Hy Memory 2.0 – 腾讯混元开源的智能体记忆框架

1. Hy Memory 2.0是什么

Hy Memory 2.0 是腾讯混元开源的智能体记忆框架，采用"模型 + 框架 + 应用"三层架构：专为记忆训练的 Hy-Memory-30A3B 模型、支持聊天/工作/代码三类记忆的 SDK，以及可连接 10 种 AI 工具的本地记忆管理应用 MemHub。该框架能够跨对话、跨工具沉淀和同步个人记忆，使 Agent 具备连续、完整的长期记忆能力，已在腾讯自选股、腾讯新闻等核心业务中落地验证。

技术定位与领域： Hy Memory 2.0 属于智能体记忆管理这一细分赛道，其核心目标在于解决大语言模型在长程任务和多轮交互中面临的"记忆断裂"问题。不同于传统的检索增强生成（RAG）方案，该框架将记忆的存储、更新、召回作为独立的技术栈进行系统化设计，为 Agent 提供结构化的长期记忆基础设施。

研发背景： 该项目由腾讯混元大模型团队主导研发，依托腾讯在社交、内容、金融等场景积累的海量交互数据与工程经验。团队观察到，尽管大模型在单轮任务中表现出色，但跨会话的上下文保持能力仍是制约 Agent 落地深水区业务的瓶颈，由此启动了面向记忆场景的专项模型训练与框架开发。

核心价值： Hy Memory 2.0 将记忆从"上下文窗口的附属品"提升为"可独立管理、跨工具复用的资产"。通过事件化组织、条件化复用和任务断点续接三大机制，框架在提升记忆准确率的同时显著降低 Token 消耗，为长程 Agent 任务提供了工程化的记忆解决方案。

技术特点： 框架采用约 3B 激活参数的专用记忆模型，在多个 Benchmark 上取得开源框架第一的成绩；同时首创工作记忆与代码记忆的概念，覆盖了比通用对话记忆更完整的应用场景。其存储占用极小、Token 效率突出的特性，使其在资源受限环境中具备实际部署价值。

2. 主要功能

• 三层全开源架构： 专用模型、记忆框架与 MemHub 应用三层全部开源，开发者既可独立使用其中某一层，也可组合成完整的 Memory 解决方案。这种设计提供了极高的灵活性，满足从轻量级集成到全栈部署的多样化需求。

• 三类记忆管理： 框架负责聊天、工作、代码三类记忆的存储、更新与进化，开发者可通过 SDK 将记忆能力无缝接入自有 Agent。三类记忆在底层统一管理，但在组织逻辑和应用场景上各有侧重，覆盖了 Agent 交互的完整记忆需求。

• 聊天记忆升级： 将零散的事实记忆升级为完整的事件脉络，自动关联跨时间、跨对话的相关内容，并消解其中的冲突信息。在处理多线索问题时，系统先合并重复信息、剥离矛盾内容，再将干净的记忆交给模型，显著提升回答的连贯性与准确性。

• 工作记忆沉淀： 多维度记录任务目标、已确定的做法与可复用的经验，并在复用前先判断适用条件是否匹配。这一机制避免了经验在不同场景间的错误迁移，有效辅助长程任务的执行与推进。

• 代码记忆构建： 针对代码场景专门沉淀项目上下文，包括项目规范、架构决策与个人编码偏好。在 CodeMemoryBench 基准上任务解决率达 35.6%，居开源框架首位，能够显著提升代码问答与任务解决的准确率。

• MemHub 记忆同步： 本地应用支持连接 Cursor、Codex 等 10 种 AI 工具，可一键导入历史会话并实现跨工具的实时记忆同步。内置 Hy Memory SDK 将各工具的会话在本地沉淀为统一个人记忆，并以插件形式向工具反向补充上下文。

• 任务断点续接： 长程任务每次重启时，框架先判断当前处理的事项，再精准召回相关决策、仍适用的经验和历史工作过程，以最少的 Token 获取最相关的记忆，实现高效的任务衔接。

