TencentDB Agent Memory技能生成分层：从执行轨迹到标准SOP的转化

2026/8/8 19:26:43 拓冰建站浏览量

TencentDB Agent Memory技能生成分层：从执行轨迹到标准SOP的转化

【免费下载链接】TencentDB-Agent-MemoryTencentDB Agent Memory is a team-level memory hub for AI Agents — turning conversations, docs, and code into four reusable memory assets (Chat Memory, Skill, LLM-Wiki, Code-Graph) that are governed, shared, and equipped across agents and frameworks.项目地址: https://gitcode.com/GitHub_Trending/te/TencentDB-Agent-Memory

TencentDB Agent Memory是一款团队级AI Agent记忆中枢，它能够将对话、文档和代码转化为四种可复用的记忆资产（聊天记忆、技能、LLM维基、代码图谱），并在Agent和框架之间进行治理、共享和配备。本文将深入探讨其技能生成的分层机制，展示如何从底层执行轨迹逐步转化为高层标准SOP。

为什么需要技能生成分层？

在实际使用AI Agent时，我们常常需要反复向Agent解释相同的SOPs、项目背景、工具约定和输出格式。这些信息不应该每次都重新解释，也不应该被不加区分地全部塞进上下文。TencentDB Agent Memory通过技能生成分层解决了这一问题，让Agent能够学习工作流程、保留任务上下文并重用过去的经验。

技能生成分层的核心架构

TencentDB Agent Memory采用分层作为统一的架构范式，技能生成也不例外。其分层结构如下：

图：TencentDB Agent Memory技能生成分层金字塔，展示了从原始对话到服务画像的转化过程

L0：原始执行轨迹（Conversation）

最底层是L0原始执行轨迹，包括完整的对话记录和事件流。这一层确保原始信息不丢失，为后续的分析提供证据基础。所有的工具调用、错误日志和交互过程都被完整记录下来。

相关实现可以在src/core/conversation/l0-recorder.ts中找到，它负责捕获和存储所有原始对话数据。

L1：原子记忆（Atomic Memory）

从L0原始轨迹中，系统自动提取事实、偏好、约束和状态，形成L1原子记忆。这一层能够从噪声中稳定地提取关键信息，为上层提供结构化的事实基础。

L1提取的实现主要在src/core/record/l1-extractor.ts，它使用自然语言处理技术从原始对话中提取结构化信息。

L2：场景块（Scenario Block）

L2场景块是按项目、主题或工作流场景聚类的记忆单元。它能够带着上下文进行召回，减少跨场景的误用。这一层从L1原子记忆中归纳出共性的解决模式，形成可复用的场景化知识。

场景提取和管理的代码位于src/core/scene/目录下，特别是scene-extractor.ts和scene-index.ts。

L3：角色画像（Persona）

最顶层是L3角色画像，它包含稳定的用户偏好与服务方式画像，让Agent能够按照用户习惯协作。这一层从L2场景块中提炼出可直接挂载复用的Skill或标准SOP代码。

角色生成相关的代码可以在src/core/persona/目录中找到，包括persona-generator.ts和persona-trigger.ts。

从执行轨迹到标准SOP的转化过程

技能生成的分层转化过程可以概括为：

收集与存储（L0）：通过src/core/conversation/l0-recorder.ts记录所有Agent的执行轨迹和交互历史。
提取与结构化（L1）：使用src/core/record/l1-extractor.ts从原始轨迹中提取关键信息，形成结构化的原子记忆。
聚类与模式识别（L2）：通过src/core/scene/scene-extractor.ts将原子记忆按场景聚类，识别出共性的解决模式。
提炼与标准化（L3）：最后，利用src/core/persona/persona-generator.ts从场景模式中提炼出可复用的标准SOP。

这个过程不是单向的，而是一个循环迭代的过程。随着新的执行轨迹的加入，系统会不断更新和优化各层的记忆内容，使SOP越来越完善和精准。

技能生成分层的优势

提高效率：避免重复解释相同的流程和规则，节省时间和资源。
增强一致性：标准SOP确保所有Agent遵循相同的工作流程和规范。
促进知识复用：不同Agent和项目之间可以共享和重用已有的技能和SOP。
支持持续改进：通过分析执行轨迹和实际应用情况，不断优化和完善SOP。
降低认知负担：分层结构让用户可以专注于高层决策，而不必关注底层细节。

实际应用案例：Bug修复SOP生成

在项目的scripts/bugfix-20260423/目录下，我们可以看到一个实际的SOP应用案例。其中的BUGFIX-20260423-SOP.md文档提供了一个完整的bug修复标准操作流程。

这个SOP就是通过技能生成分层机制从多次bug修复的执行轨迹中提炼而来的。它包含了轻量版脚本、全自动脚本和手动SOP文档，展示了如何将经验转化为可复用的标准流程。

如何开始使用技能生成分层

要在您的项目中启用技能生成分层，只需按照以下步骤操作：

克隆仓库：

git clone https://gitcode.com/GitHub_Trending/te/TencentDB-Agent-Memory

安装OpenClaw插件：

openclaw plugins install @tencentdb-agent-memory/memory-tencentdb openclaw gateway restart

在配置文件中启用：

// ~/.openclaw/openclaw.json { "memory-tencentdb": { "enabled": true } }

启用后，TencentDB Agent Memory会自动处理对话捕获、记忆提取、场景聚合、角色生成和下一轮之前的召回。

结语

TencentDB Agent Memory的技能生成分层机制为AI Agent的知识管理和技能复用提供了一个强大的解决方案。通过从执行轨迹到标准SOP的分层转化，它不仅提高了Agent的工作效率和一致性，也减轻了人类用户的认知负担，让人们可以更专注于判断、创造和真正重要的工作。

随着技术的不断发展，TencentDB Agent Memory还将支持跨Agent、跨框架、跨设备的可移植内存，以及自动技能生成和可视化调试等高级功能，为AI Agent的应用开辟更广阔的前景。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

建站实战干货

TencentDB Agent Memory技能生成分层：从执行轨迹到标准SOP的转化