OpenClaw 安裝外掛後還要另外啟動 Gateway 嗎？

OpenClaw 路徑下外掛會隨 gateway restart 載入，一般無需手動起獨立程序。Hermes 或自研 Agent 走 Python/Node SDK 時，才需要監聽 8420 埠的 Memory Gateway。

TencentDB Agent Memory 使用教學（2026 最新版）| AI Agent 分層記憶

Q: TencentDB Agent Memory 一定要接騰訊雲嗎？

不必。OpenClaw 外掛預設使用本機 SQLite + sqlite-vec，零外部 API 即可運行。只有團隊級託管、向量庫擴容或合規上雲時，才需要開通騰訊雲 Memory 實例並透過 Python SDK 接入。

Q: 和 LangChain / Mem0 等向量記憶有什麼差別？

TencentDB Agent Memory 強調分層（L0–L3）與符號化短期壓縮（Mermaid 畫布 + refs 卸載），不是把所有歷史切片平鋪進向量庫。召回時先讀 Persona/場景，再按需下鑽原子事實與原文。

Q: 在 Mac 上跑有什麼版本要求？

npm 外掛要求 Node.js ≥ 22.16；Docker 方案需本機安裝 Docker Desktop。Apple Silicon Mac 可原生運行 Gateway，適合與本機 MLX/Ollama 推理同機部署。

最後更新於 2026 年 8 月 5 日。安裝指令與配置欄位已對照 TencentDB-Agent-Memory 官方儲存庫、npm 外掛文件與騰訊雲 Memory 接入準備。

若你用 OpenClaw、Hermes 或自研框架搭過 AI Agent，多半遇過這類崩潰：第三輪對話它忘了你指定的 Swift 程式風格；跑完二十步工具呼叫後上下文爆掉，開始胡編路徑；換個會話又要重新解釋專案背景。

傳統做法是「把歷史全塞進向量庫」或「暴力摘要」。騰訊在 2026 年開源的 TencentDB Agent Memory（MIT）換了一條路：符號化短期記憶 + 四層長期記憶（L0–L3），預設本機 SQLite + sqlite-vec，零雲端依賴即可跑通。本文面向 iOS / Flutter / AI 開發者，按「先懂原理 → 再裝外掛 → 再決定本機還是上雲」的順序撰寫，並說明何時該把 Gateway 放到 雲端 Mac 上 7×24 掛著。

引言：Agent 為什麼總「失憶」

長程 Agent 的失敗往往不是模型不夠聰明，而是上下文管理失敗。一次 Wide Search 或 SWE-bench 式任務裡，工具回傳的 JSON、網頁正文、編譯日誌輕易堆到幾十萬 token。你若把這些原文全留在視窗裡，費用與延遲都會失控；若粗暴刪掉，Agent 又會在下一步重複搜尋或改錯檔案。

TencentDB Agent Memory 要解決的正是這對矛盾：讓 Agent 記得該記的，同時把證據鏈完整保留在可下鑽的底層。官方在 OpenClaw 外掛場景的公開 benchmark 裡，短期記憶任務最高可節省約 61% Token，PersonaMem 長期記憶準確率從 48% 提升到 76%——數字會隨模型與任務變化，但方向很明確：分層 + 卸載比平鋪向量更省、也更穩。

對 Kvmkit 讀者來說，這套系統通常出現在兩類工作流：一是在 Mac 上給 Cursor / Claude Code 接 OpenClaw 外掛做專案級記憶；二是 Windows 寫 Flutter，雲端 Mac 跑 Gateway + 本機 MLX 推理，把「記憶服務」和「Xcode 建置」放在同一台穩定節點。若你正在規劃 iOS CI，也可參考團隊 iOS CI/CD：Xcode Cloud 與遠端 Mac 打包怎麼選，把建置節點與 Agent 記憶節點分開或合併部署。

核心概念：分層記憶與符號化短期壓縮

專案拒絕「所有記憶切片平鋪成向量」的設計。長期側是語意金字塔，短期側是 Mermaid 任務畫布——兩者都支援漸進式披露：上下文裡只放高層結構，需要考證時再按索引下鑽。