3. 如何使用

1. 获取开源资源： 从 GitHub 仓库（Tencent-Hunyuan/Hy-Memory、Tencent-Hunyuan/MemHub）下载框架与应用代码，从 HuggingFace 模型库（tencent/Hy-Memory-30B-A3B）获取模型权重。建议使用 Git 克隆仓库以保持版本更新。

2. 开发者接入 SDK： 将 Hy Memory SDK 集成到自有 Agent 中，调用其存储、更新、召回记忆的核心能力。SDK 提供标准化的 API 接口，支持 Python 等主流开发语言，开发者需根据项目需求配置记忆存储的后端服务。

3. 普通用户安装 MemHub： 下载 MemHub 的 CLI 命令行工具或 Mac 端应用程序，将其作为本地记忆管理中心。安装完成后，需完成初始配置，包括设置本地存储路径与隐私选项。

4. 授权关联 AI 工具： 在 MemHub 中授权关联 WorkBuddy、Cursor、Codex 等 10 种已支持的 AI 工具。授权过程遵循各工具的 OAuth 或 API Key 机制，确保数据传输的安全性。

5. 导入历史会话： 授权完成后，一键导入各工具的历史对话记录，由内置的 Hy Memory SDK 自动沉淀为本地个人记忆。导入过程会进行去重、清洗与结构化处理，形成统一的记忆格式。

6. 开启实时同步： 各工具产生的新会话将自动汇入同一份全局记忆，无需手动操作。实时同步机制确保记忆的时效性与一致性，跨工具的上下文衔接自然流畅。

7. 通过插件方式调用： 在任一已关联工具中发起任务时，MemHub 自动将相关记忆作为上下文补充给当前工具。插件机制实现了记忆资产与工具的完全解耦，用户可随时更换工具而保留完整记忆。

4. 优缺点分析

5. 同类工具对比

选型建议： 对于需要完整记忆解决方案且重视数据隐私的企业，Hy Memory 2.0 的三层全开源架构和本地部署能力是最优选择。特别是金融、内容等对记忆准确率要求高的行业，其工作记忆与代码记忆的差异化能力能带来直接的业务价值提升。对于已有成熟 Agent 框架、仅需补充记忆能力的开发者，Mem0 的轻量集成可能更为便捷，但需接受模型闭源和功能覆盖有限的现实。若团队技术能力较强且追求极致的定制化，Hy Memory 2.0 的三层解耦设计提供了更大的操作空间。

6. 编辑总结

Hy Memory 2.0 的发布标志着智能体记忆从"附加功能"走向"独立技术栈"的关键转折。从技术创新性来看，事件化记忆组织、条件化经验复用和任务断点续接三大机制形成了完整的记忆生命周期管理闭环，这在开源框架中尚属首创。特别是工作记忆与代码记忆的提出，将记忆的范畴从简单的对话历史扩展到了任务执行与工程实践层面，对长程 Agent 任务的落地具有实际意义。

从实用价值角度，Hy Memory 2.0 在多个 Benchmark 上的数据表现提供了有力的技术背书：LoCoMo 上 72.6% 的准确率伴随 39.3% 的 Token 消耗降低，意味着企业可以在控制成本的同时获得更优的记忆效果。腾讯自选股中多跳召回率从 50% 提升至 90% 的业务数据，进一步验证了其在真实场景中的有效性。

该框架的适用人群覆盖广泛：对于 AI 应用开发者，SDK 提供了标准化的记忆接入方案；对于企业技术决策者，三层架构允许按需部署；对于个人用户，MemHub 应用降低了使用门槛。其存储占用极小、模型参数适中的特点，也使其具备在边缘设备上部署的潜力。

展望未来，随着 Agent 应用从单轮交互向长程任务演进，记忆管理将成为基础设施级的需求。Hy Memory 2.0 以开源姿态切入这一赛道，有望通过社区生态的积累，推动记忆框架标准的形成。其跨工具记忆同步的理念，也可能对 AI 工具链的协作模式产生深远影响。

