Dernière mise à jour : 6 août 2026. Commandes d'installation et champs de configuration vérifiés à partir du dépôt officiel TencentDB-Agent-Memory, de la documentation npm du plugin et du guide d'intégration Tencent Cloud Memory.
Si vous avez monté un agent IA avec OpenClaw, Hermes ou un framework maison, vous connaissez probablement ce scénario : au troisième tour de dialogue, il oublie votre guide de style Swift ; après vingt appels d'outils, le contexte explose et il invente des chemins de fichiers ; une nouvelle session vous oblige à tout réexpliquer.
Les approches classiques — tout jeter dans une base vectorielle ou résumer brutalement — échangent un problème contre un autre. Le projet open source TencentDB Agent Memory (MIT, 2026) de Tencent propose une autre voie : mémoire court terme symbolique + quatre couches long terme (L0–L3), avec SQLite + sqlite-vec en local par défaut, sans dépendance cloud pour démarrer. Ce guide s'adresse aux développeurs iOS, Flutter et IA : d'abord comprendre le modèle, puis installer le plugin, puis décider si la Gateway reste sur le portable ou migre vers un Mac cloud en permanence.
Introduction : pourquoi les agents « oublient »
Les échecs des agents longue durée sont rarement une question d'intelligence du modèle. C'est un problème de gestion du contexte. Une tâche de type Wide Search ou SWE-bench peut renvoyer des centaines de milliers de tokens — JSON d'outils, corps de pages web, logs de compilation. Tout garder dans la fenêtre fait grimper coûts et latence ; tout supprimer aveuglément fait répéter des recherches ou modifier le mauvais fichier au tour suivant.
TencentDB Agent Memory vise précisément ce dilemme : se souvenir de l'essentiel tout en conservant une chaîne de preuves complète et consultable en profondeur. Les benchmarks publics du plugin OpenClaw rapportent jusqu'à ~61 % d'économie de tokens sur les tâches de mémoire court terme, et une précision PersonaMem long terme passant de 48 % à 76 %. Vos chiffres varieront selon le modèle et la tâche — la direction est claire : stratification + déchargement bat une historique vectorielle à plat.
Pour les lecteurs Kvmkit, ce système apparaît surtout dans deux flux : (1) plugin OpenClaw Memory sur Mac pendant que vous codez dans Cursor ou Claude Code ; (2) Flutter sous Windows, Gateway + inférence MLX locale sur un Mac mini cloud — service mémoire et builds Xcode sur le même nœud stable.
Sans couche mémoire, chaque nouveau chat ressemble à un collègue sans onboarding : efficace au premier message, perdu dès le troisième tour. La mémoire transforme l'agent en partenaire qui accumule du contexte projet au fil des semaines.
Concepts clés : mémoire en couches et compression symbolique
Le projet refuse explicitement de « découper chaque tour en embeddings et espérer que le retrieval suffise ». Côté long terme, une pyramide sémantique ; côté court terme, un canvas de tâches Mermaid. Les deux supportent la divulgation progressive : seule la structure haut niveau entre dans le contexte du modèle ; on descend vers les données brutes via index quand c'est nécessaire.
Quatre couches long terme (L0 → L3)
- L0 Conversation — dialogue brut et traces d'outils, preuve irrévocable ;
- L1 Atom — faits structurés extraits (dates, préférences, stack technique) ;
- L2 Scenario — regroupement d'atomes en blocs de scénario (ex. « flux de signature CI iOS ») ;
- L3 Persona — profil utilisateur transversal dans un
persona.mdlisible, rappelé avant la session suivante.
Le rappel commence par Persona et Scenario, puis Atom ou texte L0 — comme se souvenir d'abord que « ce collègue préfère SwiftUI » avant de fouiller les logs de chat.
Mémoire court terme : déchargement Mermaid
Les logs d'outils partent dans refs/*.md ; le contexte ne garde qu'un graphe Mermaid léger avec des node_id. L'agent raisonne sur des symboles ; si un nœud semble suspect, un grep par node_id récupère le log complet — 100 % traçable sans réinjecter des mégaoctets de stdout dans la fenêtre.
Si vous montez déjà une chaîne d'outils MCP, installez le plugin mémoire à côté d'un guide comme Comment déployer GitHub MCP Server : tutoriel multiplateforme Windows, Linux et macOS — les outils répondent « que puis-je faire ? » ; la mémoire répond « qu'avons-nous déjà fait et qui est cet utilisateur ? ».
