腾讯这个 Agent Memory 开源项目最有意思的点是它用一种轻量级的类似符号遍历的方式来管理复杂的记忆关系，没有笨重的图数据库，又达到了类似效果。
它竟然是Mermaid来承担部分记忆路由数据。这个选择太聪明了。
核心洞察
Agent 真正缺的往往不是"存得更多"，而是"在正确层级上找回正确信息"。
传统做法要么把历史对话切片后塞进向量库，召回结果像一堆便利贴；要么上图数据库，把关系建得很完整，但部署、维护、查询成本都变重。
TencentDB-Agent-Memory 的中间路线
腾讯选择了一个更工程化的中间路线：
用 Mermaid 这种轻量符号语法表达任务关系、节点依赖和记忆层级，再通过文本检索与索引映射做逐层下钻。
四层记忆结构
- L0 Conversation — 原始对话记录
- L1 Atom — 原子化信息单元
- L2 Scenario — 场景聚合
- L3 Persona — 人格/偏好沉淀
短期记忆压缩成 Mermaid 任务画布，并通过 node_id、result_ref 回到底层原始记录；长期记忆则采用渐进式分层结构。
为什么 Mermaid 聪明
Mermaid 本质上是**"给人看得懂、给模型也读得懂"的结构化文本**。
它不像 JSON 多层嵌套那样容易变成 token 黑洞，也不像图数据库那样需要一整套查询、建模和运维体系。
对 Agent 来说，它不是完整替代图数据库，而是把 80% 的记忆关联场景，用更轻、更白盒、更可调试的方式解决掉。
独特价值
它把"图的语义"和"文本的可检索性"结合起来了。
- 图数据库强调遍历
- 向量库强调相似度
- Mermaid 记忆画布更像 Agent 的任务地图：先看全局，再按节点下钻
这个思路很适合：
- 长任务
- 工具调用
- 多轮调试
- 个人偏好沉淀
核心结论
这个方案的价值，是用 Mermaid 把记忆从黑盒向量堆，变成了可读、可追溯、可维护的"Agent 经验地图"。