QwenPaw × TencentDB-Agent-Memory：知识工程架构对比与合体实践

Agent 的记忆不应该只是"聊天记录仓库"，而应该成为可沉淀、可共享、可治理的资产。本文从 QwenPaw 的知识工程架构讲起，对比腾讯云开源的 TencentDB-Agent-Memory，并给出二者结合使用的完整方案。

一、QwenPaw 的知识工程架构

QwenPaw 的"知识工程"核心是长期记忆（Long-term Memory）系统，由进程内嵌入的 ReMe（ReMeLight） 应用驱动。设计上受 OpenClaw 启发，由 AgentScope 团队的 ReMe 项目以 ReMeLight 形态实现——以文件系统为存储后端，记忆即 Markdown 文件，可直接读取、编辑与迁移。

1.1 总体架构

用户/Agent → MemoryMiddleware → ReMeLightMemoryManager → 嵌入式 ReMe 应用
                                                              │
                                     ┌────────────┬───────────┼────────────┬──────────┐
                                     ▼            ▼           ▼            ▼          ▼
                                 auto_memory  auto_dream  auto_resource  search   reindex
                                     │            │           │            │
                              memory/YYYY-MM-DD  digest/    resource/   BM25+向量
                              /*.md + mem_session  /*.md +   外部文件 →    加权 RRF
                              /dialog/*.jsonl   interests    daily note   融合检索

1.2 五大核心能力

此外还有 Inbox 通知：auto_memory / auto_dream / auto_resource 产生结果时推送到 QwenPaw inbox。

1.3 记忆文件结构

workspace/
├── memory/          # 每日记忆 note（memory/YYYY-MM-DD/*.md）+ index + interests.yaml
├── mem_session/     # 来源对话 JSONL（dialog/<session_id>.jsonl）
├── digest/          # 长期提炼记忆（personal / procedure / wiki）
├── resource/        # 监听的外部资源（可带日期子目录）
└── mem_metadata/    # ReMe 索引、catalog、graph、embedding 缓存

每日记忆通过 frontmatter 的 session_id / source_conversation 链接回来源会话，同一会话的新内容会更新既有 note 而不是无限创建重复文件。

1.4 混合检索原理

memory_search 调用 ReMe 的 search job：

1. BM25 关键词检索：基于词频的子串匹配，对精确 token（函数名、错误码、文件名）命中极佳；
2. 向量语义检索：文本映射到高维向量空间算余弦相似度，能召回"意思相近但措辞不同"的内容；需配置 embedding（支持 openai / dashscope / gemini / ollama 后端）；
3. 加权 RRF 融合：两路结果按 chunk 去重后叠加排名贡献——向量 0.7 / (60 + rank)，关键词 0.3 / (60 + rank)，按融合分数降序返回 top-N。

单独用任何一种检索都存在盲区（向量对精确 token 弱、BM25 不懂语义），混合检索让两种信号互补。

1.5 配置要点

• 配置位于 agent.json 的 running.reme_light_memory_config；
• 关键项：auto_memory_interval（默认 5）、dream_cron（默认 0 23 * * *）、summarize_when_compact（默认 true）；
• 向量检索仅在配置了 embedding 模型后启用；Ollama embedding 只需 model_name 非空即可。

二、TencentDB-Agent-Memory 架构

腾讯云开源的 TencentDB-Agent-Memory 是团队级、跨框架的记忆中枢（Memory Hub），独立服务化部署。核心定位：把"已经解释过的项目上下文、已经读过的文档、已经验证过的工作流"沉淀为可复用资产。

2.1 组件构成

2.2 四种记忆资产

1. Chat Memory：对话分层蒸馏——L0 原始对话 → L1 原子事实 → L2 场景 → L3 人设/核心画像；
2. Skill：从复杂工作中提炼的可复用技能，带版本、资源文件、触发边界、执行步骤、验证规则；
3. LLM-Wiki：把产品文档、设计文档、运维手册转成结构化页面 + 链接图谱（灵感来自 Karpathy 的 LLM 知识库）；
4. CodeGraph：索引代码符号、文件、调用关系、影响路径，改代码前先查影响面。

2.3 治理与共享

• 资产统一登记，管理 所有权、版本、状态、可见性、使用次数、Agent 绑定；
• 可见性四档：private（仅 Owner）/ team（团队成员可读）/ restricted（User/Role/Agent ACL 精确授权）/ agent（定向装备）；
• 两级角色：全局 System Admin + 团队级 Admin/Member；
• Agent Loadout：给不同 Agent 绑定不同记忆资产，按需配给，减少噪声。

2.4 冷启动

可直接导入已有资产：代码库 → CodeGraph、文档 → Wiki、历史会话 → Skill 与 Chat Memory。新 Agent 团队第一天就能从已有经验出发，不用从零学起。

2.5 检索机制

生成与检索都分层：平时用 L2/L3 快速恢复上下文；需要精确事实时，BM25 + 向量检索 + RRF 回退到 L1/L0。结果按条目数、字符预算、超时限制封顶，防止记忆撑爆上下文窗口。