Mise en pratique : plugin OpenClaw et déploiement Gateway
Le chemin le plus rapide est le plugin OpenClaw (Node.js ≥ 22.16). Les commandes s'exécutent dans un terminal macOS ou Linux ; sous Windows, préférez WSL2 ou hébergez la Gateway sur un Mac cloud.
Option A : OpenClaw sans configuration (recommandé pour débuter)
# Installer le plugin
openclaw plugins install @tencentdb-agent-memory/memory-tencentdb
openclaw gateway restartDans ~/.openclaw/openclaw.json, activez :
{
"memory-tencentdb": {
"enabled": true
}
}Le backend par défaut est SQLite local. Le plugin gère l'enregistrement des dialogues, l'extraction mémoire, le regroupement en scénarios, la génération de persona et le rappel au tour suivant. Mettez à jour avec openclaw plugins update @tencentdb-agent-memory/memory-tencentdb — des plages semver larges peuvent désactiver le plugin silencieusement.
Activer la compression court terme (≥ 0.3.4)
Activez offload et enregistrez le slot contextEngine :
{
"memory-tencentdb": {
"config": {
"offload": { "enabled": true }
}
},
"plugins": {
"slots": {
"contextEngine": "memory-tencentdb"
}
}
}Exécutez scripts/openclaw-after-tool-call-messages.patch.sh du dépôt (relancez après chaque upgrade OpenClaw). Sans ce patch, les résultats d'outils ne sont souvent pas correctement déchargés — cause fréquente du « plugin installé mais tokens inchangés ».
Option B : Hermes Docker tout-en-un
Pour Hermes Agent, construisez et lancez un conteneur avec mémoire (Gateway sur le port 8420) :
cd TencentDB-Agent-Memory/docker/opensource
docker build -f Dockerfile.hermes -t hermes-memory .
docker run -d --name hermes-memory -p 8420:8420 \
-e MODEL_API_KEY="your-api-key" \
-v hermes_data:/opt/data hermes-memory
curl http://localhost:8420/healthUne réponse {"status":"ok"} ou degraded suffit pour continuer. L'image embarque par défaut un point d'accès DeepSeek-V3.2 — avec ce modèle, l'API Key seule peut suffire.
Option C : agent maison + SDK Python (voie cloud)
Si l'équipe a besoin de mémoire managée Tencent Cloud, créez une instance Memory dans la console puis installez le SDK :
pip install tencentdb-agent-memory-sdkÉcrivez des sessions et récupérez des atomes mémoire avec le client asynchrone (champs selon la console). Adapté à l'orchestration Python multi-agents et mémoire d'équipe partagée — les essais personnels n'ont pas besoin du cloud.
Liste de validation
- Après trois tours de dialogue, vérifiez la présence de
persona.mdou de fichiers scénario ; - Avec offload activé, comparez la courbe de tokens sur la même tâche SWE avant/après ;
- Demandez à l'agent de citer un ancien résultat d'outil — confirmez la récupération via
node_iddansrefs/; - En cas de boucle infinie de tool calls, consultez d'abord le guide Kimi K3 Tool Calls en boucle sur la chaîne de messages, plutôt que d'incriminer le plugin mémoire.
Lien avec Mac cloud et Apple Silicon
Une Memory Gateway est un service permanent : écoute de port, lecture/écriture SQLite, extraction et rappel en arrière-plan. Veille du portable, redémarrages Windows et réseau domestique instable ressemblent à un oubli soudain. Architecture plus réaliste pour une équipe iOS :
- Local — Cursor ou Xcode pour le code du jour ;
- Mac mini cloud — Gateway OpenClaw + TencentDB Memory + Ollama ou MLX sur une seule machine ;
- À distance — SSH ou partage d'écran pour déboguer ; volume de données persistant sur disque cloud.
Apple Silicon apporte mémoire unifiée et Unix natif : Node 22, Docker Desktop et Homebrew suivent des chemins prévisibles ; une Gateway peut tourner sur M4 Mac mini à quelques watts — bien en dessous d'un GPU de bureau. Si vous testez déjà des petits modèles sur GPU local, gardez l'inférence sur Windows et déplacez la mémoire et les jobs macOS qui doivent rester en ligne vers un Mac cloud Kvmkit — pour que fermer le capot ne tue pas la session agent.
