从零配置到生产部署：TencentDB-Agent-Memory操作全指南——5分钟为AI-Agent装上永久记忆

想让 AI Agent 记住你的偏好、习惯和项目背景，而不是每次对话都从零开始？TencentDB Agent Memory 提供了一条命令安装、零配置启动的长期记忆方案。实测数据显示，接入后 Agent 任务通过率提升 51.52%，长期记忆准确率从 48% 跃升至 76%，Token 消耗反而降低 61%。本文从安装、配置、调优到故障排查，覆盖你在生产环境中需要的每一个操作步骤。

1. 概述
   1.1 解决什么问题
   1.2 核心能力一览
   1.3 适用场景
2. 环境准备与安装
   2.1 系统要求
   2.2 OpenClaw 插件安装
   2.3 Hermes Gateway 部署（Docker）
   2.4 安装验证
3. 快速上手
   3.1 5 分钟最小配置启动
   3.2 第一个记忆循环
   3.3 冒烟测试
4. 功能操作详解
   4.1 记忆捕获与查看
   4.2 Agent 工具调用
   4.3 上下文卸载操作
   4.4 CLI 运维命令
5. 配置与定制
   5.1 配置结构总览
   5.2 基础配置（日常调参）
   5.3 高级配置（深度定制）
   5.4 配置热更新
6. 使用技巧与最佳实践
   6.1 召回策略选择
   6.2 管道触发频率调优
   6.3 多 Agent 场景配置
   6.4 安全最佳实践
7. 常见问题与故障排除
   7.1 安装与启动问题
   7.2 记忆召回问题
   7.3 向量搜索问题
   7.4 数据管理问题
8. 实战案例
   8.1 编程助手长期记忆配置
   8.2 企业知识库 Agent 部署
9. 总结
   参考文献

1.1 解决什么问题

AI Agent 面临三个核心痛点：

• 对话失忆：每次新对话 Agent 对用户一无所知，需要反复自我介绍和说明偏好
• 上下文爆炸：长时间任务的工具调用日志迅速填满上下文窗口，导致 Agent 性能退化
• 记忆黑盒：传统向量数据库方案只知道"相似度 0.87"，无法解释 Agent 为什么做出某个判断

TencentDB Agent Memory 用两套机制同时解决这三个问题：4 层渐进式记忆管道（L0 对话→L1 事实→L2 场景→L3 画像）实现长期记忆积累，符号化上下文卸载用 Mermaid 图压缩工具日志节省 Token。

1.2 核心能力一览

• 自动记忆捕获：Agent 对话结束后自动提取原子事实，无需手动触发
• 语义去重：向量相似度比较识别"用户喜欢 TypeScript"和"用户偏好 TS"是同一事实
• 场景归纳：跨对话识别用户的工作模式，如"多次使用 PostgreSQL 并关注查询计划"
• 用户画像：自动生成并持续更新用户画像文件，可直接打开 Markdown 阅读
• 混合召回：BM25 关键词 + 向量语义 + RRF 融合排序，5 秒超时绝不阻塞
• 上下文卸载：工具结果→摘要→Mermaid 图→三级压缩，防止窗口溢出
• 双后端存储：本地 SQLite（零配置）或腾讯云向量数据库（生产集群）

1.3 适用场景

• 编程助手需要记住用户的技术栈、代码风格、项目结构
• 企业知识库 Agent 需要跨会话积累领域知识
• 长期任务 Agent（如 SWE-bench 风格的多步骤开发任务）
• 任何需要"越用越懂你"的 AI Agent 应用

2.1 系统要求

如果使用 Hermes Gateway（Docker 部署），额外需要 Docker Engine ≥ 24.0。

2.2 OpenClaw 插件安装

OpenClaw 是推荐的主流程集成方式，一条命令完成安装：

• 1
• 2

# 安装插件openclaw plugins install @tencentdb-agent-memory/memory-tencentdb

预期输出：

• 1
• 2

✓ Plugin installed: @tencentdb-agent-memory/memory-tencentdb@0.3.4  Dependencies installed. Restart gateway to activate.

