腾讯记忆生态

DB-Agent-Memory 精读：精读: tencentdb-agent-memory WeKnora（RAG 赛道）：精读: WeKnora MCP 拓扑：精读: MCP 记忆拓扑 OpenClaw 集成：精读: OpenClaw Memory Flush

调研元信息

一句话定位

腾讯在 Agent 记忆和知识管理领域形成了三件套——DB-Agent-Memory（记忆引擎）+ WeKnora（RAG/知识库）+ CodeBuddy/WorkBuddy（应用层）——三者分别解决”Agent 记什么”“Agent 查什么”“用户用什么”的问题 [已有][文档]。

记忆类型标注

日常类比

想象腾讯搭建了一个”企业知识大厦”：DB-Agent-Memory 是每个员工（Agent）的私人笔记本——从对话中自动记录、分层整理、按需查阅。WeKnora 是公司图书馆——管理外部文档、答案库、知识图谱。CodeBuddy/WorkBuddy 是前台服务人员——用户直接打交道的界面，背后调用笔记本和图书馆的能力。

类比边界：笔记本（Memory）和图书馆（RAG）在”提炼后知识”区域有重叠——Agent 从对话中学到的事实和图书馆中的结构化知识可能描述同一件事，但版本不一致。

生态全景图

flowchart TB
    subgraph user_layer["用户层"]
        CB["CodeBuddy<br/>Coding Agent"]
        WB["WorkBuddy<br/>办公 Agent"]
    end

    subgraph memory_layer["记忆层"]
        DBAM["DB-Agent-Memory<br/>四层金字塔<br/>Host-Adapter<br/>SQLite + sqlite-vec"]
    end

    subgraph knowledge_layer["知识层"]
        WK["WeKnora<br/>三路混合检索<br/>自维护 Wiki<br/>Go + EventManager"]
    end

    subgraph integration["集成层"]
        MCP["MCP Adapter"]
        OC_A["OpenClaw Adapter"]
        HM_A["Hermes Adapter"]
    end

    CB --> MCP
    WB --> MCP
    MCP --> DBAM
    OC_A --> DBAM
    HM_A --> DBAM
    CB -.-> WK
    WB -.-> WK

DB-Agent-Memory：记忆引擎

详见 精读: tencentdb-agent-memory

DB-Agent-Memory 是生态的核心组件——一个 TypeScript 实现的 Agent 记忆引擎，约 90 个文件，代码量在 7 个同类项目中最小 [已有]。

三大架构支柱（摘要）：

1. 四层语义金字塔：L0 原始对话 → L1 原子事实 → L2 场景块 → L3 用户画像，逐层自动蒸馏
2. MMD 注入优化：稳定区（L3+L2）前置利用 KV Cache 前缀匹配，动态区（L1+L0）后置
3. Host-Adapter 架构：记忆与框架解耦，已有 MCP / OpenClaw / Hermes 三个 Adapter

犀牛鸟核心价值：DB-Agent-Memory 每一层都可以优化——L1 提取精度、L2 聚合策略、L3 画像质量、MMD token 预算分配——这些都是有实质贡献空间的研究方向 [已有]。

WeKnora：RAG 引擎

详见 精读: WeKnora

WeKnora 是腾讯 IMA 团队的 Go 语言 RAG 引擎，与 DB-Agent-Memory 在同一个犀牛鸟赛道中 [已有]。

核心差异化：

• 三路混合检索：BM25 + 向量 + 知识图谱，RRF 融合（k=60）
• 复合 Rerank：0.6 模型分 + 0.3 基础分 + 0.1 来源可信度
• 自维护 Wiki：知识库主动巡检发现过期/矛盾内容（wiki/inspector.go）
• EventManager + Plugin 管线：全流程可插拔

CodeBuddy / WorkBuddy：应用层

CodeBuddy 和 WorkBuddy 是腾讯面向开发者和办公用户的 AI Agent 产品 [文档]。

CodeBuddy（犀牛鸟官方 Coding Agent 工具）：

• 基于 VS Code 插件或独立客户端
• 犀牛鸟参赛项目可与 CodeBuddy 集成
• 具体记忆实现细节未开源，标注 [文档]

WorkBuddy（办公场景 Agent）：

• 面向企业用户的智能助手
• 可接入 WeKnora 作为知识检索后端
• 具体架构未公开

标注：CodeBuddy/WorkBuddy 的内部实现信息有限，以下分析基于公开文档和犀牛鸟赛道描述推导。

记忆与知识的分工

这是腾讯生态中最值得关注的架构决策——DB-Agent-Memory 和 WeKnora 如何分工：

重叠区域

两者在”提炼后知识管理”区域存在功能重叠 [已有]：

flowchart LR
    subgraph memory["DB-Agent-Memory"]
        L0["L0 对话"] --> L1["L1 事实"]
        L1 --> L2["L2 场景"]
        L2 --> L3["L3 画像"]
    end

    subgraph overlap["重叠区"]
        FACTS["提炼后事实/知识"]
    end

    subgraph rag["WeKnora"]
        DOC["文档"] --> CHUNK["切片"]
        CHUNK --> KG["知识图谱"]
        KG --> WIKI["自维护 Wiki"]
    end

    L1 -.-> FACTS
    KG -.-> FACTS

潜在冲突场景：Agent 从对话中学到”项目 X 使用 Redis 缓存”（L1 事实），但 WeKnora 的知识库文档中写着”项目 X 已迁移到 Memcached”。目前没有跨系统的冲突检测机制。

犀牛鸟集成方向

基于以上生态分析，犀牛鸟参赛的潜在贡献方向：

方向 1：DB-Agent-Memory 核心优化

每层金字塔都有优化空间：L1 事实提取的准确率、L2 场景聚合的策略（基于时间窗口 vs 语义相似度）、L3 画像的增量更新（避免全量重建）、MMD token 预算的自适应分配 [已有]。

方向 2：记忆-知识跨系统一致性

设计 DB-Agent-Memory 和 WeKnora 之间的同步/冲突解决机制——当 L1 事实与 WeKnora 知识图谱矛盾时，由谁的数据为准？可以按新鲜度、数据源可信度等维度设计仲裁规则。

方向 3：MCP Adapter 增强

当前 MCP Adapter 可能只暴露了基础的 add/search 操作。增强方向包括：暴露分层检索（指定 L1/L2/L3 级别查询）、暴露 MMD 全文获取、支持批量操作、支持 workspace 隔离参数。

方向 4：Dreaming/整合机制

借鉴 OpenClaw 的 Dreaming（日记→长期记忆晋升）和 MemOS 的 Dream Pipeline（空闲时巩固），为 DB-Agent-Memory 增加后台整合机制——在 Agent 空闲时自动：去重 L1 事实、发现 L2 场景间的关联、更新 L3 画像。

局限性

1. CodeBuddy/WorkBuddy 信息有限：内部架构未公开，分析基于公开文档推导 [文档]。
2. WeKnora 与 DB-Agent-Memory 的实际集成状态不确定：两者是否已在生产中协同运行，或仍然是独立系统 [不确定]。
3. 犀牛鸟集成方向为推导：尚未与赛道导师确认可行性 [推导]。

证据等级汇总