TencentDB Agent Memory发布短期任务记忆与长期个性化记忆能力

TencentDB Agent Memory 把长任务的短期记忆压缩拆为「上下文卸载 + Mermaid 无限画布」两部分：卸载侧把工具返回的完整原文写入 refs/*.md，工具调用级摘要写入 offload-<sessionId>.jsonl，任务步骤级摘要写入 mmds/<task>.mmd（节点含名称、status、summary、时间戳），上下文压力升高时再折叠为仅保留 taskGoal/status/nodeCount/mmFilePath 的 metadata，按需沿 metadata→MMD→JSONL→refs 四级逐级展开找回；画布侧选用 Mermaid Flowchart 而非 StateDiagram 作为载体（实验显示 Flowchart 作为压缩载体效果约好 15%），把离散摘要组织成可导航的任务拓扑。评测刻意把多任务串成超长 Session（SWEbench 50 个 task 同 session 连跑）：SWEbench 500 题主 Agent 为 4.5-haiku，无插件完成率 58.4%，加插件后 61.8%–64.2%（相对 +5.82%–9.93%），Token 由 3474.1M 降至 2324.4M–2399.4M（节省 30.93%–33.09%）；Toolathlon 20 个复杂长任务主模型 Opus 4.6，通过数 4→6–7、通过率 20%→30%–35%，Token 节省最高 26.18%（样本量小，方向性验证）；WideSearch 200 个网页搜索任务，Token 221.51M→85.64M（节省 61.38%），通过率相对提升 51.52%；AA-LCR 800 题中插件/无插件各 400 题，准确率 44.0%→47.5%，主模型 Token 112,029,517→70,944,374（省 36.67%），计入 Offload 模型后总 Token 77,283,611（省约 31%）。消融显示仅上下文卸载时 SWEbench 提升约 5%、Token 省约 15%，叠加 MMD 后提升约 9.9%、省 31%–33%。 TencentDB Agent Memory 除短期任务记忆外提供长期个性化记忆模块，延续渐进式披露思路：不把用户历史一次性塞进上下文，而是把用户偏好、长期目标、任务习惯和历史经验分层沉淀后按需注入。评测方面，在包含 6000+ 条消息、589 道题的 PersonaMem 评测集上，接入后回答准确率相比原生「龙虾」记忆相对提升 59%，从不到 48% 提升到 76%；正文同时指出 PersonaMem 类评测部分场景 Token 节省可接近 90%，但因与真实使用方式差异较大（用户不会一直连续追问个人画像问题），未把该测试集的 Token 节省计入插件效果。可用性上，长期记忆功能已上线 Qclaw、Lighthouse 和 ClawPro 等产品，支持一键启用。文中给出的示例用途（量化交易用户默认考虑交易成本、比较 LSTM/Transformer/Chronos 并输出阈值与收益曲线；研究类任务记住已研究问题与判断框架）为说明性场景，未披露具名用户。