AgentsOpen Source 🇺🇸 08.08.2026 01:01

Tencent Cloud publie en open source TencentDB Agent Memory v2.0, un hub de mémoire au niveau équipe pour les agents de codage IA

TencentTencent
Tencent Cloud a publié en open source TencentDB Agent Memory v2.0, un hub de mémoire auto-hébergé sous licence MIT pour les agents IA. Il convertit les conversations, documents et code en quatre actifs de mémoire réutilisables—Chat Memory, Skill, LLM-Wiki et CodeGraph—avec gouvernance et partage basé sur les listes de contrôle d'accès (ACL). La version stable est datée du 3 août 2026.
Tencent Cloud a publié en open source TencentDB Agent Memory v2.0, un hub de mémoire pour agents IA au niveau équipe, conçu pour éviter de répéter le contexte du projet d'une session à l'autre. Le système transforme les conversations, les documents et le code en quatre ressources de mémoire réutilisables — Chat Memory, Skill, LLM-Wiki et CodeGraph — qui sont versionnées, soumises à des autorisations et équipées pour des agents spécifiques. La nouveauté réside dans la couche de gouvernance qui permet aux agents de l'équipe de partager le contexte appris tout en sécurisant les éléments privés. La version stable 2.0.0 a été publiée le 3 août 2026. Elle est sous licence MIT et hébergée en autonomie, avec des images Docker sur Docker Hub prenant en charge linux/amd64 et linux/arm64. Le projet s'adresse aux concepteurs individuels et aux petites équipes d'ingénierie, tandis que les organisations de taille moyenne peuvent l'utiliser comme infrastructure partagée ; les grandes entreprises réglementées devraient le tester en pilote. La mémoire de chat est distillée en couches L0, L1, L2 et L3, avec une récupération utilisant BM25, la recherche vectorielle et RRF dans le cadre de limites budgétaires. La gouvernance utilise des niveaux de visibilité (privé, équipe, restreint) ainsi qu'une liaison fixe et une liste de contrôle d'accès (ACL). Le proxy mémoire prend en charge les protocoles Anthropic et OpenAI, et les SDK officiels sont disponibles pour TypeScript et Python. Les intégrations prises en charge incluent OpenClaw, Hermes, Claude Code, CodeBuddy et l'utilisation directe du SDK. Les résultats rapportés indiquent que la précision de PersonaMem est passée de 48 % à 76 %, soit une amélioration relative de 59 %, mais ces résultats sont autodéclarés et non reproduits de manière indépendante.
Source: MarkTechPost — original
Nos articles précédents sur ce sujet ↓
Infos fraîches