un Skill no es solo un prompt snippet: tiene versiones, archivos de recursos, trigger boundaries, execution steps y validation rules
- Skills personales son privadas por defecto; tras revisión, pueden compartirse con el equipo y asignarse a otros agentes
- Ejemplo: troubleshooting, code review, release checklists — se aprende una vez y todo el equipo lo usa
3. Wiki — el mapa de conocimiento que lee docs
- Convierte product docs, design specs y ops runbooks en páginas estructuradas con link graph
- Inspirado en el LLM Wiki de Andrej Karpathy
- Los agentes pueden buscar, leer y navegar por links en lugar de escanear listas de archivos
- Wiki evita que los agentes lean cada archivo antes de empezar a trabajar
4. CodeGraph — el mapa de código que lee relaciones
- Indexa símbolos de código, archivos, call relationships y impact paths
- Los agentes pueden buscar, leer, inspeccionar callers/callees y hacer impact analysis antes de modificar código
- No solo dice "el código está aquí" — dice "cambiar esto puede afectar aquello"
- Actualmente prioriza repos HTTPS públicos; soporte para repos privados y SSH en desarrollo
Arquitectura técnica: no es almacenamiento plano, es capas
1. La memoria crece en capas, no en registros planos
Las conversaciones se guardan primero como L0, luego un pipeline async las refina en múltiples niveles de granularidad:
| Capa | Contenido | Función |
|---|---|---|
| L0 Conversation | Diálogo raw + tool logs | Evidencia base, full traceability |
| L1 Atom | Hechos atómicos extraídos cada N conversaciones | Recuperación específica con BM25 + vector + RRF |
| L2 Scenario | Patrones de solución agregados | Context bootstrap rápido |
| L3 Persona | Perfil de comportamiento del usuario | Preferencias, estilo, objetivos recurrentes |
Tanto generación como retrieval son en capas: L2/L3 dan un context bootstrap rápido; cuando se necesitan hechos específicos, BM25 + vector retrieval + RRF caen a L1/L0. Los resultados se limitan por item count, character budget y timeout para evitar que la memoria sature el context window.
2. Memoria simbólica: máxima semántica en mínimos símbolos (Mermaid Canvas)
En tareas largas, los mayores consumidores de tokens son los logs intermedios verbose (search results, code, error traces). La solución combina context offloading con symbolic memory:
- Mermaid symbol graph: en lugar de prose verbose o JSON plano, el estado de la tarea se encode en sintaxis Mermaid de alta densidad — precisa para que los LLMs la parseen, concisa para que humanos la lean
- History offloading: los tool logs completos se mueven a archivos externos (
refs/*.md); solo un lightweight Mermaid task map queda en contexto - node_id tracing: el agente razona sobre el symbol graph; para verificar un detalle, hace grep del
node_idy recupera el raw output completo
Esto garantiza full traceability y lossless recovery: hay un path determinista desde abstracciones de alto nivel hasta la evidencia ground-truth. Compresión sin sacrificar trazabilidad.
3. La memoria no es un global prompt — es el loadout del agente
Chat Memory, Skills, Wiki y CodeGraph se registran uniformemente como Memory Assets. Memory Hub usa Fixed Binding + ACL para determinar qué assets puede usar cada agente: primero estrecha el scope por Team, User, Agent y visibility, luego recupera basado en la query actual.
Esto permite compartir experiencia sin exponer información privada. Cambiar de agente o framework solo requiere re-equipar, no retrainar.
4. Conocimiento bajo demanda, no inyección masiva
Los documentos se organizan en Wiki pages buscables con link-graph drill-down. Los codebases se indexan en CodeGraph con files, symbols y call relationships. Los agentes primero descubren capabilities via /v3/tools/list, luego usan /v3/tools/call para leer páginas relevantes, source code o impact paths. Documentos y código son parte de la memoria, pero permanecen como tools disponibles que solo entran al contexto cuando se necesitan.
Benchmarks: -61% tokens, +59% precisión
Los benchmarks son project-reported (evaluaciones propias de Tencent), medidos con el plugin integrado en OpenClaw:
| Benchmark | Sin memory | Con memory | Δ Pass rate | Δ Tokens |
|---|---|---|---|---|
| WideSearch | 33% | 50% | +51.52% | −61.38% |
| SWE-bench | 58.4% | 64.2% | +9.93% | −33.09% |
| AA-LCR | 44.0% | 47.5% | +7.95% | −30.98% |
| PersonaMem | 48% | 76% | +59% | — |
Las reducciones de tokens son sustanciales: 61.38% en WideSearch, 33.09% en SWE-bench y 30.98% en AA-LCR. Las mejoras en pass rate se suman a estos ahorros — el agente no solo usa menos tokens, sino que también tiene más éxito. PersonaMem mide si un agente puede entender y aplicar información de usuario correctamente tras interacciones extendidas: sube de 48% a 76%.
