Hy-Memory – 腾讯混元推出的 Agent 记忆插件

1. Hy-Memory是什么

Hy-Memory是腾讯混元团队专为OpenClaw等长期协作型Agent设计的专业记忆插件，通过6层记忆框架、System1/System2双系统处理机制以及演化链三层架构，实现了对Agent记忆的精细化管理。该框架在LongMemEval和PersonaMem两大权威评测中均位列同类框架第一，记忆数量降低70%以上，信息密度提升45%，写入速度达到同类产品的8倍，为Agent提供了真正意义上的“记得住、记得对、记得轻、更懂你”的能力。

技术定位与领域： Hy-Memory属于AI Agent记忆管理基础设施领域，专注于解决长期协作型Agent在跨会话、跨任务场景下的记忆持久化、结构化与高效检索问题。与传统向量数据库或简单缓存方案不同，Hy-Memory通过分层记忆架构和双系统处理机制，将Agent的“记忆”从简单的信息存储提升为具备认知演化能力的智能系统，填补了Agent长期记忆管理领域的专业化空白。

研发背景： 该框架由腾讯混元团队研发，基于其在对话系统、大模型应用和Agent框架方面的深厚积累。团队观察到，现有Agent框架在处理长期任务时普遍存在记忆碎片化、信息冗余、检索效率低等痛点，尤其是OpenClaw等协作型Agent在跨Session场景下表现不佳。为此，团队从认知心理学中获得启发，设计了这套模拟人类记忆分层结构的专业化记忆系统。

核心价值： Hy-Memory的核心价值在于解决了Agent记忆管理的三大难题——记忆碎片化（同类信息分散存储导致检索不全）、信息冗余（新旧事实共存形成噪声）、认知演化缺失（无法追踪用户偏好的态度变化）。通过6层记忆框架和演化链机制，系统不仅实现了高效存储与检索，更保留了完整的认知演化路径，使Agent能够真正“理解”用户的长期行为模式。

技术特点： Hy-Memory采用分层存储架构，将记忆从原始对话痕迹到抽象心智模型逐层加工，同时引入System1/System2双系统处理机制，实现毫秒级实时写入与秒到分钟级异步沉淀的协同工作。其演化链指针结构通过supersedes指针将记忆串成因果链，命中任意节点即可自动展开完整态度演变，这是区别于传统覆盖式或堆积式记忆方案的核心创新。

2. 主要功能

• 六层记忆框架： 将Agent记忆划分为原始痕迹（L1）、原子事实（L2）、身份画像（L3）、会话摘要（L4）、心智模型（L5）、前瞻意图（L6）六个层级，每层采用不同的加工策略和检索权重。L1-L4由System1毫秒级处理，L5-L6由System2后台异步沉淀，实现记忆从原始数据到高阶认知的渐进式抽象。

• System1/System2双系统处理： System1作为快路径，在用户发送消息时实时完成原始痕迹写入、原子事实抽取、身份画像更新和会话摘要压缩，确保主链路响应不受影响。System2作为慢路径，在后台异步运行，从行为数据中抽象心智模型并预测前瞻意图，实现秒到分钟级的高阶认知沉淀。

• 演化链机制： 通过supersedes指针将每次记忆写入串联成双向可遍历的因果链，保留完整的偏好演变路径。当系统命中演化链中的任意节点时，可自动展开该节点前后的完整态度变化过程，避免覆盖式方案只记录最新状态或堆积式方案召回不全的问题。

• 记忆合并去重： 同类事实自动归并，冲突偏好自动刷新，避免新旧并存形成噪声库。系统通过语义相似度计算和冲突检测算法，将分散在多个Session中的重复或矛盾信息进行智能合并，显著降低记忆冗余度，使单条信息密度达到130.5 token/条，是同类框架的1.5-2.5倍。

• 跨Session连续记忆： 支持昨天关闭今天继续的无缝接续能力，Agent能在跨天、跨周甚至跨月的长期任务中保持上下文一致性。系统通过持久化存储层和Session标识机制，确保每次对话都能准确加载前序记忆，实现真正意义上的长期协作。

• 注意力闸门机制： 在System1中设置注意力判断模块，决定哪些信息值得加工写入深层记忆。系统根据信息的新颖性、与现有记忆的关联度以及用户的交互频率等维度，自动筛选高价值信息进入L3及以上层级，避免无关信息占用记忆空间。

3. 如何使用

1. 环境要求： Hy-Memory作为OpenClaw的插件运行，需要预先部署OpenClaw框架（推荐版本≥1.0.0）。系统支持Linux和macOS操作系统，Python环境要求≥3.8，建议配备至少8GB内存以支持System2后台进程。对于Ultra模式，推荐使用NVIDIA GPU以加速模型推理。

2. 安装与接入： 通过OpenClaw的一键接入接口安装Hy-Memory插件。具体命令为pip install hy-memory，安装完成后在OpenClaw配置文件中添加memory_provider: hy_memory即可启用。系统会自动检测硬件环境并选择最优运行模式。

3. 模式选择与配置： Hy-Memory提供三种运行模式：

   • Lite模式： 仅执行记忆写入和检索操作，零LLM成本，适合希望快速获得“记得住”能力但不需要理解语义的场景。配置参数为mode: lite。
   • Pro模式： 启用MemAgent进行记忆抽取、摘要和反思，但不启动后台worker，适合需要记忆自我整理但资源有限的场景。配置参数为mode: pro。
   • Ultra模式： 完整运行System1+System2内核，异步慢路径持续回放归纳，适合追求“越用越像用户”的高阶应用。配置参数为mode: ultra。

