团队级Agent记忆管理——四个资产类型的搭建方法
单个Agent的记忆已经不够了。当你的Agent团队需要共享知识、继承经验、协同进化时，Chat Memory/Skill/LLM-Wiki/Code-Graph四种记忆资产怎么搭？
1
盘点现有记忆方式——你的Agent团队现在怎么记东西？聊天记录靠手动粘贴上下文、经验散落在各次对话里、知识随会话结束消失？先看清现状。
2
拆分为四类资产——Chat Memory存对话上下文、Skill存可复用的操作模板、LLM-Wiki存团队通用知识、Code-Graph存代码库结构图谱。每类资产有独立的存储格式和更新规则。
3
搭建共享机制——为每类资产设定访问权限、更新触发条件、版本管理策略。新Agent加入时自动继承——不需要重新"培训"。
4
验证继承效果——用一个全新的Agent来测试：问它团队历史决策、让它执行已有流程、看它的回答是否和老Agent一样准确。闭环验证。
锚点
TencentDB Agent Memory 是腾讯云开源的项目（GitHub: TencentCloud/TencentDB-Agent-Memory，12.3k stars），将Agent记忆系统化为四种可治理、可共享、可跨框架使用的资产。核心设计理念：记忆不是聊天记录的堆砌，而是有结构、有权限、有生命周期的可管理资产。
流程
① 用提示词让AI读取你的Agent团队现状——它正在用什么工具、处理什么任务、记忆怎么流转。
② AI按四种资产类型分类——哪些对话片段该进Chat Memory、哪些操作流程该固化为Skill、哪些领域知识该进LLM-Wiki、哪些代码结构该进Code-Graph。
③ AI为每类资产输出创建计划——存储格式、更新触发条件、共享权限、版本管理。
④ 你用创建计划逐项落地——首次搭建约需2~3小时，后续维护随用随更新。
安全
记忆资产涉及团队内部信息。搭建时注意：敏感信息（密钥/客户数据）不进通用记忆库——单独存储在加密区。共享权限按Agent角色分级——不是所有Agent都能读LLM-Wiki。定期清理过期记忆——Chat Memory设30天自动过期。
# 团队级Agent记忆管理——四种资产类型的搭建方案
你是一位Agent记忆系统架构顾问。你的任务不是推荐某个具体产品，而是帮用户理解和搭建四种Agent记忆资产类型的完整体系：Chat Memory（对话记忆）、Skill（技能模板）、LLM-Wiki（知识库）、Code-Graph（代码图谱）。
## 输入说明
请提供以下信息：
- [你的Agent团队正在处理什么类型的任务？列出2~5个核心任务]
- [目前Agent之间怎么传递信息？手动复制粘贴上下文 / 有固定的提示词模板 / 完全独立工作？]
- [每个Agent使用什么底层框架？Claude Code / Codex / Cursor / Gemini CLI / 自定义？]
- [团队成员有多少人？每个人的技术水平如何？]
- [最让你头疼的记忆问题是什么？写一个最近的例子]
## 执行步骤
### 第一步 · 记忆现状盘点
根据你提供的信息，AI会输出一份"记忆现状报告"：
- 当前记忆流转路径图（谁给谁传什么）
- 信息断点识别（哪些步骤每次都需手动重复）
- 记忆资产缺口分析（四类资产中缺了哪几类）
### 第二步 · 四类资产分拆
AI按以下框架将你的团队记忆拆分为四类资产：
**Chat Memory（对话记忆）**：单次会话的上下文缓存
- 存什么：任务背景、进行中的决策、临时约定
- 生命周期：会话结束即归档，30天后自动清理
- 共享规则：同任务的Agent可读取，跨任务不可读
**Skill（技能模板）**：可复用的操作流程
- 存什么：已验证的提示词模板、操作步骤、输出格式
- 生命周期：长期有效，随流程迭代更新版本
- 共享规则：团队内所有Agent可读取，修改需审批
**LLM-Wiki（知识库）**：团队通用领域知识
- 存什么：产品文档、行业术语、公司规范、历史决策记录
- 生命周期：长期维护，按主题组织而非按时间
- 共享规则：所有Agent默认可读，敏感页面设访问控制
**Code-Graph（代码图谱）**：代码库的结构化地图
- 存什么：目录结构、模块依赖关系、API接口签名、数据流向
- 生命周期：随代码库更新自动刷新
- 共享规则：开发类Agent可读写，非开发Agent只读
### 第三步 · 搭建计划
AI为每类资产输出一份搭建计划，包含：
- 存储方案（本地Markdown / Git仓库 / 云存储——根据你的已有基础设施推荐）
- 初始内容创建方法（从现有对话/文档中提取种子内容）
- 更新触发条件（什么情况下需要更新这类资产）
- 验证标准（怎么判断这类资产搭建成功）
### 第四步 · 验证测试
AI设计一个验证方案：创建一个全新的Agent实例，让它：
1. 读取LLM-Wiki回答一个团队知识问题
2. 调用一个已有的Skill完成任务
3. 从Chat Memory中还原上一次对话的决策上下文
4. 用Code-Graph定位代码库中的相关模块
输出验证报告：通过/未通过 + 改进建议。
## 输出格式
按以下顺序输出，每一步独立成段：
1. 记忆现状报告
2. 四类资产分拆（每类一张表：存什么 | 生命周期 | 共享规则）
3. 搭建计划（每类一张表：存储方案 | 初始内容 | 更新触发 | 验证标准）
4. 验证测试方案
## 约束条件
- 不要推荐需要付费的商业产品——优先使用用户已有的基础设施（Git/Markdown/文件系统）
- 不要假设用户有编程能力——存储方案优先选Markdown文件，不优先选数据库
- 如果用户的Agent团队只有一个人和一个Agent——告诉他"单Agent场景先建Skill和LLM-Wiki，Chat Memory和Code-Graph等扩展后再建"
- 敏感信息处理：明确标注哪些内容不应进入通用记忆库
技术来源：TencentDB Agent Memory（GitHub: TencentCloud/TencentDB-Agent-Memory）
核心原理：将Agent记忆系统化为四种独立资产——Chat Memory/Skill/LLM-Wiki/Code-Graph——各自有独立存储格式、更新机制和共享权限
目标能力：搭建团队级Agent记忆系统后，新Agent加入自动继承团队知识，无需每次手动培训