Cómo instalar TencentDB Agent Memory
Instalación rápida: stack completo (recomendado)
Levanta los tres servicios (memory-core + memory-hub + proxy) en un solo comando:
git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
$EDITOR .env # Configurar dos sets de LLM params (memory group + proxy group)
./start-all.sh # Levanta todo; imprime un one-liner para pegar en ClaudeAbre el panel en http://localhost:8125.
Puertos de los servicios
| Servicio | Puerto | Función |
|---|---|---|
| Memory Core | 8420 | Memory read/write, auth, skill/RAG data plane |
| Panel UI | 8125 | Team memory control panel |
| Knowledge | 8424 | Wiki / CodeGraph service |
| Proxy | 8096 | LLM request proxy (Anthropic / OpenAI dual-protocol) |
Conectar Claude Code al proxy
export ANTHROPIC_BASE_URL="http://127.0.0.1:8096/claude-code/default"
export ANTHROPIC_AUTH_TOKEN="sk-mem-..." # Tu user_key del panel
claude --model <modelo-configurado-en-proxy>Cada nueva sesión de Claude Code, el proxy usa el AskUserQuestion nativo de CC para guiarte por tres picks consecutivos: Team → Agent → Task. Una vez seleccionado:
- El proxy bindea esta sesión a ese team/agent/task
- Cada turn subsiguiente, el proxy auto-inyecta L2/L3 memory, skills y knowledge en el system prompt
- L0 (raw dialogue) se captura en SQLite de memory-core
- Background workers extraen L1 → L2 → L3 según se hitting thresholds
Conectar OpenClaw
openclaw plugins install @tencentdb-agent-memory/memory-tencentdbConfigurar en ~/.openclaw/openclaw.json:
{
"memory-tencentdb": {
"enabled": true,
"offload": { "enabled": true }
}
}openclaw gateway restartEl offload.enabled: true activa la compresión Mermaid. Sin él, solo obtienes long-term memory. SQLite + sqlite-vec por defecto, sin DB externa necesaria.
Cold start: carga el save file, luego a trabajar
La primera tarea de la mayoría de agentes es re-aprender tu proyecto. TencentDB Agent Memory convierte el costo de aprendizaje ya pagado en un save file. Estos assets pueden importarse directamente y procesarse automáticamente:
- Codebases: importa repos existentes — CodeGraph indexa symbols, files, call relationships e impact paths automáticamente
- Documentos y archivos: importa docs relevantes — Wiki genera structured pages con link graph automáticamente
- Sesiones de conversación: importa sesiones previas de agentes — Skills y Chat Memory se extraen como assets reutilizables automáticamente
Team Play: construye un equipo de agentes que crece
Un caso de uso destacado: montar un equipo de agentes para una one-person company:
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 experienceCada rol tiene su loadout de memoria:
🔭 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 SkillDiferentes roles, diferentes loadouts. Menos noise — cada agente recibe solo los assets que necesita. La empresa puede ser tiny. La experiencia puede compound forever.
Governance: control humano sobre la memoria del equipo
Visibilidad de assets
| Nivel | Acceso |
|---|---|
private | Solo el Owner |
team | Visible para todos los miembros del team |
restricted | Acceso preciso via User / Role / Agent ACLs |
Roles
- System Admin (global): gestiona users y teams, puede usar Wiki, CodeGraph, Skill y asset management
- Team Admin: manager del team, asset collaboration y access control
- Team Member: miembro regular, acceso a assets del team
- Owner: ownership tracked via Owner — tiene management permissions automáticos sobre sus assets
Nuevos Chat Memory y Skills son privados por defecto. Compartir es una acción explícita, no un leak por defecto. Puedes asignar el "Release Skill" al Release Agent, la "Architecture Wiki" a todos los development Agents, y CodeGraph al Coder y Reviewer.
Compatibilidad con frameworks
TencentDB Agent Memory actualmente soporta:
- Claude Code — via proxy (Anthropic protocol)
- OpenClaw — via plugin nativo
- Hermes Agent (Nous Research) — via plugin
- CodeBuddy — via proxy
- SDK integration — para integraciones custom
Los assets de memoria están decoupled de los frameworks: pueden moverse entre frameworks y ser compartidos y mantenidos por múltiples agentes y miembros del team. El roadmap incluye migración cross-framework más amplia.
