テンセントクラウド、AI コーディングエージェント向けチーム記憶ハブを公開
本文の状態
日本語全文を表示中
詳細モードで約7分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
MarkTechPost
Tencent Cloud は AI コーディングエージェント向けのチームレベルメモリハブ「TencentDB Agent Memory v2.0」をオープンソース化し、コンテキストの再利用とガバナンス機能を強化した。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るAI深層分析を開く2026年8月8日 07:31
AI深層分析
キーポイント
チームレベルのガバナンス機能
個々のエージェントの学習内容を他のチームメンバーのエージェントが参照可能にする一方、プライベートな情報は漏らさない階層的な権限管理を実現する。
4 つのメモリ資産への構造化
チャット履歴、スキル、LLM 維持型ウィキ、コードグラフを統一された形式でバージョン管理し、エージェントごとに特定のアセットを割り当てる仕組みを提供する。
層別化された情報抽出と検索
会話データを L0 から L3 まで非同期パイプラインで階層的に精製し、文脈の速やかなブートストラップと詳細な事実検索を切り替えるリトリーバル機構を採用する。
デプロイ性とライセンス
MIT ライセンスの下、Docker Hub に公開されたマルチアーキテクチャ対応のイメージを通じて、オンプレミスでの自己ホスティングが容易に実施可能である。
厳格な権限管理によるチームレベルのメモリ共有
可視性設定（プライベート、チーム、制限付き）とACLにより、所有者のみがアクセスできるプライベートメモリや、明示的な共有が必要なスキルを定義する。
重要な引用
The idea is super simple: if project context was already explained once, a new session should not need it repeated.
What is new here is the governance layer, which lets a teammate's agent read what your agent learned, without leaking anything you marked private.
Chat Memory retains preferences, facts, decisions and interaction history.
Standard RAG answers what can be found. The Hub also answers who may use it, which version is valid, and which agent receives it.
編集コメントを表示
編集コメント
TencentDB Agent Memory v2.0 は、単なる情報検索を超えて、チーム全体のエージェント学習履歴を管理するインフラとしての役割を果たす。特にガバナンス機能の強化は、大規模組織における AI エージェントの実用化に向けた重要な一歩と言える。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
腾讯云が「TencentDB Agent Memory v2.0」のオープンソース化を発表しました。これは AI エージェント向けのチームレベルの記憶ハブです。
コンセプトは非常にシンプルです。プロジェクトの文脈を一度説明すれば、新しいセッションでそれを繰り返す必要はありません。このシステムは会話、ドキュメント、コードを 4 つのリユース可能な資産に変換します。それは「Chat Memory（チャットメモリー）」「Skill（スキル）」「LLM-Wiki（LLM ウィキ）」「Code-Graph（コードグラフ）」です。これらはバージョン管理され、権限が設定され、特定のエージェントに最適化されています。
単一エージェント向けの記憶機能自体は新しいものではありません。ここで革新的なのはガバナンス層です。これにより、チームメイトのエージェントがあなたのエージェントが学習した内容を参照できるようになりますが、あなたがプライベートと指定した情報は漏洩しません。
安定版 2.0.0 は 2026 年 8 月 3 日にリリースされました。
導入は可能でしょうか？
はい、可能です。TencentDB Agent Memory は MIT ライセンスで、セルフホストが可能です。Docker Hub に公開された 3 つの Docker イメージは、単一のコマンドで起動できます。マルチアーキテクチャビルドにより、linux/amd64 と linux/arm64 の両方をサポートしています。
どの企業に適しているでしょうか？
現在最も価値を得られるのは、個人開発者や小規模なエンジニアリングチームです。このプロジェクトは明確に「一人会社」をターゲットにしています。プラットフォームや DevEx 機能を備えた中堅企業では、共有インフラとして運用できます。大規模で規制の厳しい企業については、まだプライベートリポジトリの CodeGraph や自動メモリールーティングの改良が続いているため、標準化よりもパイロット導入をおすすめします。
対象業界は？
ソフトウェアおよび開発者向けツール、SaaS、フィンテック、コンサルティング、エージェンシーなどです。また、記憶データを自社のネットワーク内に保持する必要がある規制対応チームにも適しています。
主な活用シーンとしては、既存のコードベースに新しいエージェントを導入する際のリファレンス、リファクタリング前の影響範囲分析、リリース時のチェックリスト作成、インシデント対応マニュアル（ランブック）の整備、コードレビュー基準の策定、そして製品ドキュメントをエージェントが読みやすい形式への変換などが挙げられます。
4 つの記憶資産
本システムは作業成果物を以下の 4 つの資産タイプに変換します。
Chat Memory（チャットメモリ）：利用者の嗜好、事実関係、決定事項、および対話履歴を保持します。
Skill（スキル）：完了したタスクから再利用可能な手順を抽出し、バージョン情報、リソースファイル、トリガーの境界条件、実行ステップ、検証ルールなどを付与して管理します。