7. 应用场景

• 金融投研助手： 在腾讯自选股等场景中，Agent 跨天、跨会话记住用户关注的板块和分析习惯，实现个性化的投研服务。实际部署中，自选股的多跳召回率从 50% 提升至 90%，用户粘性和信息获取效率均得到显著提升。

• 资讯内容推荐： 在腾讯新闻「智声」「新闻妹」等产品中，Agent 记住用户关注的话题和偏好称呼，在长期偏好评测中取得均分 91.68 的成绩。这种持续性的个性化能力，使推荐内容与用户兴趣的匹配度大幅提升。

• 知识管理问答： 在企业知识库 iWiki 场景中，仅靠召回的记忆作答，正确率比提供全部原始对话相对提升 48.6%。这一结果表明，结构化的记忆组织比堆砌原始上下文更有利于模型精准提取关键信息。

• 编程开发辅助： 开发者跨工具记住项目规范与个人编码偏好，在 Cursor、Codex 等工具间无缝复用代码记忆。代码记忆的沉淀使得 Agent 在代码问答与任务解决中的准确率显著提升，减少了重复描述上下文的成本。

• 办公与长程任务： 记录任务目标、阶段结果与可复用经验，支持办公 Agent 在多次会话间断点续接。例如，在撰写长篇报告或多步骤数据分析任务中，Agent 可在每次会话开始时自动恢复此前的工作进度与决策依据。

8. 常见问题FAQ

Q：Hy Memory 2.0 与传统的 RAG（检索增强生成）方案有何本质区别？
A：RAG 侧重于从外部知识库检索相关信息，其记忆是静态、无状态的；而 Hy Memory 2.0 构建的是动态、结构化的记忆体系，具备存储、更新、进化、复用等完整生命周期管理能力。它不仅能回忆事实，还能记住任务目标、做法与经验，并校验适用条件后再复用。

Q：Hy-Memory-30A3B 模型只有约 3B 激活参数，为何记忆效果能超过 Opus5？
A：该模型是专为记忆更新与管理任务训练的专用模型，而非通用对话模型。通过针对性的训练数据与优化目标，模型在记忆相关任务上的表现可以超越参数规模大得多的通用模型，同时保持更低的推理成本和更高的部署灵活性。

Q：MemHub 支持哪些 AI 工具？如何保证跨工具同步的安全性？
A：目前支持 WorkBuddy、Cursor、Codex 等 10 种主流 AI 工具。所有会话数据均在本地进行沉淀和处理，授权过程遵循各工具的 OAuth 或 API Key 机制，记忆数据默认存储在本地，用户可自主控制数据的导出与删除。

Q：开发者如何将 Hy Memory 集成到自有 Agent 中？需要什么技术背景？
A：开发者可通过 Hy Memory SDK 调用存储、更新、召回记忆的核心能力，SDK 提供标准化的 API 接口。具备 Python 开发经验和基本的 Agent 构建知识即可完成集成，无需深入了解记忆管理底层的实现细节。

Q：Hy Memory 2.0 的商业使用是否免费？开源协议是什么？
A：Hy Memory 2.0 的三层（模型、框架、应用）全部开源，可免费用于商业用途。具体开源许可证条款请参阅 GitHub 仓库中的 LICENSE 文件，建议在商业部署前仔细确认合规要求。

Q：记忆存储占用极小具体指什么量级？长期使用会产生多少数据？
A：框架在保证三类场景效果第一的同时，记忆存储空间占用均保持极小水平。具体占用取决于交互频率与记忆内容的复杂度，但相比存储完整对话历史，事件化组织与条件化更新机制能显著压缩存储需求，适合长期持续使用。

9. 项目地址

• GitHub 仓库（MemHub）：https://github.com/Tencent-Hunyuan/MemHub
• GitHub 仓库（Hy-Memory）：https://github.com/Tencent-Hunyuan/Hy-Memory
• HuggingFace 模型库：https://huggingface.co/tencent/Hy-Memory-30B-A3B