已安装旧版本的用户，用更新命令替代：

• 1

openclaw plugins update memory-tencentdb

然后在 ~/.openclaw/openclaw.json 中启用：

• 1
• 2
• 3
• 4
• 5
• 6
• 7

{  "plugins": {    "memory-tencentdb": {      "enabled": true    }  }}

重启 Gateway 使配置生效：

• 1

openclaw gateway restart

2.3 Hermes Gateway 部署（Docker）

如果使用 Hermes Gateway 而非 OpenClaw，通过 Docker 一键部署：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

docker run -d \  --name memory-tencentdb \  -e MODEL_API_KEY=your_api_key \  -e MODEL_BASE_URL=https://api.openai.com/v1 \  -e MODEL_NAME=gpt-4o \  -e MODEL_PROVIDER=openai \  -p 3000:3000 \  -v ~/.openclaw/memory-tdai:/data \  ghcr.io/tencent/tencentdb-agent-memory:latest

环境变量说明：

默认使用腾讯云 DeepSeek-V3.2 作为记忆提取的后端 LLM。如需使用其他模型，修改 MODEL_NAME 和 MODEL_BASE_URL 即可。

2.4 安装验证

完成安装后，按以下步骤验证：

第一步：检查日志

Gateway 日志中应出现 [memory-tdai] 前缀的输出：

• 1
• 2
• 3

[memory-tdai] Plugin v0.3.4 initialized[memory-tdai] Data directory: ~/.openclaw/memory-tdai[memory-tdai] Store backend: sqlite

第二步：检查数据目录

• 1

ls ~/.openclaw/memory-tdai/

应看到以下目录结构：

• 1
• 2
• 3
• 4

conversations/    # L0 原始对话records/          # L1 原子记忆 + L3 画像scene_blocks/     # L2 场景归纳vectors.db        # 向量索引

第三步：确认插件已加载

• 1

openclaw plugins list | grep memory-tencentdb

预期输出包含 memory-tencentdb 及其版本号。

三条检查全部通过，说明安装成功。接下来进入快速上手。

3.1 5 分钟最小配置启动

最小化配置只需在 openclaw.json 中启用插件：

• 1
• 2
• 3
• 4
• 5
• 6
• 7

{  "plugins": {    "memory-tencentdb": {      "enabled": true    }  }}

这个配置等价于以下完整默认值：

• 存储后端：本地 SQLite + sqlite-vec
• 记忆提取：每 5 轮对话触发一次，智能去重开启，单次最多 20 条
• 场景归纳：累积 50 条新记忆后触发，最多 15 个场景
• 记忆召回：混合检索（BM25 + 向量），返回 5 条，分数阈值 0.3
• 数据清理：默认不自动清理（保留天数设为 0）

如果你的 LLM 提供商支持 OpenAI 兼容的 Embedding API，建议追加向量检索配置：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

{  "plugins": {    "memory-tencentdb": {      "enabled": true,      "config": {        "embedding": {          "provider": "openai",          "baseUrl": "https://api.openai.com/v1",          "apiKey": "${EMBEDDING_API_KEY}",          "model": "text-embedding-3-small",          "dimensions": 1536        }      }    }  }}

注意 apiKey 使用 ${EMBEDDING_API_KEY} 环境变量形式，避免在配置文件中硬编码密钥。

3.2 第一个记忆循环

配置完成并重启 Gateway 后，进行一次对话测试：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

用户：我喜欢用 TypeScript 写后端，偏好 PostgreSQL 数据库，      部署习惯用 Docker Compose。我的项目叫 "nebula-api"。
Agent：好的，我记住了。有什么需要帮忙的吗？
用户：帮我设计 nebula-api 的数据库 schema。
Agent：根据你的偏好（TypeScript + PostgreSQL + Docker），      我建议...（此处 Agent 应该能参考记忆给出个性化建议）

