Koniec z amnezją agentów AI: Tencent udostępnia hierarchiczny system pamięci
Większość autonomicznych agentów AI cierpi na specyficzny rodzaj cyfrowej demencji. Gdy sesja się wydłuża, gubią wątek, zapominają o preferencjach użytkownika i marnotrawią tysiące dolarów na mielenie tych samych danych w oknie kontekstowym. 14 maja 2026 r. Tencent Cloud wykonał ruch, który może to zmienić, udostępniając na licencji MIT kod źródłowy TencentDB Agent Memory. To system hierarchicznej pamięci, który zamiast wrzucać wszystko do jednego worka, sortuje informacje niczym sprawny archiwista.
Dlaczego to ważne właśnie teraz? Branża AI doszła do ściany w kwestii kosztów obsługi zapytań. Deweloperzy nie mogą w nieskończoność powiększać okna kontekstowego, bo rachunki za tokeny rosną wykładniczo. Rynek desperacko szuka sposobów na budowę trwałej pamięci, która pozwoli agentom pracować nad złożonymi, wielodniowymi projektami bez utraty spójności. Rozwiązanie Tencenta uderza dokładnie w ten punkt zapalny, oferując darmowe narzędzie do radykalnej optymalizacji zasobów.
Czterowarstwowa piramida zamiast chaosu
Współczesne systemy zazwyczaj traktują dane płasko – szatkują tekst na fragmenty i szukają podobieństw semantycznych. TencentDB Agent Memory wprowadza strukturę pionową. Dane są porządkowane od surowych dialogów (L0), przez fakty (L1) i scenariusze (L2), aż po L3 Persona – najwyższy poziom opisujący profil użytkownika. Efekty? W testach PersonaMem trafność rozumienia profilu klienta wzrosła z 48% do 76%.
Co istotne dla inżynierów, domyślnym silnikiem bazy danych jest lokalny SQLite z rozszerzeniem sqlite-vec. Pozwala to na pracę w środowisku lokalnym, eliminując opóźnienia sieciowe i ryzyko wycieku danych do chmury, choć system wspiera też skalowalne rozwiązania typu Tencent Cloud Vector Database.
Technika Mermaid i walka o tokeny
Najciekawszym elementem architektury jest tzw. context offloading. Zamiast zapychać pamięć operacyjną modelu ciężkimi logami, system wyrzuca pełne dane do zewnętrznego magazynu. W oknie kontekstowym agenta zostaje jedynie lekki graf zadań zapisany w składni Mermaid. Team Tencent Cloud Database tłumaczy, że system „wykorzystuje technikę Mermaid Task Canvas, odciążając okno kontekstowe przy jednoczesnym zachowaniu kluczowych stanów i ścieżek wykonania zadania”.
Liczby bronią tego podejścia. W scenariuszach web-search integracja systemu pozwoliła na redukcję zużycia tokenów o 61%, a skuteczność wykonywanych zadań wzrosła o 52% względem standardowej architektury. Z kolei w zadaniach związanych z naprawą kodu (testy SWE-bench), agenci zużywali o 33% mniej tokenów, podnosząc przy tym wskaźnik ukończenia zadań o 10 punktów procentowych.
Szybka wdrożenie i ekosystem
Tencent nie tworzy zamkniętej wyspy. System jest już kompatybilny z popularnymi frameworkami OpenClaw i Hermes. Dla deweloperów oznacza to możliwość integracji typu „one-click” za pomocą pakietów npm lub obrazów Docker. Dzięki hybrydowemu wyszukiwaniu (łączenie algorytmu RRF z tradycyjnym BM25), agenci radzą sobie równie dobrze z rozmytymi zapytaniami w języku naturalnym, jak i z precyzyjnym wyłapywaniem technicznych słów kluczowych. To pragmatyczne narzędzie w świecie, w którym efektywność kosztowa staje się równie ważna, co sama inteligencja modelu.