4. 最佳实践： 对于长期项目协作场景，建议使用Ultra模式并配置每周一次的System2回放周期。首次部署后，建议运行至少3-5个对话Session以积累足够数据供System2进行认知抽象。注意定期检查记忆存储空间，虽然系统已优化记忆密度，但极端场景下仍建议设置最大记忆条数上限。

4. 优缺点分析

5. 同类工具对比

选型建议： 对于追求极致记忆管理性能的长期协作型Agent应用，Hy-Memory凭借评测成绩第一、写入速度最快、记忆密度最高的综合优势，是当前最优选择。特别是需要跨Session连续记忆和认知演化追踪的场景，其6层框架和双系统机制提供了不可替代的价值。然而，如果项目团队使用的是非OpenClaw的Agent框架，或需要完全开源的解决方案，mem0的MIT协议和独立部署能力可能更适合。Graphiti在图结构记忆方面有独特优势，适合需要复杂关系推理的应用场景，但写入速度较慢是其主要瓶颈。

6. 编辑点评

从技术创新性来看，Hy-Memory的6层记忆框架和System1/System2双系统设计具有显著的原创性。不同于传统记忆方案将Agent记忆视为简单的键值存储或向量索引，Hy-Memory从认知心理学中汲取灵感，模拟人类记忆的分层结构和双系统处理模式，这是AI Agent记忆管理领域的一个重要突破。演化链机制更是解决了长期困扰Agent开发者的“记忆冲突”和“偏好漂移”问题，让Agent能够追踪用户态度的完整演变过程，而非仅仅记录最终状态。

在实用价值方面，Hy-Memory的评测成绩提供了有力的数据支撑。LongMemEval 85.20%和PersonaMem 76.91%的得分，以及记忆数量降低70%以上、写入速度提升8倍的实际表现，都证明了其在真实场景中的有效性。对于需要跨Session协作的Agent应用，如长期项目管理、个人知识管理、健康规划等，Hy-Memory能够显著提升Agent的连续性和一致性。

适用人群方面，Hy-Memory主要面向使用OpenClaw框架的Agent开发者，特别是那些正在构建需要长期记忆能力的应用团队。对于学术研究者，其分层记忆架构和演化链机制也提供了有价值的研究参考。不过，对于初学者或仅需简单记忆功能的场景，Lite模式提供了低门槛的接入方案。

未来发展潜力方面，Hy-Memory有望进一步扩展对其他Agent框架的支持，并优化中文场景的表现。随着Agent应用从短时对话向长期协作演进，专业化记忆管理将成为刚需，Hy-Memory在这一赛道的先发优势明显。

7. 应用场景

• 长期项目协作： 在跨数周跟进复杂项目时，Agent通过Hy-Memory记住每次决策的原因和排除方案，确保项目进展的连续性和一致性。例如，软件开发项目中，Agent能记住之前讨论过的技术选型理由，避免重复讨论。

• 个人知识管理： 沉淀用户的工作习惯、决策心智模型和知识偏好，Agent越用越懂用户。例如，研究人员使用Agent整理文献时，系统能记住其偏好的引用格式和分类方式，自动优化推荐结果。

• 健身/健康规划： 记录用户训练方式的偏好演变和效果反馈，避免推荐用户已尝试过但效果不佳的方案。例如，Agent能记住用户对HIIT训练的抵触态度变化，逐步调整推荐策略。

• 创作辅助： 追踪创作者对发行渠道、内容风格的态度变化，给出符合其价值观的建议。例如，自媒体运营者使用Agent规划内容时，系统能记住其对不同平台的偏好演变，提出针对性建议。

• 学习辅导： 记住学生的学习进度、知识薄弱点和理解方式，提供连续性指导。例如，在线教育平台中，Agent能追踪学生在数学概念上的理解变化，动态调整教学策略。

8. 常见问题FAQ

Q：Hy-Memory是否支持非OpenClaw的Agent框架？
A：目前Hy-Memory主要作为OpenClaw的插件运行，不支持直接接入其他Agent框架。不过，团队计划在未来版本中提供独立API接口，届时将支持LangChain、AutoGPT等主流框架的集成。

Q：Ultra模式下的System2后台进程会消耗多少资源？
A：Ultra模式下，System2后台进程会占用约2-4GB内存和1-2个CPU核心。建议在配备至少16GB内存的服务器上运行，对于消费级设备，推荐使用Pro模式以降低资源消耗。

Q：记忆数据是否支持导出或备份？
A：支持。Hy-Memory提供了memory_export和memory_import命令，可将记忆数据导出为JSON格式。导出文件包含完整的六层记忆结构和演化链信息，便于数据迁移和备份。

Q：如何处理记忆中的隐私敏感信息？
A：Hy-Memory内置了隐私过滤模块，可在记忆写入阶段自动识别并脱敏敏感信息（如电话号码、邮箱地址等）。用户也可以在配置文件中自定义过滤规则，确保隐私安全。

Q：记忆存储是否有容量上限？
A：系统默认不设置硬性容量上限，但建议在配置文件中通过max_memory_per_user参数设置上限（推荐值100-500条）。当达到上限时，系统会优先保留高权重记忆，自动清理低价值信息。

9. 项目地址

• 项目官网： https://memory.hunyuan.tencent.com/
• OpenClaw集成文档： https://openclaw.ai/docs/memory/hy-memory