此时系统内部发生了什么：

流程执行说明：

• 步骤 1-5：对话结束后，插件自动将原始对话写入 JSONL 文件，然后判断是否满足 L1 提取条件
• 步骤 6-9：LLM 从对话中提取结构化事实，经过去重后存入向量库
• 步骤 10-16：下一次对话开始时，插件根据用户问题检索相关记忆，注入到 Agent 的上下文前缀，Agent 据此生成个性化回复

3.3 冒烟测试

按照以下步骤验证记忆系统是否正常工作：

步骤 1：提供可验证的信息

在对话中提供几条明确的事实：

• "我最喜欢的代码编辑器是 VS Code"
• "我的项目技术栈是 React + Node.js"
• "我习惯用 pnpm 而不是 npm"

步骤 2：开启新对话

结束当前对话，开启一个全新的会话（不携带任何上下文）。

步骤 3：测试召回

在新对话中提问："我之前提到过用什么包管理器？"

如果记忆系统正常工作，Agent 应该回答"pnpm"而不是 npm。在 Agent 的上下文前缀中可以看到类似这样的注入：

• 1
• 2
• 3
• 4
• 5

<relevant-memories>- 用户偏好使用 pnpm 作为 Node.js 包管理器- 用户的编辑器是 VS Code- 用户项目技术栈为 React + Node.js</relevant-memories>

步骤 4：验证工具可用

在对话中让 Agent 主动调用记忆搜索工具：

• 1
• 2
• 3
• 4
• 5
• 6

用户：搜索一下我之前提到过的所有技术偏好Agent：[调用 tdai_memory_search 工具]Agent：根据记忆，你有以下技术偏好：  1. 编辑器：VS Code  2. 包管理器：pnpm  3. 技术栈：React + Node.js

4.1 记忆捕获与查看

记忆捕获是全自动的，无需用户手动触发。每次 Agent 对话结束后，系统自动执行以下流水线：

• 1

对话结束 →L0写入JSONL→(每5轮)L1提取事实→(每50条)L2归纳场景→L3 更新画像

查看记忆数据

所有记忆数据以人类可读的文件格式存储，可以直接用编辑器打开：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

# 查看 L0 原始对话（JSONL 格式，每条对话一行）cat ~/.openclaw/memory-tdai/conversations/session_20260516.jsonl
# 查看 L1 原子记忆（结构化记录）cat ~/.openclaw/memory-tdai/records/memories_20260516.md
# 查看 L2 场景归纳cat ~/.openclaw/memory-tdai/scene_blocks/scene_20260516.md
# 查看 L3 用户画像cat ~/.openclaw/memory-tdai/records/persona.md

L3 用户画像文件的内容示例：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15

# 用户画像 (更新于 2026-05-16)
## 技术偏好- 编程语言：TypeScript, Python- 数据库：PostgreSQL（偏好使用 Prisma ORM）- 部署方式：Docker Compose- 包管理器：pnpm
## 工作习惯- 代码风格偏好 ESLint + Prettier- 项目结构偏好 monorepo
## 项目背景- 主要项目：nebula-api（后端服务）- 团队规模：小型团队，3-5 人

这些文件可以直接用 grep 搜索，也可以用任何文本编辑器打开阅读——不需要数据库客户端。

4.2 Agent 工具调用

插件为 Agent 暴露了两个搜索工具，Agent 可以在对话中主动调用：

tdai_memory_search —— 搜索 L1 结构化记忆

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

工具名：tdai_memory_search参数：  - query (必填): 搜索查询文本  - limit (可选): 返回数量，默认 5  - type (可选): 记忆类型过滤（fact/preference/decision）  - scene (可选): 场景过滤
返回：  - memories: 格式化的记忆文本列表  - total: 匹配总数  - strategy: 使用的检索策略（hybrid/keyword/embedding）