Wiki（ウィキ）：ドキュメントをリンクグラフを持つ構造化ページに変換します。このアプローチは、Andrej Karpathy が提唱する「LLM による知識ベースの維持」のアイデアに基づいています。
CodeGraph（コードグラフ）：シンボル、ファイル、呼び出し関係、および影響経路をインデックス化します。
これら 4 つはすべて均一に"Memory Asset（記憶資産）"として登録されるため、所有権、バージョン管理、ステータス、可視性の挙動が資産種別に関わらず統一的に保たれます。
階層型抽出と予算制約付き検索
Chat Memory は平坦な構造ではありません。会話データはまず L0 として保存され、非同期パイプラインによって L1 Atom（原子）、L2 Scenario（シナリオ）、L3 Core/Persona（コア/ペルソナ）へと段階的に精査・抽出されます。検索も同様に階層化されています。L2 と L3 は高速な文脈の初期化に利用され、特定の事実情報が必要な場合は BM25、ベクトル検索、RRF（Reciprocal Rank Fusion）を組み合わせて L1 および L0 にフォールバックします。結果はアイテム数、文字数の予算制約、およびタイムアウトによって制限されるため、メモリがコンテキストウィンドウを圧迫して重要な情報を埋もれさせることを防ぎます。
ガバナンスこそが真の差別化要因です
標準的な RAG（検索拡張生成）は「何が存在するか」を答えるものですが、このハブでは「誰が利用可能か」「どのバージョンが有効か」「どのエージェントに提供されるか」という情報も照会できます。可視性はプライベート、チーム、制限付きの 3 レベルがあり、対象のエージェントに特化して権限を設定可能です。README によると、プライベート設定はオーナーのみがアクセスでき、チーム管理者ですら閲覧できません。新しいチャットメモリーとスキルはデフォルトでプライベート設定されており、共有するには明示的な操作が必要です。
メモリーハブでは、固定バインディングと ACL（アクセス制御リスト）を組み合わせています。まずチーム、ユーザー、エージェント、可視性の範囲を絞り込み、その後データを検索します。
エージェントの接続について
メモリープロキシは Anthropic と OpenAI の両方のプロトコルに対応し、/claude-code//v1/messages や /v1/chat/completions などのエンドポイントを公開しています。最初のターンでは sessionInit が Claude Code のネイティブ機能である AskUserQuestion ツールを呼び出し、チーム、エージェント、タスクを選択します。2 つ目以降のターンでは、そのエージェントに紐づく L2/L3 メモリー、マッチングされたスキル、および知識をシステムプロンプトに注入してから、上流へ転送します。
INSTALL.md によると、デフォルトポートは以下の通りです。メモリーコアが 8420、管理パネルが 8125、ナレッジサービスが 8424、プロキシが 8096 です。公式 SDK は TypeScript と Python で提供されており、OpenClaw、Hermes、Claude Code、CodeBuddy への統合や、SDK を直接利用するケースをサポートしています。
バージョン 2.0.0 では、スキルの強制アーカイブ機能、スケジュールされた CodeGraph リポジトリ同期、システム管理者によるアセット管理、英語と中国語の管理パネル切り替え、および特定のエージェントに低コストモデルを割り当てる「Cost Guard」機能が追加されました。
PersonaMem の精度が 48% から 76% に向上し、相対的に 59% の改善を達成したと報告されています。ただしこの数値は自己申告によるものであり、独立した再現実験の結果はまだ公開されていません。
主なポイント
- MIT ライセンスに基づき、自己ホスティングが可能で、ワンコマンドの Docker デプロイに対応。ベンダー API への依存はありません。
- チャットログに代わり、4 つのアセットタイプを採用しています：Chat Memory（チャットメモリー）、Skill（スキル）、Wiki（ウィキ）、CodeGraph（コードグラフ）。
- L0 から L3 までの知識蒸留を行い、厳格な予算制限の下で BM25 とベクトル検索、そして RRF（Reciprocal Rank Fusion）を組み合わせた検索手法を採用しています。
- ACL（Association for Computational Linguistics）のガイドラインに基づく共有機能が、標準的な RAG（Retrieval-Augmented Generation）との決定的な違いとなっています。
なお、PersonaMem の 48% から 76% への向上は自己申告によるものであり、プライベートリポジトリにある CodeGraph はまだ完成していません。
原文を表示
Tencent Cloud has open-sourced TencentDB Agent Memory v2.0, a team-level memory hub for AI agents. The idea is super simple: if project context was already explained once, a new session should not need it repeated. The system turns conversations, documents and code into four reusable memory assets — Chat Memory, Skill, LLM-Wiki and Code-Graph — that are versioned, permissioned and equipped to specific agents. Single-agent memory is not new. What is new here is the governance layer, which lets a teammate’s agent read what your agent learned, without leaking anything you marked private. The stable 2.0.0 release is published on August 3, 2026.
