TencentCloud/TencentDB-Agent-Memory
TencentDB Agent Memory is a team-level memory hub for AI Agents — turning conversations, docs, and code into four reusable memory assets (Chat Memory, Skill, LLM-Wiki, Code-Graph) that are governed, shared, and equipped across agents and frameworks.
Hızlı değerlendirme
Özet
TencentDB Agent Memory, konuşma ve proje bilgisini farklı AI Agents arasında paylaşılabilen, yönetilen bellek varlıklarına dönüştüren bir bellek sunucusudur.
Profiline uyum
Agent'lar arasında paylaşılan hafıza ve vektör arama sunması, profilindeki RAG, agent ve vektör arama kullanımına doğrudan uyuyor.
Neden yükseliyor
173 günde 27.297 yıldız ve son 28 günde 25 commit ile 19 farklı yazar dikkat çekici ilgi ve geliştirme etkinliğine işaret ediyor. Ortak bellek fikri ve README'de sıralanan birden fazla Agent entegrasyonu ilgi çekmiş olabilir; bu veriler ilginin nedenini veya gerçek kullanım yaygınlığını tek başına kanıtlamaz.
Problem
AI Agents oturumlar ve araçlar arasında proje bağlamını, daha önce öğrenilmiş bilgileri ve işe yarayan iş akışlarını kaybedebilir; bunun sonucu aynı bilgilerin tekrar verilmesi ve işlerin yeniden yapılmasıdır.
Çözüm
memory-core, memory-hub ve proxy bileşenlerini birlikte veya ayrı kurarak Chat Memory, Skill, LLM-Wiki ve Code-Graph varlıklarını ortak bir Memory Hub üzerinden sunar. README, farklı Agent istemcilerinin proxy adresini kullanarak entegre olabildiğini belirtiyor.
Yenilik
Agent'lar ve çalışma oturumları arasında paylaşılan belleği dört tür varlıkla düzenlemesi ve proxy üzerinden farklı istemcilere açması bütünlüklü bir yaklaşım. Ancak sunulan bilgiler, bellek mimarisinde veya arama yönteminde temel bir teknik yenilik olduğunu göstermiyor.
Teknolojiler
- TypeScript
- Node.js
- LLM
- vector search
- MongoDB (experimental, varsayılan olarak kapalı)
Riskler
- README, Team Memory'yi Beta olarak tanımlıyor; özelliklerin ve entegrasyonların hızla değişebileceği belirtiliyor.
- Kurulum Node.js >= 22.16 gerektiriyor ve örnek kurulum memory-core, memory-hub ve proxy servislerini birlikte başlatıyor; işletim ve yapılandırma yükü doğurabilir.
- MongoDB storage backend deneysel ve varsayılan olarak kapalı.
- README'de Benchmark bölümü bağlantısı var; sağlanan içerikte sonuçlar bulunmadığından performans ve bellek kalitesi bağımsız biçimde değerlendirilemiyor.
- Yüksek yıldız sayısı kullanım, üretim olgunluğu veya belleklerin doğruluğu hakkında tek başına kanıt değil.
Detaylı değerlendirme
Uyum profiline göre: bu işime yarar mı?
Ne yapar
TencentDB Agent Memory, birden fazla AI Agent ve insan ekip üyesi arasında paylaşılan bir memory hub sağlar. Konuşmaları Chat Memory ve Skill varlıklarına, dokümanları Wiki'ye, codebase'leri ise CodeGraph'a dönüştürür. Bu varlıkları version, ownership, visibility, ACL ve Agent binding bilgileriyle yönetir; böylece her Agent'a yalnızca ihtiyaç duyduğu memory yüklenebilir.
Nasıl çalışır
Sistem üç ana servisten oluşur: memory-core, memory-hub ve proxy. Konuşmalar önce L0 Conversation olarak saklanır, ardından asenkron pipeline ile L1 Atom, L2 Scenario ve L3 Core / Persona katmanlarına ayrıştırılır. Retrieval tarafında BM25, vector retrieval ve RRF birlikte kullanılır; sonuçlar item count, character budget ve timeout ile sınırlandırılır. Wiki dokümanları link graph içeren sayfalara, CodeGraph ise dosya, symbol, caller/callee ve impact path bilgilerine dönüştürür. Agent önce `/v3/tools/list` ile yetenekleri keşfeder, sonra `/v3/tools/call` ile ilgili içeriği on demand alır. Agent erişimi Team, User, Agent, visibility ve ACL kurallarıyla daraltılır. Proxy, desteklenen Agent'lara ortak bir endpoint/protokol üzerinden bağlanır; README bunu plugin, hook veya MCP server gerektirmeyen bir entegrasyon olarak tanımlıyor.