Pour les équipes mixtes Windows/macOS, c'est souvent le split pragmatique : portable Windows pour réunions et e-mail, Mac cloud comme « bunker agent » qui ne dort jamais. La base mémoire y grossit en continu ; persona et scénarios restent cohérents même si personne n'est physiquement devant le Mac.
Coût, performance et risques comparés
| Approche | Coût mensuel (ordre de grandeur) | Idéal pour | Risque principal |
|---|---|---|---|
| Plugin SQLite local | 0 € (API LLM seule) | Essais OpenClaw solo | Veille coupe la continuité ; sauvegarde manuelle |
| Gateway Docker auto-hébergée | Électricité + API | Petite équipe, Hermes en LAN | Mises à jour image et croissance disque |
| Tencent Cloud Memory managé | Tarif instance | Partage multi-agents | Conformité et résidence des données |
| Mac cloud Kvmkit | Heure ou forfait mensuel | Gateway + Xcode + MLX sur un hôte | Réseau et gestion des secrets |
Règle simple : prototypez avec SQLite local sans coût infra ; dès que la mémoire devient un actif d'équipe, migrez vers un Mac cloud always-on ou une instance Tencent. Faire tourner un agent de production deux semaines sur un portable avant migration — le coût d'export L0 et refs/ est souvent sous-estimé.
Sauvegarde et chiffrement entrent dans le même plan : fichiers SQLite et dossier refs/ contiennent souvent prompts, chemins de dépôt et réponses API. Sur Mac cloud, prévoyez snapshots ou exports réguliers — pas seulement après la première perte de données.
Questions fréquentes
TencentDB Agent Memory nécessite-t-il Tencent Cloud ?
Non. Le plugin OpenClaw utilise SQLite local par défaut, sans API Memory externe. Instance Tencent Cloud + SDK Python uniquement pour hébergement managé, montée en charge vectorielle ou stockage cloud imposé par la conformité.
Quelle différence avec LangChain ou Mem0 ?
Ce projet met l'accent sur L0–L3 et le déchargement Mermaid court terme — pas tout aplatir dans un index vectoriel. Chemin de rappel : Persona → Scenario → Atom → texte brut, auditable et creusable.
Faut-il lancer un Gateway séparé après le plugin OpenClaw ?
Sous OpenClaw, gateway restart charge le plugin. Hermes ou agents Python maison ont besoin d'une Gateway saine sur le port 8420 — via Docker ou npx tsx comme documenté.
Quelles exigences sur Mac ?
Plugin npm : Node.js ≥ 22.16 ; compression court terme : plugin ≥ 0.3.4. Apple Silicon natif, bien couplé à MLX ou Ollama sur le même hôte.
Synthèse
- TencentDB Agent Memory combine L0–L3 et déchargement Mermaid pour lutter contre l'explosion de contexte ; SQLite local suffit pour démarrer.
- Le plugin OpenClaw est la voie la plus rapide ; Hermes passe par Docker ; les stacks entreprise utilisent le SDK Python sur Tencent Cloud.
- Quand mémoire et toolchain macOS doivent tourner 7×24, un Mac mini cloud bat un portable en veille.
La mémoire d'agent ne se règle pas en « ajoutant quelques vecteurs ». Faites d'abord tourner le modèle en couches, puis décidez si les données restent en SQLite local ou migrent vers un nœud d'équipe — cette étape simplifie ensuite CI iOS, outils MCP ou modèles plus lourds.
Un nœud mémoire agent sur Mac cloud, plus fiable
La Gateway TencentDB Agent Memory exige un environnement toujours en ligne, peu sujet aux interruptions et natif Unix. Le Mac mini Apple Silicon est silencieux et sobre ; la mémoire unifiée M4 peut héberger extraction mémoire et inférence locale en parallèle. Le Mac cloud Kvmkit évite l'achat de matériel et regroupe OpenClaw, Memory et Xcode dans un même espace distant — connecté depuis votre PC Windows par bureau à distance.
Voir les offres Mac cloud Kvmkit et donnez à votre agent d'équipe un nœud permanent qui n'« oublie » pas quand quelqu'un referme son portable.