让 Agent 拥有记忆 —— 表格存储记忆服务邀测指南

什么是表格存储记忆服务？

表格存储记忆服务是基于阿里云表格存储构建的 AI Agent 记忆服务，为 Agent 提供长期记忆与短期记忆的持久化存储、语义检索和管理能力。它可以让 Agent 在多轮对话和跨会话场景中保留和利用关键信息。

记忆服务结合了表格存储的高性能向量检索与全文检索能力，以及大语言模型（LLM）的自动记忆提取和语义理解能力，无需开发者手动处理记忆的抽取和组织。

表格存储记忆服务的演进历程

表格存储（Tablestore）在 AI 领域已服务了大量客户：

• 通义千问、钉钉、夸克等产品基于 Tablestore 构建了对话记录与记忆存储能力
• 1688、ECS AI 助手等产品基于 Tablestore 搭建了大规模知识检索服务
• 智能医疗、AI 游戏、AI 非遗等行业场景的客户将表格存储用于 Agent Memory 的持久化管理

在 AI Agent Memory 领域，表格存储经历了以下演进阶段：

• 初期，一些用户直接将表格存储作为存储和检索服务使用，在应用层自行管理记忆的抽取、加工和检索逻辑，开发成本较高。
• 随后，表格存储接入了 mem0 开源生态，降低了集成门槛，但在实际使用中记忆检索的效果有待优化，难以满足生产级需求。
• 现在，我们推出了表格存储记忆服务——由表格存储原生提供的一站式 AI Agent 记忆解决方案。开发者无需自行处理记忆抽取逻辑，有海量规模、低成本、高准确率、Serverless 的优点，可让 Agent 获得稳定可靠的记忆能力。

核心能力

• 记忆自动提取 — 将对话消息或文本传入后，系统自动从中提取关键事实和偏好，生成结构化的记忆单元。开发者无需编写额外的提取逻辑。
• 语义检索 — 支持向量检索 + 全文检索的混合检索模式，以自然语言作为查询输入即可精准召回相关记忆，同时可选启用 Rerank 二次排序进一步提升结果相关性。
• 海量租户隔离 — 基于表格存储实现海量记忆存储，支持水平拓展。并通过多层次的作用域实现灵活的数据隔离，满足百万租户、百亿记忆存储的场景需求。
• 长期、短期记忆 — 支持查询完整历史会话内容（短期记忆），同时支持会话记忆检索（长期记忆）。

了解概念

记忆库（MemoryStore）

记忆库是管理记忆的顶层容器。每个记忆库拥有独立的数据存储空间。

记忆（Memory）

记忆是系统从对话消息中自动提取和推导出的结构化信息单元。每条记忆包含文本内容、元数据、作用域（Scope）和向量 Embedding 等信息，支持增删改查和语义检索操作。

作用域（Scope）

Scope 是记忆库实现多租户和数据隔离的核心机制，由四个层级字段组成：

邀测接入方案

当前支持的 Region

• 北京地域

接入步骤

1. 创建实例：在北京地域创建表格存储实例。
2. 获取实例信息：获得表格存储实例的 Endpoint、实例名称，以及对应的 AccessKey ID / AccessKey Secret。
3. 安装 SDK：根据您的开发语言，安装表格存储 SDK（Python 或 Node.js）。
4. 初始化客户端：使用获取到的凭证初始化 SDK 客户端。
5. 创建记忆库：调用 CreateMemoryStore 接口创建您的第一个记忆库。
6. 开始使用：通过 AddMemories 写入记忆、通过 SearchMemories 检索记忆。

样例代码

基于tablestore python sdk 6.4.5版本:

# 1. 创建记忆库
client.create_memory_store({
    "memoryStoreName": "my_store",
    "description": "我的 Agent 记忆库"
})

# 2. 添加记忆（通过对话消息）
client.add_memories({
    "memoryStoreName": "my_store",
    "scope": {"appId": "my_app", "tenantId": "user_001", "agentId": "agent1", "runId": "run01"},
    "messages": [
        {"role": "user", "content": "我喜欢喝咖啡"},
        {"role": "assistant", "content": "好的，我记住了"}
    ]
})