Kullanım alanları
- Birden fazla coding agent arasında proje bağlamı, kararlar ve çalışma tercihlerini paylaşmak
- Kaliwa codebase'lerini CodeGraph ile indexleyip Agent'ların caller/callee ve impact analysis yapmasını sağlamak
- Runbook, ürün dokümanı ve teknik kararları Wiki olarak yapılandırmak
- Tekrarlanan release, troubleshooting ve code review süreçlerini Skill olarak saklamak
- Yeni Agent oturumlarının geçmiş konuşmalardan ve proje dokümanlarından cold start yapmasını hızlandırmak
- Takım, Agent ve kullanıcı bazında private/team/restricted memory erişimi uygulamak
Alternatifler
- Mem0
- Zep
- Graphiti
Kimler için
Birden fazla Agent veya framework kullanan, memory varlıklarını ekip içinde paylaşmak ve insan onayıyla yönetmek isteyen ekipler için. Özellikle coding agent, uzun süreli proje context'i, tekrar kullanılabilir Skill ve codebase impact analysis ihtiyacı olan takımlara hitap ediyor. Tek Agent'lı, basit bir RAG uygulaması için sunduğu Hub, ACL ve asset lifecycle katmanları gereğinden ağır olabilir.
Olgunluk
Beta. README doğrudan Team Memory Beta ifadesini kullanıyor ve ürünün hızlı geliştiğini belirtiyor. Current release v2.0.0; MongoDB backend experimental ve off by default. Fully automated memory routing hâlâ geliştiriliyor, private repository ve SSH credential desteğinin de refinement aşamasında olduğu belirtiliyor. Buna karşılık 19 release, son 28 günde 25 commit ve 19 farklı yazar aktif geliştirme sinyali veriyor. PersonaMem sonucu yüzde 48'den yüzde 76'ya çıktığını iddia ediyor; ancak README'de benchmark'ın nasıl tekrarlandığı, dataset/config ve bağımsız doğrulama ayrıntıları yok.
Kurulum
README'ye göre repository clone edilir, `deploy/global-images` altında `.env` oluşturulur, memory group ve proxy group için iki LLM parametre seti doldurulur ve `./start-all.sh` çalıştırılır. Bu işlem memory-core, memory-hub ve proxy'yi birlikte başlatır; panel `http://localhost:8125` üzerinden açılır. Deneme için düşük-orta zahmetli, üretime almak için ise servislerin kalıcılığı, secrets yönetimi, authentication, network exposure, backup ve monitoring ayrıntılarının ayrıca doğrulanması gerekir. Node gereksinimi `>=22.16`; ekibin Deno/Supabase Edge Functions düzenine doğrudan uymaz. README, native Supabase/PostgreSQL veya Supabase Edge Functions deployment yolu göstermiyor.
Bizim için
Somut kullanım
Kaliwa'nın Agent'ları için ayrı bir memory service olarak küçük bir spike yapılabilir: bir Kaliwa codebase'i ve birkaç teknik doküman import edilir; CodeGraph üzerinden symbol/caller/impact sorguları ve Wiki üzerinden doküman retrieval denenir. Ardından Anthropic tabanlı bir Agent'ın `/v3/tools/list` ve `/v3/tools/call` akışlarıyla bu içeriği kullanması ölçülür. İkinci test, bir coding session'dan Skill veya Chat Memory çıkarıp Reviewer Agent'a bind etmektir. Başarı kriterleri somut olarak şunlar olmalı: aynı soruda normal RAG'e göre daha az context token kullanımı, code change öncesi doğru impact path bulma, private/team ACL ihlalinin olmaması, memory extraction hatalarının insan review'u ile düzeltilebilmesi ve proxy entegrasyonunun Kaliwa Agent runtime'ına eklenmesinin kabul edilebilir olması. Bunlar sağlanırsa harici bir team memory katmanı olarak denenebilir; mevcut Supabase verisini taşımak veya doğrudan Edge Function içine gömmek için README'de hazır bir yol yok.
Uyum gerekçesi
Konu uyumu yüksek: Agent, RAG, embedding, vector search, long-term-memory ve TypeScript doğrudan ekibin takip ettiği veya kullandığı alanlarla örtüşüyor. Anthropic ve Agent mimarileriyle kavramsal uyum da var. Ancak proje Kaliwa'nın ana stack'ine gömülen bir TypeScript library değil; Node `>=22.16` isteyen, üç servisli ayrı bir platform. Supabase/PostgreSQL, Supabase Edge Functions, Deno ve Vercel ile native entegrasyon README'de gösterilmiyor. Bu nedenle uyum, mevcut altyapıya doğrudan eklenmekten çok harici memory service olarak proxy/API üzerinden kullanım seviyesinde.
