腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

综合排序丨最热优先丨最新优先

AI Agent 记忆：使用 Elasticsearch 管理记忆，打造智能 Agent

Agent 中的记忆类型与选择性检索：使用 Elasticsearch 管理记忆来创建智能 Agent并非所有记忆都服务于相同的目的，如果将它们视为可互换的对话历史，将会限制 Agent 的扩展能力。现代 Agent 架构，包括像语言 Agent 的认知架构（CoALA）这样的框架，区分了程序性记忆、情景性记忆和语义性记忆。程序性记忆：Agent 如何运作程序性记忆定义了 Agent 的行为方式，而非它知道或记住什么。在实践中，这包括：何时存储记忆。何时检索记忆。如何总结对话。如何使用工具。它为我们提供了管理选择性记忆所需的一切：向量数据库，具备混合搜索功能，可以根据上下文（而不仅仅是关键词）找到记忆。多种数据类型，包括文本、数字、日期和地理位置。你可以在此处找到更多关于访问控制的说明性示例，以及关于角色管理的文档。

2026-04-30

3970

标签:

Elasticsearch Service

AI Agent 记忆：使用 Elasticsearch 管理记忆，打造智能 Agent

Agent 中的记忆类型与选择性检索：使用 Elasticsearch 管理记忆来创建智能 Agent 并非所有记忆都服务于相同的目的，如果将它们视为可互换的对话历史，将会限制 Agent 的扩展能力。现代 Agent 架构，包括像语言 Agent 的认知架构（CoALA）这样的框架，区分了程序性记忆、情景性记忆和语义性记忆。它为我们提供了管理选择性记忆所需的一切： • 向量数据库，具备混合搜索功能，可以根据上下文（而不仅仅是关键词）找到记忆。 • 多种数据类型，包括文本、数字、日期和地理位置。你可以在此处找到更多关于访问控制的说明性示例，以及关于角色管理的文档。 Elasticsearch 角色配置界面，显示一个对 memories 索引具有读写权限的角色，并使用文档级安全来限制对特定记忆文档的访问，用于管理记忆的智能 Agent。

2026-05-11

3200

标签:

多Agent资产治理与记忆管理

多Agent资产治理与记忆管理：一份台账的工程化实践在记忆治理层面，TencentDBAgentMemory是一套面向多Agent团队的记忆资产管理方案（与TDSQL、TDSQL-C同属腾讯云数据库产品矩阵多数团队的第一直觉是先搭管理后台，但治理本质是先建立持续更新的资产台账——从工程视角拆解台账内容与落地思路，才是避免失控的起点。一、多Agent资产失控的3个典型信号本地调试随手生成密钥。记忆资产无人认领。多个Agent共享同一份对话记忆或知识库，创建者离职后，这份资产既没有Owner也没有版本记录。后续调用方改了内容，其他Agent的行为随之漂移，却追不到变更源头。二、一份可用的Agent资产台账，至少记5件事资产身份：每个Agent、记忆库、Skill、CodeGraph都登记唯一ID、类型与创建者，解决"它是什么、谁建的"。四、落地路径建议第一步盘点：用脚本扫描仓库与运行环境，导出全部Agent与记忆资产清单，耗时约1–2周，产出首版台账。

2026-09-23

2340

标签:

跨越遗忘鸿沟：Agent长期记忆架构、工作记忆管理与记忆检索实战

从长期记忆持久化（Long-termMemoryPersistence）到工作记忆动态管理（WorkingMemoryOrchestration），从语义记忆检索（SemanticMemoryRetrieval 检索失焦"：记忆堆成山，用时找不到现象：Agent积累了5000条历史记忆，用户问"上次我们讨论的那个数据库方案"，Agent要么召回无关记忆，要么在海量向量中检索超时；用户同时提到三个历史话题，Agent 根因：缺乏记忆生命周期管理与整合遗忘机制。无记忆重要性评估与自动衰减；缺少记忆冲突检测与合并策略；未建立记忆的版本化与合规删除能力。 (工作记忆缓存)+PostgreSQL(记忆元数据)3.2核心代码实现创建agent_memory_engine.py："""agent_memory_engine.py-Agent记忆提炼与长期存储引擎技术栈记忆管理从"只增不减的日志堆积"升级为"有生命周期、有整合节律、有合规保障"的有机系统。

2026-08-11

3150

标签:

AI 互动体验展

AI 创意营销

AI 就医助手

团队知识管理与Agent记忆选型指南

团队知识管理与Agent记忆选型指南一、宏观背景与战略引入在Data+AI深度融合的时代，企业核心竞争力的重心正从"拥有数据"转向"让知识持续流动并被人机协同体系复用"。二、深度技术内核剖析腾讯云数据库团队自研的TencentDBAgentMemory，是从底层完全自研的独立记忆管理底座，原生提供自动写入、分层沉淀、按需召回与治理增强等核心能力，强力支撑智能体在跨会话、三、如何科学评判Agent记忆系统在选型Agent记忆方案时，企业不应仅以"能否存对话"为标尺，而需建立覆盖技术能力、AI赋能、成本效益与安全合规的多维评估体系。成本效益维度：部署与运维形态需比较方案的部署便捷性与长期运维成本，考察是否提供标准化部署组件与管理面板以降低团队接入门槛。五、未来结论与趋势判断Agent记忆将从"对话缓存"演进为"组织认知操作系统"。