長期記憶四層（L0 → L3）

L0 Conversation：原始對話與工具軌跡，作為不可遺失的證據底稿；
L1 Atom：從對話抽出的結構化事實（日期、偏好、技術棧）；
L2 Scenario：把多條 Atom 歸納成場景塊（例如「iOS CI 簽名流程」）；
L3 Persona：跨場景的使用者畫像，寫入可讀的 persona.md，供下一輪對話前召回。

召回時預設先讀 Persona / Scenario，再按需檢索 Atom 或 L0 原文——類似人先想起「這位同事喜歡用 SwiftUI」，再翻聊天記錄核對細節。若你同時在整理 PDF 技術書當知識庫，可搭配如何把 PDF 變成 AI 知識庫？Book to Skill 完整教學：靜態文件進 Skill，動態對話進 Memory，兩條線互不打架。

短期記憶：Mermaid 卸載

工具日誌卸載到 refs/*.md，上下文只保留帶 node_id 的 Mermaid 圖譜。Agent 推理看輕量符號；若發現某節點可疑，用 node_id grep 回完整原文，實現100% 可追溯而不必把日誌全文塞回視窗。

TencentDB Agent Memory 四層長期記憶與符號化短期壓縮架構示意圖 — L0–L3 語意金字塔 + Mermaid 短期畫布：高層進上下文，底層可按 node_id 下鑽

若你同時在搭 MCP 工具鏈，可把記憶外掛與 GitHub MCP Server 全平台部署教學放在同一套 OpenClaw 配置裡：工具負責「能做什麼」，Memory 負責「做過什麼、使用者是誰」。

實操：OpenClaw 外掛與 Gateway 部署

最快路徑是 OpenClaw 外掛（要求 Node.js ≥ 22.16）。以下指令在 macOS / Linux 終端執行；Windows 建議 WSL2，或直接把 Gateway 放到雲端 Mac。

方案 A：OpenClaw 零配置（推薦入門）

# 安裝外掛
openclaw plugins install @tencentdb-agent-memory/memory-tencentdb
openclaw gateway restart

在 ~/.openclaw/openclaw.json 啟用：

{
  "memory-tencentdb": {
    "enabled": true
  }
}

預設後端為本機 SQLite，外掛會自動完成對話錄製、記憶提取、場景歸納、畫像生成與下輪召回。升級請用 openclaw plugins update @tencentdb-agent-memory/memory-tencentdb，避免語意化版本範圍導致外掛被停用。

啟用短期壓縮（≥ 0.3.4）

在配置中打開 offload，並註冊 contextEngine slot：

{
  "memory-tencentdb": {
    "config": {
      "offload": { "enabled": true }
    }
  },
  "plugins": {
    "slots": {
      "contextEngine": "memory-tencentdb"
    }
  }
}

按儲存庫說明執行 scripts/openclaw-after-tool-call-messages.patch.sh（OpenClaw 升級後建議重跑）。這樣工具呼叫結果才能被正確卸載與回溯——也是許多「裝了外掛但沒降 Token」的根因。

方案 B：Hermes Docker 一體化

若你用 Hermes Agent，可一條指令起帶記憶的容器（Gateway 監聽 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/health

健康檢查回傳 {"status":"ok"} 或 degraded 即可繼續。映像內建 DeepSeek-V3.2 預設接入位址，若用該模型可只傳 API Key。

方案 C：自研 Agent + Python SDK（上雲）

團隊要把記憶放到騰訊雲託管實例時，在控制台新建 Memory 後安裝 SDK：

pip install tencentdb-agent-memory-sdk

用非同步客戶端寫入會話、檢索原子記憶（欄位以控制台為準）。這條路徑適合已有 Python 編排、需要多 Agent 共享團隊記憶庫的場景，但個人試用不必走雲。

驗收清單

連續 3 輪對話後，檢查是否生成 persona.md 或場景檔；
開啟 offload 後，對比同一 SWE 任務前後 Token 曲線；
故意讓 Agent 引用舊工具結果，確認能透過 node_id 找回 refs/ 原文；
若出現 Tool Calls 死循環，結合 Kimi K3 Tool Calls 止損教學排查訊息鏈，而不是怪記憶外掛本身。