Is it deployable?
Yes, it is deployable. TencentDB Agent Memory is MIT-licensed and self-hosted. Three Docker images published to Docker Hub start with one command, and multi-arch builds cover linux/amd64 and linux/arm64.
Which companies: Solo builders and small engineering teams get the most value now. The project explicitly targets the one-person company. Mid-size orgs with a platform or DevEx function can run it as shared infrastructure. Large regulated enterprises should pilot rather than standardize, because private-repo CodeGraph and automated memory routing are still being refined.
Industries: Software and developer tooling, SaaS, fintech, consulting and agencies, plus any regulated team that needs memory to stay inside its own network.
Applications: Onboarding a new agent to an existing codebase, impact analysis before refactoring, release checklists, incident runbooks, code review standards, and turning product docs into agent-readable pages.
Four memory assets
The system converts work into four asset types:
Chat Memory retains preferences, facts, decisions and interaction history.
Skill distills reusable procedures from completed tasks, carrying versions, resource files, trigger boundaries, execution steps and validation rules.
Wiki turns documents into structured pages with a link graph, an approach informed by Andrej Karpathy’s LLM-maintained knowledge base idea.
CodeGraph indexes symbols, files, call relationships and impact paths.
All four register uniformly as Memory Assets, so ownership, version, status and visibility behave identically across them.
Layered distillation, budgeted retrieval
Chat Memory is not flat. Conversations save as L0, then an async pipeline refines them into L1 Atom, L2 Scenario and L3 Core/Persona. Retrieval is layered too. L2 and L3 provide a fast context bootstrap. When specific facts are needed, BM25 plus vector retrieval plus RRF falls back to L1 and L0. Results are capped by item count, character budget and timeout, so memory does not crowd out the context window.
Governance is the actual differentiator
Standard RAG answers what can be found. The Hub also answers who may use it, which version is valid, and which agent receives it. Visibility runs private, team and restricted, with agent for targeted equipping. Per the README, private is owner-only, not readable even by team admins. New Chat Memory and Skills default to private, making sharing an explicit action.
Memory Hub uses fixed binding plus ACL: narrow by team, user, agent and visibility first, then retrieve.
Wiring agents in
Memory Proxy speaks both Anthropic and OpenAI protocols, exposing /claude-code/<spaceId>/v1/messages and /v1/chat/completions. On the first turn, sessionInit uses Claude Code’s native AskUserQuestion tool to pick team, agent and task. Every subsequent turn injects that agent’s L2/L3 memory, matched skills and knowledge into the system prompt before forwarding upstream.
Default ports are 8420 for Memory Core, 8125 for the panel, 8424 for the knowledge service and 8096 for the proxy, per INSTALL.md. Official SDKs ship for TypeScript and Python. Supported integrations are OpenClaw, Hermes, Claude Code, CodeBuddy and direct SDK use.
The 2.0.0 release adds Skill forced archiving, scheduled CodeGraph repository sync, system-admin asset management, English/Chinese panel switching, and a Cost Guard that assigns cheaper models to specific agents.
Reported results
It reports PersonaMem accuracy rising from 48% to 76%, a 59% relative improvement. That figure is self-reported, and no independent reproduction has been published.
Key Takeaways
MIT-licensed, self-hosted, one-command Docker deploy — no vendor API dependency.
Four asset types replace chat logs: Chat Memory, Skill, Wiki, CodeGraph.
L0→L3 distillation with BM25 + vector + RRF retrieval under strict budget caps.
ACL-governed sharing is the real differentiator over standard RAG.
PersonaMem 48%→76% is self-reported; private-repo CodeGraph is unfinished.
Check out the GitHub repository, CHANGELOG, INSTALL.md, and Knowledge OpenAPI. Also, feel free to follow us on Twitter and don’t forget to join our 150k+ML SubReddit and Subscribe to our Newsletter. Wait! are you on telegram? now you can join us on telegram as well.
Need to partner with us for promoting your GitHub Repo OR Hugging Face Page OR Product Release OR Webinar etc.? Connect with us
The post Tencent Cloud Open-Sources TencentDB Agent Memory v2.0: A Team-Level Memory Hub for AI Coding Agents appeared first on MarkTechPost.
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み