在使用OpenClaw和Hermes Agent等AI Agent框架时，发现对于Agent来说，记忆是非常重要的内容，它决定了你的Agent是否能够高效的工作，而记忆本身又有以下一些特点：它不仅是文本数据，还包含上下文与元数据，同时记忆也是有关联性的，记忆与知识还共同构建成了图谱。
但是目前Agent的原生记忆系统主要还是使用文件文本存储记忆，这就带来了一些问题：
- 如果记忆较大或文件较多，记忆的操作就会非常麻烦
- 文本记忆很难通过有效索引加速查询
- 文本记忆难以建立有效的记忆链条和知识图谱
上面的问题除了为记忆操作增加了难度，更直观的表现则是为了尽可能获取准确的记忆，在工具层面就会消耗更多的token。另一方面，反复的记忆抽取操作还可能造成上下文的过度占用与污染。
为了解决文件文本存储记忆的痛点，我最近做了很多基于数据库的AI Agent记忆系统，也就OceanBase Community Edition v4.5.0做了一套记忆系统。借助OceanBase强大的多模存储，将文本数据、上下文数据、元数据分别以合适的方式存入数据库中，结合OceanBase强大混合检索能力尽可能实现快速的记忆操作与检索能力。
目前该记忆系统已经实现：
- 长文本记录：记录重要记忆原文
- JSON记录：元数据存储
- 向量记录：将需要转储为向量的记忆内容embedding转换后存入数据库，用于向量匹配
- 图存储：通过模拟方式，实现类似于图的存储于检索
- 多模混合查询：根据需求用最快捷方式实现记忆检索
- 任务管理：数据库中记录任务进度，便于中断继续与后续学习
- 多Agent支持：实现多个Agent的记忆隔离、会话管理等功能
…
目前该Skill项目已经开源，地址为： GitHub - Haiwen-Yin/memory-ob4-ce-by-yhw: Skill: Use OceanBase 4.x Community Edition as memory of AI Agents. · GitHub
截止2026年5月8日，项目版本更新至v0.1.2，但仍为开发测试为主，欢迎大家提出问题一起学习，顺便点点
则更好。