使用示例——在对话中对 Agent 说：

• 1

请用 tdai_memory_search 搜索我之前提到过的所有数据库相关的偏好

Agent 将调用该工具，返回类似：

• 1
• 2
• 3
• 4

找到 3 条相关记忆（策略：hybrid）：1. 用户偏好使用 PostgreSQL 数据库2. 用户使用 Prisma 作为 ORM 工具3. 用户关注数据库查询性能优化

tdai_conversation_search —— 搜索 L0 原始对话

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

工具名：tdai_conversation_search参数：  - query (必填): 搜索查询文本  - limit (可选): 返回数量，默认 5  - session_key (可选): 限定特定会话
返回：  - conversations: 格式化的对话片段  - total: 匹配总数

两个工具都内置速率限制——每轮对话最多调用 3 次，防止 Agent 陷入搜索循环。

4.3 上下文卸载操作

上下文卸载（Context Offload）是独立于记忆管道的可选功能，专治长对话场景下的上下文窗口溢出。启用方式：

• 1
• 2
• 3
• 4
• 5
• 6
• 7

{  "config": {    "offload": {      "enabled": true    }  }}

卸载操作分为四级，从轻到重逐步递进。前端现象如下：

• Agent 的工具调用结果被替换为摘要标注，减少 Token 占用的同时保留语义信息
• 超长对话中，Agent 可能看到类似 [已卸载的工具结果摘要：读取了 3 个文件，发现 2 处类型错误] 的注入信息
• Conversation 历史中的工具日志被替换为 Mermaid 图中的节点引用，Agent 可通过 node_id 检索原文

卸载的核心参数：

4.4 CLI 运维命令

插件安装后，memory-tdai CLI 提供以下运维命令：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17

# 导入种子数据（预置记忆）memory-tdai seed --file ./seed-memories.json
# 查询记忆统计memory-tdai stats
# 查看指定会话的记忆memory-tdai query --session <session_key>
# 从 SQLite 迁移到腾讯云向量数据库migrate-sqlite-to-tcvdb --source ~/.openclaw/memory-tdai/vectors.db --target <tcvdb_url>
# 导出腾讯云向量数据库数据export-tencent-vdb --url <tcvdb_url> --api-key <key> --output ./export/
# 读取本地记忆数据（调试用）read-local-memory --type memories --limit 20

memory-tdai stats 的输出示例：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

Memory Statistics:  L0 Conversations: 156  L1 Memories:      423  L2 Scene Blocks:  8  L3 Personas:      1  Vector DB Size:   12.4 MB  Last Extraction:  2026-05-16 10:32:15  Last Recall:      2026-05-16 10:35:02

5.1 配置结构总览

memory-tencentdb 的配置分为 11 个分组，全部定义在 openclaw.plugin.json 的完整 schema 中：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

config├── storeBackend         — 存储后端选择（sqlite / tcvdb）├── capture—L0 对话捕获与保留策略├── extraction           — L1 记忆提取与去重├── persona—L2/L3 场景归纳与用户画像├── pipeline—L1→L2→L3 管道调度├── recall— 记忆召回策略├── embedding            — 向量检索服务（OpenAI 兼容）├── bm25—关键词检索（jieba 分词）├── tcvdb— 腾讯云向量数据库├── offload              — 上下文卸载├── llm—独立LLM 配置└── report— 指标上报

5.2 基础配置（日常调参）

以下是日常使用中最常调整的 6 个参数：

召回策略 —— recall

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

{  "recall": {    "enabled": true,    "maxResults": 5,    "scoreThreshold": 0.3,    "strategy": "hybrid"  }}

• strategy：keyword（仅 BM25）、embedding（仅向量）、hybrid（融合，推荐）
• scoreThreshold：分数阈值（0-1），越高越精确但可能漏召回。设为 0.5 以上可过滤低质量匹配
• maxResults：每次召回注入 Agent 上下文的记忆条数

管道触发频率 —— pipeline

• 1
• 2
• 3
• 4
• 5
• 6

{  "pipeline": {    "everyNConversations": 5,    "l1IdleTimeoutSeconds": 600  }}

• everyNConversations：每 N 轮对话触发一次 L1 记忆提取。高频交互（如编程助手）建议 3，低交互建议 10
• l1IdleTimeoutSeconds：会话空闲超过此时长视为"对话段结束"，单位秒

