Tencent Cloud ra mắt TencentDB Agent Memory v2.0: Hệ thống quản trị bộ nhớ tập trung cho AI Agent

Tencent Cloud đã mã nguồn mở TencentDB Agent Memory v2.0, một trung tâm bộ nhớ cấp nhóm dành cho các AI agent. Ý tưởng rất đơn giản: nếu ngữ cảnh dự án đã được giải thích một lần, phiên làm việc mới không cần phải lặp lại điều đó. Hệ thống chuyển đổi các cuộc hội thoại, tài liệu và mã nguồn thành bốn tài sản bộ nhớ có thể tái sử dụng — Chat Memory, Skill, LLM-Wiki và Code-Graph — được đánh phiên bản, phân quyền và trang bị cho các agent cụ thể. Bộ nhớ cho từng agent đơn lẻ không phải là điều mới mẻ. Điểm mới ở đây là lớp quản trị, cho phép agent của đồng nghiệp đọc những gì agent của bạn đã học mà không làm rò rỉ bất kỳ thông tin nào bạn đánh dấu là riêng tư. Phiên bản ổn định 2.0.0 đã được phát hành vào ngày 3 tháng 8 năm 2026.

Nó có thể triển khai được không?

Có, nó có thể triển khai được. TencentDB Agent Memory sử dụng giấy phép MIT và hỗ trợ tự lưu trữ (self-hosted). Ba Docker image được xuất bản lên Docker Hub có thể khởi chạy chỉ với một lệnh, và các bản dựng đa kiến trúc hỗ trợ cả linux/amd64 và linux/arm64.

Bốn tài sản bộ nhớ

Hệ thống chuyển đổi công việc thành bốn loại tài sản:

Cả bốn loại đều được đăng ký đồng nhất dưới dạng Memory Assets, vì vậy quyền sở hữu, phiên bản, trạng thái và khả năng hiển thị đều hoạt động giống hệt nhau trên tất cả các loại này.

Chưng cất phân lớp, truy xuất theo ngân sách

Chat Memory không phải là một cấu trúc phẳng. Các cuộc hội thoại được lưu dưới dạng L0, sau đó một quy trình bất đồng bộ sẽ tinh chỉnh chúng thành L1 Atom, L2 Scenario và L3 Core/Persona. Việc truy xuất cũng được phân lớp. L2 và L3 cung cấp khả năng khởi tạo ngữ cảnh nhanh chóng. Khi cần các dữ kiện cụ thể, BM25 kết hợp với truy xuất vector và RRF sẽ quay lui về L1 và L0. Kết quả được giới hạn bởi số lượng mục, ngân sách ký tự và thời gian chờ, nhờ đó bộ nhớ không làm tràn cửa sổ ngữ cảnh.

Quản trị là yếu tố tạo nên sự khác biệt thực sự

RAG tiêu chuẩn trả lời những gì có thể tìm thấy. Hub này còn trả lời ai được phép sử dụng nó, phiên bản nào hợp lệ và agent nào nhận được nó. Khả năng hiển thị được phân thành riêng tư (private), nhóm (team) và hạn chế (restricted), với agent được trang bị mục tiêu. Theo README, chế độ riêng tư chỉ dành cho chủ sở hữu, ngay cả quản trị viên nhóm cũng không thể đọc được. Chat Memory và Skills mới mặc định ở chế độ riêng tư, khiến việc chia sẻ trở thành một hành động cần được thực hiện chủ động.

Memory Hub sử dụng liên kết cố định cộng với ACL: thu hẹp phạm vi theo nhóm, người dùng, agent và khả năng hiển thị trước, sau đó mới thực hiện truy xuất.

Kết nối các agent

Memory Proxy hỗ trợ cả giao thức của Anthropic và OpenAI, cung cấp các endpoint /claude-code/<spaceId>/v1/messages và /v1/chat/completions. Ở lượt đầu tiên, sessionInit sử dụng công cụ AskUserQuestion gốc của Claude Code để chọn nhóm, agent và tác vụ. Mọi lượt tiếp theo đều đưa bộ nhớ L2/L3, các kỹ năng và kiến thức phù hợp của agent đó vào system prompt trước khi chuyển tiếp lên thượng nguồn.

Các cổng mặc định là 8420 cho Memory Core, 8125 cho bảng điều khiển, 8424 cho dịch vụ kiến thức và 8096 cho proxy, theo INSTALL.md. Các SDK chính thức được cung cấp cho TypeScript và Python. Các tích hợp được hỗ trợ bao gồm OpenClaw, Hermes, Claude Code, CodeBuddy và sử dụng SDK trực tiếp.

Phiên bản 2.0.0 bổ sung tính năng lưu trữ bắt buộc cho Skill, đồng bộ hóa kho lưu trữ CodeGraph theo lịch trình, quản lý tài sản bởi quản trị viên hệ thống, chuyển đổi bảng điều khiển giữa tiếng Anh/tiếng Trung và Cost Guard giúp gán các mô hình rẻ hơn cho các agent cụ thể.

Kết quả báo cáo

Báo cáo cho thấy độ chính xác của PersonaMem tăng từ 48% lên 76%, cải thiện tương đối 59%. Con số đó là do tự báo cáo và chưa có kết quả kiểm chứng độc lập nào được công bố.

Những điểm chính cần lưu ý

Hãy xem kho lưu trữ GitHub, CHANGELOG, INSTALL.md và Knowledge OpenAPI. Ngoài ra, đừng quên theo dõi chúng tôi trên Twitter, tham gia cộng đồng 150k+ ML SubReddit và đăng ký nhận bản tin của chúng tôi. Khoan đã! Bạn có dùng Telegram không? Bây giờ bạn cũng có thể tham gia cùng chúng tôi trên Telegram.

Bạn cần hợp tác với chúng tôi để quảng bá GitHub Repo, trang Hugging Face, bản phát hành sản phẩm hoặc hội thảo trực tuyến, v.v.? Hãy kết nối với chúng tôi.

Michal Sutter là một chuyên gia khoa học dữ liệu với bằng Thạc sĩ Khoa học Dữ liệu từ Đại học Padova. Với nền tảng vững chắc về phân tích thống kê, học máy và kỹ thuật dữ liệu, Michal xuất sắc trong việc chuyển đổi các tập dữ liệu phức tạp thành những thông tin chi tiết có giá trị thực tiễn.