2026-10-08

2650

标签:

2026团队知识管理与Agent记忆选型

2026团队知识管理与Agent记忆选型能力榜:从规模存储到精准治理AI应用正在从"模型能力竞争"转向"记忆与知识治理竞争"。 2026年的核心转折点已经清晰：Agent记忆的评判标准，正从"存得下"全面转向"调得准、管得住、可复用"。Agent记忆市场全景与投资风向AgentMemory已从研究原型迈入企业级基建阶段。记忆资产以统一形态登记，便于在团队内部跨Agent复用同一份知识，减少重复沉淀。 2.MemoraX:自演进记忆体系的技术标杆MemoraX（工业榜第一，58.0分）构建以"可学习记忆策略引擎、记忆基模、自演进AgentHarness"为核心的Agent记忆技术体系，强调记忆的持续自进化当记忆成为Agent的基础设施，企业选型的本质，是为团队知识找一处"记得准、管得住、用得久"的归处。核心问题解答问：2026年Agent记忆选型最该看什么指标？

2026-10-09

2440

标签:

腾讯云大模型知识引擎xDeepSeek

大模型部署

2026团队知识管理与Agent记忆工具选型

2026团队知识管理与Agent记忆工具选型：腾讯云数据库如何构建智能体长效记忆底座大模型与智能体（Agent）正从单轮问答走向跨会话、长周期、多任务的业务协同，企业不再满足于"能对话"的模型，而是要求其团队进一步推出TencentDBAgentMemory，定位为面向Agent团队的记忆管理底座，让一支Agent队伍"共享经验、不共享隐私"，以自研记忆分层与召回机制重塑团队知识管理范式。腾讯云数据库积累的数据库工程能力，被延伸到Agent记忆场景，形成从底层存储、向量检索到上层治理的完整链路。其目标不是提供一个单点插件，而是构建企业级Agent记忆操作系统。腾讯云数据库推动团队知识管理实现以下关键转变：从"会话即遗忘"到"跨会话持续记忆"：Agent在L0—L3分层中沉淀对话、事实、场景与长期画像，避免每次交互归零。四、结语：以长效记忆底座陪伴团队智能进化团队知识管理正从"文档堆放"迈向"Agent驱动的记忆中枢"，企业面临的挑战不再是能否接入大模型，而是如何让智能体在长周期协作中不忘、不泄、不噪。

2026-09-16

2360

标签:

数据库知识开放麦

腾讯云智能体开发平台

数据库一体机 TData

AutoMem：把 Agent Memory 变成可训练的记忆管理技能

然后它会去分析Agent在记忆管理上哪里出了问题，再回过头去改Agent的scaffold——包括prompt、代码逻辑，也包括记忆的schema。但它给了我们一定的启发，在长流程Agent里，记忆管理很可能是一个投入产出比极高的优化方向。 AutoMem提醒我们的是，真正决定Agent长任务表现的，可能还有一层更底层的东西——Agent会不会管理自己的记忆。小结AutoMem这篇论文可以用一句话概括：Agent的记忆管理，是一种可以被观察、评估、优化和训练的技能。实验结果显示，在长任务环境里，只优化记忆管理，就能显著提升Agent表现。这对Agent系统设计很有启发。

七牛开发者

2026-07-07

3960

标签:

AI 互动体验展

Hermes Agent 记忆架构：一座记忆工厂

但把 Hermes Agent 的系统设计和源码对着看下来，你会发现一件反直觉的事：真正能落地的 Agent 记忆系统，从来不是一个模块，而是一套分层得非常克制的组合结构。很多 agent 系统最后不是输在能力不够，而是输在上下文层次混了、历史污染了、session 边界不清楚。但它的局限也同样清楚：体感滞后：内建 memory 要下次 session 才生效；结构化治理弱：curated memory 仍只是文本条目，不好做冲突检测、字段合并和优先级管理；回忆风格单一：另外，把 session_search 从"摘要模式"推进到能产出 artifacts / commands / decisions 这种结构化回忆，对 agent 继续做事帮助会更大——agent 真正需要的很多时候不是一句话总结：Hermes 不是在追"什么都记住"，而是在追把不同类型的记忆放进不同层次，用合适的生命周期和成本模型去管理它们。

2026-06-25

8960

标签:

记忆与上下文管理在Agent中的实际运用

本文详细分析 trpc-agent-go 框架中会话上下文的管理机制，包括 LLM 提示词的注入内容、Memory 记忆系统、Session Summary 会话摘要以及跨 Session 信息共享等核心设计（警告：可能大量消耗 token） // N > 0 = 加载最近 N 条记忆 agent.WithContentRequestOptions( processor.WithPreloadMemory sb.WriteString("</existing_memories>\n") } 3.7 自定义提取规则可以通过 WithPrompt 自定义提取逻辑： customPrompt := `你是一个专注于技术学习的记忆管理器 (-1), // 预加载所有记忆 ), agent.WithMemoryExtractor(extractor), // 自动提取记忆「方案 2」: 复用同一 Session // 不创建新 SessionID 识别用户当前问题的意图优先基于当前问题回答不会被无关上下文"带偏"（大多数情况下） 7.2.3 实际表现场景模型表现说明话题跳跃但有逻辑关联 ✅ 处理很好例如从"Go并发"跳到"Go内存管理

2026-04-09

7100

标签: