鲲鹏原生Agent记忆底座以分层记忆治理与低时延知识供给为核心，构建上下文记忆管理框架、向量数据库、鲲鹏亲和加速三层架构。通过分层检索、按需加载、会话压缩归档、上下文缓存及混合介质检索等能力，实现记忆全生命周期管理。实测可降低Token开销50%+，提升任务成功率20%。

特性介绍

记忆系统解决方案以降低Token开销、提升任务成功率为目标，采用上下文/记忆管理框架、向量数据库、鲲鹏亲和加速的三层架构。

oG-Memory 上下文/记忆管理框架将Agent无状态上下文升级为受管理的系统资源，实现质量、成本与效率的协同优化。传统Agent记忆如同散落的便利贴，各自分立、无法复用；oG-Memory将其升级为系统化企业知识管理系统，支持权限控制、事务管理、版本审计，实现Agent按需获取记忆。

核心能力如下：

• 完整的上下文生命周期管理，实现上下文全流程精细控制，避免记忆越管越乱。
• 基于数据库的虚拟文件系统，统一数据命名空间，实现Agent读取亲和。
• 跨Agent记忆共享，打通上下文传递链路，提高团队效率。
• 基于DB First架构，原生支持向量、文本、图三种检索融合。

openGauss向量数据库，提供向量数据类型的存储、检索，使用熟悉的SQL语法操作向量，简化了用户使用向量数据库的过程。在处理大规模高维向量数据时，能够提供快速、准确的检索结果。适用于智能知识检索、检索增强生成 RAG(Retrieval-Augmented Generation) 、Agent记忆系统等各种复杂应用场景的智能应用。openGauss开源软件包获取链接：

https://opengauss.org/zh/download/?version=lts

鲲鹏加速库，提供基于鲲鹏平台优化的高性能算子加速能力，通过SIMD指令优化、缓存数据编排等充分发挥鲲鹏算力，实现性能倍增。BoostKit文档说明链接：

https://www.hikunpeng.com/document/detail/zh/kunpengboostkit/overview/index.html

优势分析

分层检索：参考渐进式披露思想，将记忆分层存储——先粗筛目录摘要，再按类别缩小范围，最终精确返回叶子记忆，确保检索准确性

按需加载：记忆按摘要、概览、全文三级粒度管理，根据问题相关度动态加载——强相关加载全文，弱相关仅加载摘要。保障记忆质量，降低Agent推理复杂度。

会话压缩归档：对历史消息进行摘要压缩，保留近期活跃消息，有效减少长会话冗余，降低Token开销。

上下文缓存：缓存历史工具执行结果，上下文仅保留引用、摘要与必要片段，既保证运行过程的低token开销，又实现必要时工具结果的准确查找。

混合介质检索：通过内存导航图、热点页缓存优化IO访问，实现内存+SSD混合介质检索，降低检索内存开销

全局内存检索：基于UB共享内存实现分布式全局内存索引，解决分片算法计算量超线性增长问题，应对百亿/千亿超大底库挑战。

Embedding模型CPU推理优化：通过矩阵外积实现提升GEMM算子利用率，基于向量化指令、数据切分优化Attention算子，实现Embedding模型鲲鹏CPU高效运行。

结语

鲲鹏记忆系统方案，把短期上下文、长期记忆、外部资源和技能经验统一成可检索、可压缩、可追溯的上下文资源。在长期运行、多轮交互、多工具调用、多会话切换中，让模型拿到“有用、可信、可追溯、不过量”的上下文。 实测证明鲲鹏记忆系统可实现Token开销下降50+%，任务成功率提升20%。

记忆系统端到端效果