Storage: local por defecto, sin DB externa
- Default: SQLite + sqlite-vec (local, zero-config)
- Dual-layer storage: bottom layer (facts, logs, traces) en DB para full-text retrieval; top layer (personas, scenes, canvases) en Markdown human-readable para high information density y white-box inspection
- Lower layers preservan evidencia; upper layers preservan estructura
- Para acceso concurrente: Tencent Cloud Vector DB backend (SQLite es single-agent)
Acknowledgements: de qué se construye
- CodeGraph — base del módulo CodeGraph asset
- Hermes Agent (Nous Research) — Skill asset management usa parte del código de Hermes
- LLM Wiki de Andrej Karpathy — inspiración directa para la Wiki layer
Limitaciones honestas
- Benchmarks son project-reported: las evaluaciones son de Tencent, no independientes. Los números de WideSearch y SWE-bench deben tomarse con cautela hasta que第三方 los reproduzca.
- CodeGraph prioriza repos HTTPS públicos: soporte para repos privados y SSH credentials aún en desarrollo.
- SQLite es single-agent: para acceso concurrente se necesita Tencent Cloud Vector DB backend.
- Wiki y CodeGraph se construyen async: permitir tiempo de procesamiento antes de que lleguen a status
ready. - Memory routing es manual: el binding automático de assets está en iteración.
- Beta: Team Memory Beta está evolucionando rápido. Features pueden cambiar.
- Offloading desactivado por defecto: hay que habilitarlo explícitamente para la compresión Mermaid.
FAQ
¿TencentDB Agent Memory es gratis?
Sí. Es open source bajo licencia MIT. El storage default es SQLite + sqlite-vec local, sin necesidad de DB externa. Para uso concurrente o producción, se puede usar Tencent Cloud Vector DB como backend.
¿Funciona con Claude Code?
Sí. Se conecta via proxy: configuras ANTHROPIC_BASE_URL al proxy local y el proxy auto-inyecta memory, skills y knowledge en cada turn. Cada nueva sesión te hace pick Team → Agent → Task.
¿Qué diferencia tiene con RAG tradicional?
RAG responde "¿qué se puede encontrar?". TencentDB Agent Memory también responde "¿quién puede usarlo, qué versión es válida y qué agente debería recibirlo?". No es solo retrieval: es governance, layering y portabilidad.
¿Necesito una DB externa?
No. SQLite + sqlite-vec por defecto. Para acceso concurrente o multi-agente simultáneo, se recomienda Tencent Cloud Vector DB.
¿Qué es la compresión Mermaid?
Los tool logs verbose se mueven a archivos externos. En contexto queda solo un lightweight Mermaid task graph. El agente razona sobre el graph y, cuando necesita un detalle, recupera el raw output via node_id. Esto reduce tokens hasta 61% sin perder trazabilidad.
¿Puedo importar conversaciones previas?
Sí. Puedes importar sesiones previas de agentes y el sistema extrae automáticamente Skills y Chat Memory reutilizables. También puedes importar codebases (CodeGraph indexa automáticamente) y documentos (Wiki genera structured pages automáticamente).
Conclusión
TencentDB Agent Memory aborda uno de los problemas más dolorosos del trabajo con agentes IA: la amnesia entre sesiones. Cada nueva sesión empieza desde cero, re-explicando contexto, re-leyendo docs, redescubriendo workflows. La propuesta de Tencent es tratar la memoria como assets gobernables en capas, no como logs planos en un vector store. Los resultados son medibles: -61% tokens en WideSearch, +59% en PersonaMem, +9.93% en SWE-bench. La arquitectura en capas L0-L3 con compresión simbólica Mermaid es elegante: máxima semántica en mínimos símbolos, con full traceability de vuelta a la evidencia raw. La compatibilidad con Claude Code, OpenClaw y Hermes, sumada al storage local SQLite zero-config, lo hace accesible para developers individuales. Para equipos, el panel de governance con roles, ACLs y versiones convierte la memoria en un control panel, no un display board. Con 15K+ stars en GitHub y desarrollo activo, TencentDB Agent Memory se posiciona como la solución de memoria de agentes más completa del ecosistema open source. Si estás trabajando con agentes IA y te cansaste de repetir contexto, vale la pena probarlo.