TencentDB Agent Memory – 로컬 장기 기억과 심볼릭 단기 기억을 결합한 에이전트 메모리

왜 필요한가
메모리 계층
성능 주장
설치와 통합
언제 쓰면 좋은가
관련 문서
참고 자료

TencentDB Agent Memory는 AI 에이전트가 긴 작업 중 쌓는 도구 로그와 세션 간 누적되는 사용자·프로젝트 정보를 로컬에서 계층화해 관리하는 메모리 플러그인이다. 핵심은 모든 기록을 벡터 스토어에 평평하게 넣는 대신, 단기 작업 상태는 Mermaid 심볼 그래프로 압축하고 장기 기억은 Conversation → Atom → Scenario → Persona 단계로 끌어올리는 데 있다.

왜 필요한가

에이전트가 길게 일할수록 컨텍스트에는 검색 결과, 에러 로그, 파일 내용, 중간 판단이 계속 쌓인다. 그대로 다시 넣으면 토큰 비용이 커지고, 요약만 남기면 근거 추적이 끊긴다. TencentDB Agent Memory는 이 문제를 두 층으로 나눠 푼다.

문제	처리 방식
긴 도구 로그가 컨텍스트를 압박	원문은 `refs/*.md`로 빼고 Mermaid 작업 그래프만 컨텍스트에 남긴다
세션 간 사용자·프로젝트 기억 필요	대화를 Atom, Scenario, Persona로 단계적으로 정제한다
압축 후 근거가 사라짐	상위 심볼에서 하위 원문까지 `node_id`로 추적한다

메모리 계층

단기 기억은 현재 작업의 상태 압축에 가깝다. 원본 로그는 파일에 보존하고, 중간 요약은 JSONL로 남기며, 에이전트가 바로 보는 최상위 상태는 Mermaid 캔버스로 표현한다. 에이전트는 평소에는 캔버스만 보고, 세부 근거가 필요할 때 node_id로 원문을 다시 찾는다.

장기 기억은 개인화·프로젝트 관습을 위한 구조다.

레이어	의미
L0 Conversation	원본 대화와 실행 기록
L1 Atom	원자적 사실
L2 Scenario	반복되는 상황·해결 패턴
L3 Persona	사용자 선호, 프로젝트 SOP, 장기 규칙

이 구조는 ai-agent-memory-tips-strategy에서 말하는 “무엇을 얼마나 오래 기억할 것인가” 문제를 실제 저장 구조로 구현한 예에 가깝다.

성능 주장

README 기준으로 OpenClaw와 통합했을 때 WideSearch에서는 토큰 사용량을 61.38% 줄이고 성공률을 33%에서 50%로 높였다고 보고한다. SWE-bench 연속 세션에서는 토큰 사용량을 33.09% 줄이고 성공률을 58.4%에서 64.2%로 올렸다고 제시한다. PersonaMem 정확도도 48%에서 76%로 높였다고 설명한다.

이 수치는 단발 실행이 아니라 긴 세션에서 컨텍스트가 계속 누적되는 상황을 대상으로 한다는 점이 중요하다. 메모리 도구는 일반 챗봇보다 코딩 에이전트, 리서치 에이전트, 운영 자동화처럼 긴 작업을 반복하는 환경에서 효과가 더 크다.

설치와 통합

OpenClaw에서는 플러그인으로 설치한다.

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

기본값은 로컬 SQLite + sqlite-vec 백엔드다. Hermes에는 Docker로 메모리 포함 게이트웨이를 띄우거나 기존 Hermes 설치에 provider를 연결하는 방식으로 쓴다.

언제 쓰면 좋은가

TencentDB Agent Memory는 다음 상황에 맞다.

코딩 에이전트가 긴 세션에서 같은 프로젝트 규칙을 반복해서 잊는다.
도구 로그가 커져 컨텍스트 비용이 빠르게 늘어난다.
단순 세션 검색보다 사용자 선호, SOP, 반복 해결 패턴을 계층적으로 보존하고 싶다.
외부 API나 호스팅 메모리 서비스 없이 로컬 저장소 기반으로 운영하고 싶다.

반대로 단순 챗봇, 짧은 Q&A, 이미 별도 RAG·관찰성 스택이 있는 시스템이라면 도입 복잡도가 먼저 부담이 될 수 있다.

참고 자료

TencentCloud/TencentDB-Agent-Memory — GitHub 공식 저장소

Like?

AI Sparkup