# 3. 搜索记忆
result = client.search_memories({
    "memoryStoreName": "my_store",
    "scope": {"appId": "my_app", "tenantId": "user_001", "agentId": "*", "runId": "*"},
    "query": "用户喜欢什么饮品",
    "topK": 5
})
for hit in result.get("results", []):
    print(hit["unit"]["text"], hit["score"])

# 4. 列出记忆
result = client.list_memories({
    "memoryStoreName": "my_store",
    "scope": {"appId": "my_app", "tenantId": "*", "agentId": "*", "runId": "*"},
    "limit": 20
})

Agent 框架集成

除了直接调用 SDK 外，记忆库还提供了主流 Agent 框架的插件集成方案，可以更便捷地将记忆能力嵌入现有 Agent 应用。

OpenClaw 插件

通过 openclaw-tablestore-memory 插件，OpenClaw Agent 可以在每轮对话中自动检索相关记忆并注入到 prompt 上下文，对话结束后自动将本轮内容回写到记忆库。

安装方法

openclaw plugins install @tablestore/openclaw-tablestore-memory

配置样例

{
  "plugins": {
    "slots": {
      "memory": "tablestore-mem"
    },
    "entries": {
      "tablestore-mem": {
        "enabled": true,
        "config": {
          "endpoint": "https://mem-test.cn-shanghai-cloudspe.ots.aliyuncs.com",
          "otsInstanceName": "mem-test",
          "accessKeyId": "<your-ak>",
          "accessKeySecret": "<your-sk>"
        }
      }
    }
  }
}

Hermes 插件

hermes-tablestore-memory 插件为 Hermes Agent 提供语义长期记忆能力，支持自动对话同步、记忆预取，并提供 tablestore_profile、tablestore_search、tablestore_remember、tablestore_forget 四个工具供 Agent 显式调用。

hermes plugins install https://github.com/aliyun/hermes-tablestore-memory
hermes memory setup  # 选择 tablestore-mem，并配置访问凭证

性能评测

我们从检索准确率、检索延时和存储规模三个维度对表格存储记忆服务进行了评测，并与业界主流记忆方案 Mem0 做了对比：

检索准确率

评测基准：LoCoMo 数据集

LoCoMo 是当前记忆系统评测领域最具代表性的基准之一。与早期评测集只覆盖 3-5 轮短对话不同，LoCoMo 平均每条测试数据包含 300 轮对话、跨 35 个会话，贴近真实用户与 AI 助手长期交互的场景。

LoCoMo 原始定义了五类推理问答（单跳、多跳、时间推理、开放领域、对抗性问题），我们基于其中四类进行了评测：

评测结果：

在单跳推理（直接检索单条事实）上 Mem0 略优 6.6%，但在更贴近真实复杂度的多跳推理和时间推理场景中，表格存储分别领先超过 30%——当用户的问题需要 AI 把多次对话串联起来、理解时间先后做出判断时，表格存储记忆服务的检索质量明显更高。

检索延时

测试条件为单记忆库 120 万租户、1 亿+ 条记忆数据的超大规模场景：

亿级数据量下 P50 延时稳定在 200 ms 左右，即使返回 Top50 结果，P95 也在 384 ms 以内。换个直观说法：即使一个百万日活 App 的所有用户记忆汇总到一个库里，每次对话中的记忆检索依然能在 200 毫秒内完成，用户几乎感知不到等待。

存储规模

单记忆库已验证支持 120 万租户、1 亿+ 条记忆的存储与检索。基于表格存储的分布式架构，系统支持水平扩展，无理论上限——不需要按租户数量做分库分表的容量规划，业务增长时存储层自动跟上。