Tencent Cloud udostępnia TencentDB Agent Memory v2.0 jako otwarte źródło: centrum pamięci dla agentów AI

Tencent Cloud udostępniło TencentDB Agent Memory w wersji 2.0 jako otwarte źródło. Jest to innowacyjne centrum pamięci na poziomie zespołowym, zaprojektowane z myślą o agentach sztucznej inteligencji. Główna idea rozwiązania jest prosta: jeśli kontekst projektu został już raz wyjaśniony, nie ma potrzeby powtarzania go w każdej nowej sesji. System przekształca rozmowy, dokumenty i kod w cztery typy zasobów pamięci, które są wersjonowane, posiadają uprawnienia i mogą być przypisywane do konkretnych agentów.

Pamięć dla pojedynczego agenta nie jest nowością, jednak TencentDB Agent Memory v2.0 wprowadza warstwę zarządzania, która umożliwia agentowi jednego członka zespołu odczytywanie informacji zdobytych przez agenta innego członka, bez ujawniania danych oznaczonych jako prywatne. Stabilna wersja 2.0.0 została opublikowana 3 sierpnia 2026 roku.

Architektura i zasoby pamięci

System TencentDB Agent Memory v2.0 jest w pełni gotowy do wdrożenia. Dostępny jest na licencji MIT i może być hostowany samodzielnie. Trzy obrazy Docker opublikowane na Docker Hub uruchamiane są za pomocą jednego polecenia, a kompilacje multi-arch obejmują środowiska linux/amd64 i linux/arm64.

System konwertuje dane robocze na cztery typy zasobów:

• Chat Memory: Przechowuje i organizuje rozmowy.
• Skill: Reprezentuje umiejętności agenta.
• LLM-Wiki: Baza wiedzy dla dużych modeli językowych.
• Code-Graph: Graficzne przedstawienie kodu.

Wszystkie cztery typy są jednolicie rejestrowane jako Zasoby Pamięci, co oznacza, że zarządzanie własnością, wersjonowaniem, statusem i widocznością jest identyczne dla każdego z nich.

Zarządzanie pamięcią i kontekstem

Chat Memory nie jest płaska. Rozmowy są początkowo zapisywane jako poziom L0, a następnie asynchroniczny potok przetwarza je na L1 Atom, L2 Scenario i L3 Core/Persona. Proces wyszukiwania również jest warstwowy. Poziomy L2 i L3 zapewniają szybkie uruchomienie kontekstu. Gdy potrzebne są konkretne fakty, system wykorzystuje kombinację BM25, wyszukiwania wektorowego i RRF, cofając się do poziomów L1 i L0. Wyniki są ograniczone liczbą elementów, budżetem znaków i limitem czasu, aby pamięć nie zaśmiecała okna kontekstowego.

Standardowe systemy RAG (Retrieval-Augmented Generation) odpowiadają na pytania, które można znaleźć w dostępnych danych. Memory Hub idzie o krok dalej, odpowiadając również na pytania dotyczące tego, kto może używać danego zasobu, która wersja jest prawidłowa i który agent go otrzyma. Widoczność zasobów może być ustawiona jako prywatna, zespołowa lub ograniczona, z opcją przypisania do konkretnego agenta. Zgodnie z plikiem README, zasoby prywatne są dostępne tylko dla właściciela i nie mogą być odczytane nawet przez administratorów zespołu. Nowe Chat Memory i Skills domyślnie są prywatne, co oznacza, że udostępnianie wymaga jawnego działania.

Memory Hub wykorzystuje stałe wiązanie plus ACL (Access Control List): najpierw filtruje dane według zespołu, użytkownika, agenta i widoczności, a następnie dokonuje wyszukiwania.

Integracja i nowe funkcje

Memory Proxy obsługuje zarówno protokoły Anthropic, jak i OpenAI, udostępniając punkty końcowe /claude-code/spaceId/v1/messages i /v1/chat/completions. W pierwszej turze sessionInit używa natywnego narzędzia Claude Code AskUserQuestion do wyboru zespołu, agenta i zadania. Każda kolejna tura wstrzykuje pamięć L2/L3 agenta, dopasowane umiejętności i wiedzę do promptu systemowego przed przekazaniem ich dalej.

Domyślne porty to 8420 dla Memory Core, 8125 dla panelu, 8424 dla usługi wiedzy i 8096 dla proxy, zgodnie z dokumentacją INSTALL.md. Oficjalne SDK są dostępne dla TypeScript i Pythona. Obsługiwane integracje to OpenClaw, Hermes, Claude Code, CodeBuddy oraz bezpośrednie użycie SDK.

Wersja 2.0.0 wprowadza kilka nowych funkcji, w tym wymuszone archiwizowanie umiejętności, zaplanowaną synchronizację repozytorium CodeGraph, zarządzanie zasobami przez administratora systemu, przełączanie panelu między językiem angielskim i chińskim oraz Cost Guard, który przypisuje tańsze modele do konkretnych agentów.

Raporty wskazują na wzrost dokładności PersonaMem z 48% do 76%, co stanowi 59% względnej poprawy. Należy jednak zaznaczyć, że ta liczba jest zgłaszana przez twórców i nie opublikowano niezależnej reprodukcji tych wyników.

Znaczenie dla rozwoju AI

Udostępnienie TencentDB Agent Memory v2.0 jako otwartego źródła stanowi znaczący krok w kierunku demokratyzacji zaawansowanych narzędzi AI. Umożliwienie zespołom efektywnego zarządzania i współdzielenia kontekstu między agentami AI może przyspieszyć rozwój i wdrożenie inteligentnych systemów w różnych branżach. Rozwiązanie to, ze swoją modułową architekturą i elastycznymi opcjami wdrożenia, ma potencjał, aby stać się kluczowym elementem w budowaniu bardziej spójnych i wydajnych ekosystemów agentów AI, szczególnie w obszarze kodowania i zarządzania wiedzą projektową.

Źródło: marktechpost.com