三、两者对比

共同点：都做对话事实抽取、记忆分层提炼、混合检索（BM25+向量+RRF）；QwenPaw 记忆机制受 OpenClaw 启发，而 TencentDB-Agent-Memory 恰好是 OpenClaw 生态成员。

一句话总结：QwenPaw 是"给你自己装一个本地笔记本"（轻量、文件即记忆、零部署）；TencentDB-Agent-Memory 是"给整个团队建一座图书馆+档案室"（重治理、跨框架共享、含代码/文档图谱）。

四、如何结合使用

两者不是竞争关系，而是互补。QwenPaw 管个人快速记忆，TencentDB 管团队共享资产。

4.1 分层架构

┌───────────────────────────── QwenPaw（Agent 运行时）────────────────────────────┐
│  ReMeLight 个人记忆（本地 Markdown，对话自动抽取、dream 提炼）    ← 个人快速记忆   │
│  MCP 客户端 ──────────────┐                                                   │
└───────────────────────────┼───────────────────────────────────────────────────┘
                            │ stdio MCP
                 ┌──────────▼──────────┐
                 │  MemoryKnowledge    │  Wiki + CodeGraph（12 个查询工具）
                 │  (KS, :8421)        │  ← 团队知识图谱
                 └──────────┬──────────┘
                            │ /v3/*  HTTP
┌───────────────────────────┴───────────────────────────────┐
│  TencentDB Agent Memory（MemoryGateway + Panel）           │
│  Chat Memory L0-L3 / Skill 资产，权限、版本、装备管理      │  ← 团队共享记忆
└───────────────────────────────────────────────────────────┘

4.2 方案一（最快路径）：MCP 桥接知识服务

QwenPaw 原生支持 MCP 客户端，而 MemoryKnowledge 自带 MCP stdio server。在 QwenPaw 控制台「智能体 → MCP」添加：

{
  "mcpServers": {
    "tdai-knowledge": {
      "command": "node",
      "args": ,
      "env": { "KNOWLEDGE_API_URL": "http://localhost:8421" }
    }
  }
}

前置：部署 TencentDB-Agent-Memory 全家桶；在 MemoryKnowledge/ 下 pnpm install && pnpm build 生成 dist/mcp/server.js。

完成后 QwenPaw Agent 立即获得 12 个 MCP 工具：

编码类 Agent 可以直接做代码影响分析、调用链查询、文档图谱检索——这是 ReMeLight 没有的能力。

⚠️ MCP 只暴露查询类工具；create/delete/sync 等管理操作走 MemoryPanel 界面。

4.3 方案二：团队记忆（Chat Memory / Skill）薄桥

Chat Memory 与 Skill 走 /v3/* 数据面，官方只提供了 OpenClaw 插件（capture/recall hooks + 三个工具）。QwenPaw 接入需要自己包一层薄 MCP：

1. 用官方 npm SDK @tencentdb-agent-memory/memory-sdk-ts-v2 包装自定义 MCP server，暴露：
   • tdai_memory_search → MemoryClient.searchAtomic（L1 结构化记忆）
   • tdai_conversation_search → searchConversation（L0 原始对话）
   • tdai_add_conversation → addConversation（把 QwenPaw 对话上报成 L0，等效 OpenClaw 的 capture hook）
2. 注册到 QwenPaw，Agent 即可"用团队记忆、上报个人经验"。

替代做法：用 QwenPaw cron 任务定时调 REST API 同步；或让 Agent 通过 shell/HTTP 工具 curl /v3/*（仅临时用）。

4.4 方案三：数据层双向同步

QwenPaw 记忆是文件，天然可导入：

这样两端知识不重复维护：TencentDB 是团队资产的"唯一真相源"，QwenPaw 通过 resource 目录消费、通过脚本上报。

4.5 落地步骤

1. 部署 TencentDB-Agent-Memory（memory-core + memory-hub + MemoryKnowledge），跑通 :8420/:8421/:8125；
2. QwenPaw 添加 MCP 客户端接 MemoryKnowledge，拿到 Wiki + CodeGraph 工具；
3. （进阶）自建薄 MCP 桥接 /v3/*，把 Chat Memory 搜索/上报接入 Agent 工具；
4. （可选）定时任务做文件级双向同步，让 ReMeLight 与团队资产互通；
5. 个人记忆继续用 QwenPaw 原生 ReMeLight，团队资产统一在 MemoryPanel 治理。

五、总结

• QwenPaw 的知识工程是"文件即记忆"的轻量长期记忆系统：Auto-Memory 抽取、Auto-Dream 提炼、Auto-Resource 摄取、BM25+向量+RRF 混合检索，可插拔后端（ReMeLight / ADBPG），零部署。
• TencentDB-Agent-Memory 是团队级记忆中枢：四种资产（Chat Memory / Skill / Wiki / CodeGraph）、L0-L3 分层、完整治理（权限/版本/所有权/装备）、冷启动导入、跨框架。
• 结合之道：QwenPaw 管个人、TencentDB 管团队；用 MCP 桥接知识图谱（12 工具），用薄桥接团队记忆，用文件同步打通数据。个人侧轻快、团队侧重治理，各司其职，互为补充。

让走过的路，成为下一个 Agent 的起点。