数据处理 —— capture + extraction

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

{  "capture": {    "enabled": true,    "l0l1RetentionDays": 90  },  "extraction": {    "enabled": true,    "dedupEnabled": true,    "maxMemoriesPerSession": 20  }}

• l0l1RetentionDays：设为 0 表示不自动清理；非 0 值至少为 3，1-2 天需开启 allowAggressiveCleanup
• dedupEnabled：建议始终保持开启，避免重复记忆膨胀
• maxMemoriesPerSession：单次会话最多提取的记忆数，防止单次长对话产生过多低质量记忆

存储后端 —— storeBackend

• 1
• 2
• 3

{  "storeBackend": "sqlite"}

• sqlite：本地存储，零配置，适合单机和个人使用
• tcvdb：腾讯云向量数据库，适合生产集群，需额外配置 tcvdb 组

上下文卸载 —— offload

• 1
• 2
• 3
• 4
• 5

{  "offload": {    "enabled": false  }}

对于平均对话超过 20 轮的场景，建议启用。

5.3 高级配置（深度定制）

独立 LLM 配置

默认情况下，记忆提取使用 OpenClaw 宿主 Agent 的 LLM。如需使用独立模型进行记忆处理：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

{  "llm": {    "enabled": true,    "provider": "openai",    "baseUrl": "https://api.openai.com/v1",    "apiKey": "${LLM_API_KEY}",    "model": "gpt-4o-mini",    "maxTokens": 4096,    "timeoutMs": 120000  }}

使用独立 LLM 的好处：记忆提取不占用 Agent 的上下文预算，且可选用更便宜的小模型（如 gpt-4o-mini）。

腾讯云向量数据库配置

切换到生产级托管向量库：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

{  "storeBackend": "tcvdb",  "tcvdb": {    "url": "https://your-instance.tcvdb.tencent.com",    "apiKey": "${TCVDB_API_KEY}",    "embedding": {      "model": "bge-large-zh",      "enabled": true    }  }}

此时 BM25 的稀疏向量编码在服务端执行（使用 bge-large-zh 中文模型），减少客户端计算开销。

指标上报

• 1
• 2
• 3
• 4
• 5

{  "report": {    "enabled": true  }}

开启后，日志中会输出结构化的 METRIC JSON，包含每次 Agent 对话的完整性能数据（用时、记忆条数、Token 消耗等），可用外部工具采集分析。

5.4 配置热更新

注意：所有配置修改后必须重启 Gateway 才能生效：

• 1

openclaw gateway restart

不支持运行时热重载。修改配置后如果没有重启，插件将继续使用旧配置运行——这是最常见的"配置改了但不生效"的原因。

6.1 召回策略选择

三种召回策略的适用场景：

• hybrid（推荐）：99% 的场景首选。BM25 提供关键词精确匹配，向量提供语义扩展，RRF 融合排序取两者之长
• keyword：适合用户查询高度结构化且关键词明确的场景。不依赖 Embedding API，纯本地运行
• embedding：适合用户查询以自然语言描述为主的场景。需要 Embedding API 可用

如果你的 Embedding API 尚未配置或不可用，系统会自动降级为纯 keyword 模式——确保基本功能始终可用。

6.2 管道触发频率调优

不同的 Agent 使用模式对应不同的最佳参数：

调优原则：频率越高，记忆建立越快，但 LLM 提取成本也越高。建议从默认值开始，根据实际使用效果逐步调整。

6.3 多 Agent 场景配置

如果你有多个 Agent 共用同一套记忆系统，使用 capture.excludeAgents 排除不需要记忆的 Agent：

• 1
• 2
• 3
• 4
• 5

{  "capture": {    "excludeAgents": ["health-check-bot", "log-analyzer"]  }}

支持 glob 模式匹配，如 "test-*" 排除所有以 test- 开头的 Agent。

对于需要独立记忆空间的多用户场景，每个用户的数据通过 session_key 自动隔离，无需额外配置。

6.4 安全最佳实践

• API 密钥始终使用环境变量注入（${VAR_NAME} 格式），不要硬编码在配置文件中
• 定期审查 ~/.openclaw/memory-tdai/ 目录，确保敏感信息没有被意外捕获为记忆
• 使用 l0l1RetentionDays 设置合理的数据保留期，默认 90 天
• 团队共享部署时，确保每个用户的 ~/.openclaw/memory-tdai/ 目录权限为 700
• 使用 openclaw.plugin.json 中的完整 schema 验证配置，避免无效参数导致静默失效

