Hy-Memory 2.0 – 腾讯混元开源的智能体记忆框架

Hy-Memory 2.0是腾讯混元于2026年10月推出的面向 AI 智能体的三层记忆框架，由专用记忆模型、记忆框架与 MemHub 本地应用组成，支持聊天、工作、代码三类记忆的写入与检索，适用于长期偏好延续、跨会话任务接续与代码版本回溯等场景。

Hy-Memory 2.0 的核心能力

Hy Memory 按任务类型拆出三条记忆流水线，写入与检索先经场景路由再进入对应管线，管线之上还有由 evolve() 触发的 System 2 演化层，与 AI智能体 的上下文管理直接相关。

聊天记忆按八层组织

聊天记忆从原始对话逐层抽象，官方层级为 L0 基础信息、L1 原始对话（只追加）、L2 原子事实（带版本、不可改）、L3 会话摘要、L6 心智模型与 L7 前瞻意图，L4 与 L5 为预留位。原子事实独立版本化后新旧说法不会互相覆盖；前瞻意图带过期时间，过期即降级为普通事实。

多跳问答时，框架先合并重复信息、剥离前后冲突，再把整理后的记忆交给模型。

工作记忆拆成事实与经验两层

工作场景按会话产出两层记忆：事实层每次会话固定写 1 条，记录任务、做法与结果，含陈述、主体、涉及文件；经验层写 0 到 N 条，只有通过价值阈值的方法才留下，含检索键、解法、适用环境与置信度。

两层双向关联：事实记下 derived_experience_ids，经验回指 source_fact_ids；被推翻的旧事实经 fact_chain_summary 保留可追溯记录。复用经验前会先判断当前环境是否落在适用条件内。

代码记忆附带版本演进链

代码场景与工作场景共用同一套双层管线，差别有三处：抽取规范换成软件工程口径，记录文件、函数、分支等坐标而不粘贴代码；数据写入独立的 coding_memory_cv.db，与工作记忆隔离；额外挂一条版本演进链。

演进链补的是摘要必然丢失的信息：某次改动被回滚后，该版本既不在事实里，也不在工作树或 HEAD 上。链条把每个版本的 diff 原样存下且不消耗大模型调用；它不是检索器而是装饰器，只在每条事实下挂出该代码的全部修订。来源支持本地 Git diff（设置 MEMORY_CODING_CHAIN_REPO_ROOT）或轨迹中的确定性替换。

三种运行模式与多后端存储

运行模式决定调用成本：lite 只做原始向量的写入与检索，不调用大模型，场景与层级参数被忽略，等价于常规 RAG；pro 增加抽取与冲突合并，为默认档；ultra 再加 schema 归纳与跨领域扫描，图谱存储常开。

存储可替换：向量库默认 ChromaDB，另支持 Qdrant 与 FAISS；图存储默认 Kuzu，可换 Neo4j。接入只需一个兼容 OpenAI 协议的模型端点与一个 embedding 端点，两者可分别指定。

Hy-Memory 2.0 与同类记忆框架的对比

记忆框架已出现多条实现路线，把 Hy-Memory 2.0 与官方列为对照对象的两个项目并列，可以看清形态差异。

上表数值取自腾讯混元官方发布页与 Mem0、MemOS 各自仓库页，核查于 2026 年 10 月 19 日。产品定位上，两个对照项目都是可嵌入的记忆层组件，Hy-Memory 2.0 是含模型、框架与桌面端的三层方案。交付构成决定落地成本：多出的本地应用让不写代码的用户也能直接用，另两家需要自行搭服务端。接入方式上，三者都以 SDK 起步，它额外提供一个跨工具的桌面入口。

字节火山引擎开源的 OpenViking 走另一条路线：把 Agent 上下文按数据库组织与检索，适合已有自建框架、只补一层上下文管理的团队。

Hy-Memory 2.0 的应用场景与适用人群

三类记忆各自对应一批明确的日常任务，下面按场景说明它能解决什么。

• 长期个人助手：跨天跨会话记住关注方向与分析习惯，方向调整后旧偏好归档但可追溯，助手不会把已放弃的板块推回来。
• 生产力任务接续：把文档处理与调研过程记成事实与经验，同类任务再来时先取回可复用做法。
• 代码协作与回溯：在 Cursor 这类编辑器里记录改动涉及的文件与函数坐标，并保留被回滚版本的 diff，排查回归时能读到当时真实改动。

适用人群：需要为自研 Agent 补长期记忆的开发者、同时使用多个 AI 编程与办公工具的工程师，以及希望在本地统一管理会话记忆的重度用户。

Hy-Memory 2.0 的使用方法

产品提供两条使用路径：不想写代码的用户直接用 MemHub 桌面端与命令行，开发者通过 Python SDK 把记忆能力接进自己的 Agent。

普通用户入口

MemHub 是本地优先的记忆管理应用，桌面端与命令行共用同一运行时与数据目录。

• 获取安装包：从 Hy Memory 官网 下载 macOS 签名版，或以 memhub-cli 在 Linux 装运行时。
• 启动服务：执行 memhub install 下载受管运行时，再用 memhub start 启动。
• 授权并汇总：逐个授权 AI 工具，历史会话导入为本地记忆，新会话此后实时汇入同一份记忆。

开发者接入

SDK 以 pip 包分发，核心依赖已含 ChromaDB 与 Kuzu，其他后端按需加装。

1. 安装依赖：执行 pip install hy-memory==2.0.3，换向量库改用对应 extras，例如 hy-memory[qdrant]。
2. 配置端点：设置 MEMORY_LLM_BASE_URL、MEMORY_LLM_MODEL 与 embedding 变量，兼容 OpenAI 协议即可。
3. 创建客户端：调用 HyMemoryClient(mode="pro")，按需切换 lite 或 ultra。
4. 写入与检索：用 client.add() 写入，工作与代码场景需附工具轨迹并指定 scene；用 client.search() 取回事实、经验与代码链块。
5. 触发演化：ultra 模式下调用 client.evolve() 执行 schema 归纳。

Hy-Memory 2.0 的项目地址

• 项目官网：https://memory.hunyuan.tencent.com/
• GitHub 主仓库：https://github.com/Tencent-Hunyuan/Hy-Memory

Hy-Memory 2.0 的价格方案

Hy-Memory 2.0 的软件与模型权重都不收费：框架与 MemHub 以 Apache-2.0 开源，SDK 通过 PyPI 发布，专用模型 Hy-Memory-30B-A3B 在 Hugging Face 以同一协议开放下载，无订阅档位。

支出集中在外部依赖：抽取调用所配置的大模型，写入与检索调用 embedding 服务，各按服务商刊例计费；本地向量库与 SQLite 不产生费用。成本敏感时把模式切到 lite，该模式不发起大模型调用。

Hy-Memory 2.0 的常见问题