TencentDB-Agent-Memory 上手初体验发现它不只是记忆框架——智能体基建系列

TencentDB-Agent-Memory 上手初体验发现它不只是记忆框架——智能体基建系列上一篇《智能体记忆的赛道地图》把开源记忆赛道分成了六块其中 TencentDB-Agent-Memory 是星涨得最猛的那个8 月 v2.0 团队版发布后一周冲上 GitHub 周趋势榜第一如今约 2.1 万星。那么现在是不是值得去用起来光看架构图也看不出实际用起来是什么感觉。与其隔着屏幕猜不如自己上手跑一遍。一、部署Docker WSL部署本身不复杂按照官方教程走 Docker 安装。安装过程中需要执行 bash 脚本Windows 上直接跑不方便我装到了 WSL 里。按教程拉镜像、起容器、配环境变量就行不做赘述。二、Memory Hub先建团队再建智能体装好后用 admin 账号登录 Memory Hub第一件事是新建团队。我建了个飞虎队然后在团队里新建了一个成员。接着用新成员的身份登录在智能体管理里建了几个智能体Code Reviewer、Bug fixer、Review Handler。最后在任务看板里新建了 task这个体验Claude Code对话时要用到下文会说到这个坑。这套流程走下来第一个直观感受是它默认的组织方式就是团队 多智能体 任务而不是一个 Agent 配一个记忆库。admin 管团队和成员成员建智能体智能体挂在任务下干活。这跟 Mem0、Zep 那种给单个 Agent 加记忆的定位从一开始就不是一回事。换句话说它一上来就假设你有一个团队、有多个智能体在协作而不是一个人给一个 Agent 加个记忆库。三、Claude Code 对接第一轮对话按官方教程配置 Claude Code 对接后在 Claude Code 里发起会话会弹出一个选择表单让你选前面创建的智能体、任务等。选好之后正常对话几轮下来回到 Memory Hub 的 chat_memory 就能看到对话数据了。整个链路是通的Claude Code 里聊数据落到 Memory Hub。这里补充说明一下踩过的坑使用之前必须先创建 task、agent再在 Claude Code 里发起对话否则不会弹出选择表单对话也不会记录到 chat_memory但是Cladue Code中整个对话还是能走通的。四、不是简单的智能体记忆Wiki知识库、Code Graph、Skill除了编码场景我还试了另外三个模块。Wiki 知识库这是灵感来自 Karpathy 的 LLM 知识库。导入文档后能看到知识图谱。我导入了之前写的一篇文章等了一段时间它就形成了知识图谱。对团队沉淀文档、让智能体基于文档回答这个挺实用。Code Graph目前似乎只能注册开源的代码仓库私有仓库没有找到可以配置密钥或者用户名密码的地方。接入之后可以做代码探索比如搜索项目在哪些地方使用了 AI。对想给智能体接代码库、做代码问答的团队这是个入口。Skill 技能用户可以自己导入技能并且可以在团队间分享。官方文档里提到Agent 做完复杂工作后可以从对话和工具调用中提炼和管理可复用 Skill。这个我还没试到但方向很有意思——如果真能从对话里自动提炼可复用的技能团队的经验就能沉淀下来而不是散在每个人的对话里。五、踩坑CREDIT_REPORT 报错试用过程中Proxy 日志里一直有报错26-08-14 14:15:13.119 ERROR pipeline.error {requestId:[01a000a0],stage:CREDIT_REPORT,error:[stream] spaceIddefault errorfetch failed respnull,error.message:[stream] spaceIddefault errorfetch failed respnull,error.name:Error}排查下来根因是config.yaml 里没有配置 creditReport.urlproxy 用了默认值 http://gateway.example.com:8000/UpdateMemoryPlusUsage 。每次请求完成后proxy会尝试 POST 用量到这个不存在的地址自然 fetch failed于是记录 CREDIT_REPORT 错误。不过它完全不影响主流程。对于我目前来说不需要用量上报本地自用可以忽略。结尾跑完这一圈我的判断是TencentDB-Agent-Memory 已经不是简单的智能体记忆框架了。它同时是团队进行智能体开发、共享知识的框架——团队、成员、智能体、任务、Wiki、Skill、Code Graph这一整套东西更像企业知识管理那套 Confluence 加 Jira 的路线而不是 Mem0 那种给单个 Agent 加个记忆的轻量方案。上一篇赛道地图里我说它重治理而非记忆精度上手之后这个判断基本成立而且比预想的更彻底它连智能体的创建、任务的分配、代码库的探索都管了。所以它适合谁适合有团队协作需求、想把智能体开发流程和知识沉淀一起管起来的团队。如果你只是个人想给 Agent 加个记忆它可能偏重了Mem0 那类更合适。但如果你要的是团队一起开发智能体、共享知识目前开源里它是最接近这个定位的一个。