7.1 安装与启动问题

插件安装后看不到 [memory-tdai] 日志

排查步骤：

1. 确认 openclaw.json 中 "enabled": true（注意必须是布尔值，不能是字符串 "true"）
2. 确认已执行 openclaw gateway restart
3. 检查 Gateway 版本 ≥ 2026.3.13：openclaw --version
4. 查看 Gateway 完整日志，搜索 memory 关键词

Gateway 启动报错

常见原因：

• Node.js 版本过低（需要 ≥ 22.16.0）
• 插件依赖安装不完整：重新执行 openclaw plugins install @tencentdb-agent-memory/memory-tencentdb
• 配置文件 JSON 格式错误：用 python3 -m json.tool ~/.openclaw/openclaw.json 校验

7.2 记忆召回问题

Agent 不记得之前说过的话

按优先级排查：

1. recall.enabled 是否为 true（默认是 true，除非被覆盖为 false）
2. recall.scoreThreshold 是否设得过高（默认 0.3，设为 0.8 以上会导致大量记忆被过滤）
3. 对话轮数是否足够触发 L1 提取（默认需要 5 轮对话后才首次触发）
4. 新对话是否在同一 session 上下文中（跨 session 才能验证长期记忆效果）

召回的记忆不相关

调高 recall.scoreThreshold 到 0.5-0.6，过滤低质量匹配。或者将 recall.strategy 从 embedding 切换到 hybrid，利用关键词信号提升精确度。

7.3 向量搜索问题

向量搜索功能不工作

这是最常见的配置问题。确认 Embedding 配置的四个字段全部填写：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

{  "embedding": {    "provider": "openai",    "apiKey": "sk-xxx",    "baseUrl": "https://api.openai.com/v1",    "model": "text-embedding-3-small",    "dimensions": 1536  }}

四个字段 apiKey、baseUrl、model、dimensions 缺一不可——任一缺失都会导致静默降级为非向量模式，系统不会报错，但向量搜索失效。

检查方法：在日志中搜索 configError 或 降级 / degrad。

7.4 数据管理问题

数据占用空间过大

• 1
• 2
• 3
• 4
• 5

# 查看各目录大小du -sh ~/.openclaw/memory-tdai/*
# 手动触发清理（需配置 retentionDays > 0）# 清理在每日 cleanTime（默认 03:00）自动执行

从 SQLite 迁移到腾讯云向量数据库

• 1
• 2
• 3
• 4

migrate-sqlite-to-tcvdb \  --source ~/.openclaw/memory-tdai/vectors.db \  --target https://your-instance.tcvdb.tencent.com \  --api-key ${TCVDB_API_KEY}

迁移完成后，修改配置 "storeBackend": "tcvdb" 并重启 Gateway。

备份记忆数据

• 1
• 2
• 3
• 4
• 5

# 完整备份tar -czf memory-backup-$(date +%Y%m%d).tar.gz ~/.openclaw/memory-tdai/
# 仅备份 L3 画像（最有价值的部分）cp ~/.openclaw/memory-tdai/records/persona.md ./persona-backup.md

8.1 编程助手长期记忆配置

场景：你使用 OpenClaw 作为编程助手，希望它记住你的技术栈、项目结构和代码风格。

配置方案：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27

{  "plugins": {    "memory-tencentdb": {      "enabled": true,      "config": {        "pipeline": {          "everyNConversations": 3        },        "recall": {          "strategy": "hybrid",          "maxResults": 8,          "scoreThreshold": 0.35        },        "persona": {          "triggerEveryN": 30        },        "embedding": {          "provider": "openai",          "baseUrl": "https://api.openai.com/v1",          "apiKey": "${EMBEDDING_API_KEY}",          "model": "text-embedding-3-small",          "dimensions": 1536        }      }    }  }}

