记忆金字塔：L0 → L3 四层渐进式记忆
对话首先作为 L0 保存，再由异步 Pipeline 提炼为不同粒度的记忆。底层存数据库、全量可检索；高层写成 Markdown、人可直接读改。
TencentDB Agent Memory · MemoryCore
L3 Core / Persona 长期画像 · 稳定模式
每次会话无条件注入
保存什么
长期画像、稳定模式、高层认知（"这个用户/团队是谁"）
主要用途
让 Agent 迅速进入用户和团队语境
存储 / 生成
persona.md（全实例一份）+ profiles 表；四层深扫模型生成
L2 Scenario 场景档案 · 知识块
快速恢复工作场景
保存什么
围绕项目/场景组织的知识块（frontmatter + 正文）
主要用途
快速恢复一个工作场景的上下文
存储 / 生成
scene_blocks/*.md + scene_index；LLM 沙箱 Agent 工具读写
L1 Atom 原子记忆 · 记忆卡片
精确召回可执行信息
保存什么
事实、偏好、约束、事件（含 type / priority / scene_name / version）
主要用途
精确召回可执行信息；"会议纪要"式结构化记忆
存储 / 生成
l1_records 表 + vec0 向量表 + FTS5；单次 LLM JSON 抽取 + 批量去重
L0 Conversation 原始对话 · 流水账
核对原话、时间、来源
保存什么
原始对话全文与完整上下文，一字不改
主要用途
溯源证据：查原话、查时间线、验证抽取正确性
存储 / 生成
l0_conversations 表 + JSONL 双写；不经 LLM 直接旁路记录
蒸馏（写入）L0 → L1 → L2 → L3
L3 → L2 → L1 → L0下钻（溯源/纠错）
L0：留证据 L1：保精度 L2：保情境 L3：保效率
生成与召回都分层：平时用 L2/L3 快速进入语境；需要具体事实时，通过 BM25、向量检索与 RRF 回到 L1/L0。来源：官方 README「技术实现」章节 + MemoryCore 源码（l0-recorder / l1-extractor / scene-extractor / persona-generator）。