腾讯云 Agent Memory 节省 61% Token 提升 52%成功率的诀窍：Mermaid 无限画布×上下文卸载

📌 一句话摘要

腾讯云提出一种结合上下文卸载与 Mermaid 无限画布的短期记忆压缩方案，在超长 Session 中最高节省 61% Token 并将任务通过率提升 52%。

📝 详细摘要

本文由腾讯云开发者团队撰写，提出了一种面向 AI Agent 长任务场景的短期记忆压缩方案。核心思路是将「上下文卸载」与「Mermaid 无限画布」相结合：前者将完整的工具调用结果、网页原文等长内容卸载到外部文件系统，仅在上下文中保留摘要和索引；后者利用 Mermaid 流程图语言将离散的任务步骤组织成带状态、摘要和时间戳的任务拓扑图，使 Agent 能够理解任务结构、进度和依赖关系。文章详细阐述了符号化压缩的三条设计原则（通用知识、生成简单、表达自由），对比了 Flowchart 与 StateDiagram 的选型差异，并给出了从原始结果到 JSONL 摘要、MMD 节点、任务元数据的四层折叠与召回架构。在 SWEbench、Toolathlon、WideSearch、AA-LCR 四个评测集上的实验表明，该方案在显著降低 Token 消耗的同时，任务完成率或准确率均有提升。消融实验进一步验证了 Mermaid 画布在保留任务结构方面的关键作用。该能力已随 TencentDB Agent Memory 产品化发布并开源。

💡 主要观点

- 短期记忆压缩的核心是同时解决「信息太长」和「结构丢失」两个问题。 单独使用上下文卸载只能将长内容移出上下文，但 Agent 仍难以理解任务步骤间的依赖关系；单独使用 Mermaid 画布能表达任务结构，但缺乏底层原始证据支撑。两者结合才能实现细节可恢复、结构不丢失。

Mermaid 流程图作为任务画布，比状态图更适合 Agent 的探索式执行过程。 Flowchart 支持任意分支、合并、循环和双向箭头，能表达并行搜索、多源汇总、失败回退等复杂依赖，而 StateDiagram 更适合严格生命周期驱动的对象。实验表明 Flowchart 效果比 StateDiagram 好约 15%。

信息采用四层折叠架构：原文、JSONL 摘要、MMD 节点、任务元数据。 完整结果存为 refs/.md，工具调用级摘要写入 offload-.jsonl，任务步骤级摘要更新到 mmds/*.mmd，任务级索引保留 metadata。Agent 按需逐级展开，避免上下文腐烂。

在超长 Session 实验中，方案在降低 Token 消耗的同时提升了任务完成率。 WideSearch 节省 61.38% Token 且通过率相对提升 51.52%，SWEbench 节省 33.09% Token 且完成率相对提升 9.93%，AA-LCR 节省 30.98% Token 且准确率相对提升 7.95%。

💬 文章金句

- 问题不在于信息太多，而在于信息没有被「压缩成最可用的形式」。

• 真正可用的压缩，不应该依赖模型「记住了什么符号」，而应该依赖模型「能够从符号中推理出什么结构」。
• Mermaid 不是把历史变成一段话，而是把历史变成一张可以继续执行的任务地图。
• 「无限」的重点不是「无限读取」，而是「无限可达」。
• 上下文卸载就是把 Agent 的工作记忆变轻：眼前只放当前要用的信息，细节放在外部，靠索引随时找回。

📊 文章信息

AI 初评：90

来源：腾讯云开发者

作者：腾讯云开发者

分类：人工智能

语言：中文

阅读时间：73 分钟

字数：18050

标签： Agent Memory, 上下文卸载, Mermaid, 短期记忆压缩, AI Agent

阅读完整文章