操作流程：

1. 前 3 天正常使用编程助手，无需刻意"训练"——系统自动从对话中提取技术栈、文件路径、代码风格等信息
2. 第 3 天后，在新对话中观察 Agent 的回复是否体现了个性化（如自动使用你偏好的框架和命名风格）
3. 通过 cat ~/.openclaw/memory-tdai/records/persona.md 查看自动生成的用户画像，验证准确性
4. 如发现不准确的记忆，等待下一轮 L2/L3 更新自动修正（或手动编辑 Markdown 文件）

调优技巧：编程助手对话频率高，将 everyNConversations 设为 3 可以更快建立记忆。同时将 maxResults 从默认 5 提高到 8，让 Agent 在编程任务中获取更多上下文。

8.2 企业知识库 Agent 部署

场景：团队使用 Agent 作为内部知识库助手，需要跨会话积累团队共享的领域知识。

配置方案：

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34

{  "plugins": {    "memory-tencentdb": {      "enabled": true,      "config": {        "storeBackend": "tcvdb",        "tcvdb": {          "url": "https://kb-instance.tcvdb.tencent.com",          "apiKey": "${TCVDB_API_KEY}"        },        "capture": {          "l0l1RetentionDays": 180,          "excludeAgents": ["monitor-bot"]        },        "extraction": {          "maxMemoriesPerSession": 30        },        "persona": {          "triggerEveryN": 20,          "maxScenes": 20        },        "pipeline": {          "everyNConversations": 3        },        "offload": {          "enabled": true        },        "report": {          "enabled": true        }      }    }  }}

操作流程：

1. 在共享服务器上部署 Hermes Gateway，所有团队成员通过同一个 Gateway 访问 Agent
2. 配置腾讯云向量数据库作为后端，确保团队规模扩展时检索性能不下降
3. 前两周让团队成员正常使用，系统自动从所有对话中提取跨用户的领域知识
4. 两周后审查 L2 场景块，确认系统归纳的领域知识准确
5. 开启 report 指标上报，监控记忆系统的性能趋势

注意事项：

• 将 l0l1RetentionDays 设为 180 天以满足企业知识管理的合规要求
• excludeAgents 排除监控机器人，避免其产生的噪音数据污染知识库
• 开启 offload 以应对知识库 Agent 常见的长对话场景
• 企业部署建议使用 tcvdb 后端而非本地 SQLite，以获得更好的并发性能

TencentDB Agent Memory 将 AI Agent 的记忆能力从"每次对话都是第一次见面"提升到"越用越懂你"的水平，且做到了开箱即用：

• 一条命令安装，默认配置即可工作——从零到记忆循环不超过 5 分钟
• 11 组配置覆盖从个人使用到企业集群的全部场景
• 白盒数据存储让记忆可审计、可调试、可备份
• 多级优雅降级保证了即使 Embedding API 不可用，核心记忆功能仍然正常运作
• 实测数据支撑：Token 消耗降低 61%，长期记忆准确率从 48% 提升到 76%

如果你的 Agent 需要长期交互能力，这是目前最成熟、文档最完善的开源方案之一。建议从默认配置开始使用一周，然后根据 6.2 节的调优指南逐步优化参数。

[1] TencentDB-Agent-Memory GitHub 仓库：https://github.com/Tencent/TencentDB-Agent-Memory

[2] OpenClaw 插件安装文档：https://github.com/openclaw/openclaw

[3] sqlite-vec 向量扩展：https://github.com/asg017/sqlite-vec

[4] 腾讯云向量数据库产品页：https://cloud.tencent.com/product/tcvdb

[5] Node.js 版本要求：https://nodejs.org/en/download