與雲端 Mac / Apple Silicon 的關聯

Memory Gateway 是常駐服務：要監聽埠、讀寫本機 SQLite、在背景跑提取與召回。筆電合蓋休眠、Windows 更新重啟，都會讓 Agent「突然失憶」。對 iOS 團隊更現實的架構是：

本機：Cursor / Xcode 寫程式；
雲端 Mac mini：OpenClaw Gateway + TencentDB Memory + Ollama/MLX 推理同機；
遠端：SSH 或螢幕共享除錯，資料卷持久化在雲端磁碟。

Apple Silicon 的優勢在於統一記憶體與原生 Unix：Node 22、Docker Desktop、Homebrew 安裝路徑清晰，長時間跑 Gateway 功耗遠低於桌上型獨顯。M4 Mac mini 待機約數瓦，適合作為「團隊共享記憶節點」。若你已在看本機顯卡跑小模型的方案，可以把大模型推理放 Windows，而把需要 7×24 在線的記憶與 macOS 工具鏈遷到 Kvmkit 雲端 Mac——避免家用機睡眠中斷 Agent 會話。

成本、效能與風險對比

方案	月成本粗算	適合場景	主要風險
本機 SQLite 外掛	NT$0（僅 LLM API）	個人 OpenClaw 試用	本機休眠即斷連；備份需自己做
自架 Docker Gateway	電費 + API	小團隊內網 Hermes	需維護映像升級與磁碟容量
騰訊雲 Memory 託管	按實例規格	多 Agent 團隊共享	合規與資料駐留要求
Kvmkit 雲端 Mac	按小時 / 包月	Gateway + Xcode + MLX 同機	需規劃網路與金鑰管理

決策上可以簡單記：Prototype 階段用本機 SQLite 零成本驗證；一旦記憶資料變成團隊資產，就遷到常駐雲端 Mac 或騰訊雲實例。別在筆電上跑兩週生產 Agent 再遷移——L0 對話與 refs 的遷移成本會被低估。

常見問題

TencentDB Agent Memory 一定要接騰訊雲嗎？

不必。OpenClaw 外掛預設本機 SQLite，無需外部 Memory API。只有團隊託管、向量擴容或合規上雲時才需要控制台實例 + Python SDK。

和 LangChain / Mem0 等向量記憶有什麼差別？

本專案強調 L0–L3 分層與 Mermaid 短期卸載，不是把所有歷史平鋪進向量庫。召回路徑是 Persona → Scenario → Atom → 原文，可稽核、可下鑽。

OpenClaw 安裝後還要另外啟動 Gateway 嗎？

OpenClaw 路徑下隨 gateway restart 即可。Hermes 或自研 Python Agent 需確保 8420 埠 Gateway 健康，可 Docker 或 npx tsx 手動啟動。

在 Mac 上跑有什麼版本要求？

npm 外掛需 Node.js ≥ 22.16；短期壓縮需外掛 ≥ 0.3.4。Apple Silicon 可原生運行，適合與 MLX/Ollama 同機部署。

總結

TencentDB Agent Memory 用 L0–L3 分層 + Mermaid 卸載解決長程 Agent 的上下文膨脹，預設本機可跑。
OpenClaw 外掛是最快上手路徑；Hermes 用 Docker；企業自研走 Python SDK 上雲。
需要 7×24 記憶與 macOS 工具鏈同機 時，雲端 Mac mini 比家用筆電更穩。

Agent 記憶不是「多塞幾條向量」就能搞定。先把分層模型跑通，再決定資料留在本機 SQLite 還是遷到團隊節點——這一步做對了，後面接 iOS CI、MCP 工具或更大模型都會輕鬆很多。