Engeller
- README MIT badge ve `MIT © TencentDB Agent Memory Team` diyor; ölçümlerde lisans `NOASSERTION`. Repository'deki LICENSE dosyası ve üçüncü taraf kod lisansları hukuk/teknik olarak doğrulanmadan üretim kullanımı yapılmamalı.
- Node `>=22.16` gereksinimi Kaliwa'nın Deno ve Supabase Edge Functions runtime'ıyla doğrudan uyumlu değil.
- memory-core, memory-hub ve proxy olmak üzere üç servisin işletilmesi basit bir package/library entegrasyonundan daha maliyetli.
- README'de Supabase/PostgreSQL, pgvector, Supabase Auth veya Vercel için native adapter/deployment yolu görünmüyor.
- Wiki ve CodeGraph asenkron işleniyor; import sonrası sonuçların ready olması için bekleme ve job/status takibi gerekiyor.
- Fully automated memory routing tamamlanmamış; manuel asset binding operasyonel yük oluşturabilir.
- Benchmark iddiasının yeniden üretim ayrıntıları ve bağımsız doğrulaması README'de yok.
- Private repository ve SSH credential desteği refinement aşamasında; Kaliwa repository'leri private ise kritik olabilir.
- Memory extraction ve Skill üretiminde yanlış, eski veya gizli bilginin paylaşılması riski için review, deletion ve retention politikaları ayrıca incelenmeli.
Ne zaman kullanılır
Kaliwa'da Claude tabanlı veya farklı framework'lerde çalışan birden fazla Agent'ın aynı proje context'ini tüketmesi gerektiğinde kullanılabilir. En güçlü aday senaryo, bir codebase ve doküman setini bir kez import edip Builder ve Reviewer gibi farklı Agent'lara farklı asset loadout'ları vermek. Ayrıca Chat Memory ve Skill'leri private başlayıp review sonrasında team seviyesinde paylaşma ihtiyacı varsa değerlidir.
Ne zaman kullanılmaz
Yalnızca Next.js uygulamasına basit semantic search veya tek bir RAG retrieval katmanı eklemek isteniyorsa kullanılmamalı; mevcut Supabase/PostgreSQL/pgvector altyapısı daha az operasyonla yeterli olabilir. Deno-only deployment, Supabase-native persistence veya Vercel üzerinde serverless olarak çalışması gerekiyorsa uygunluğu README'den kanıtlanmıyor. Agent memory'nin otomatik ve hatasız biçimde route edilmesi zorunluysa da şu an erken; README manual asset binding'in desteklendiğini ve automated routing'in hâlâ iteration aşamasında olduğunu söylüyor.
Dikkat edilecekler
- Önce production verisi olmadan, sentetik veya redakte edilmiş bir Kaliwa repository ve doküman setiyle spike yapılmalı.
- Proxy'nin Anthropic kullanan Kaliwa Agent akışıyla hangi protokol ve authentication modeli üzerinden uyumlu olduğu kaynak kod ve API dokümanlarıyla doğrulanmalı.
- Memory varlıklarının ACL davranışı özellikle `private`, `team`, `restricted` ve `agent` seviyelerinde negatif testlerle kontrol edilmeli.
- CodeGraph çıktısının TypeScript/Next.js import, dynamic route, Supabase Edge Function ve SQL migration ilişkilerini doğru yakalayıp yakalamadığı örnek değişikliklerle ölçülmeli.
- LLM çağrılarının hangi provider'a gittiği, iki LLM parameter grubunun maliyeti, timeout ve retry davranışı incelenmeli.
- Supabase'teki mevcut kullanıcı/team kimlikleriyle Memory Hub identity modelinin nasıl eşleneceği netleştirilmeli.
- README'deki MIT lisansı ile ölçümdeki `NOASSERTION` çelişkisi çözülmeden dependency allowlist'e alınmamalı.
- PersonaMem sonucunu karar gerekçesi yapmadan önce benchmark script'i, model, prompt, dataset ve baseline tekrar üretilmeli.
- Kaliwa'nın mevcut RAG/pgvector çözümüyle token kullanımı, latency, retrieval precision ve operasyon maliyeti karşılaştırılmalı.