核心价值：腾讯混元开源的「双系统认知记忆」引擎，让 AI Agent 像人一样长期记住你、跨应用统一召回
大模型「记性差」是公认的痛点——聊一次忘一次、换个软件就失忆。Hy Memory 2.0 把认知科学里的「系统 1 / 系统 2」双过程搬进了代码，给 Agent 装上了一套会自我演化的长期记忆，官方评测显示其记忆写入能力已超越 Claude Opus 5。
Hy Memory（官方站点）是腾讯混元（Tencent-Hunyuan）开源的生产级双系统认知记忆引擎与 Python SDK（hy-memory），面向「自我演化的 LLM Agent」。它针对三类任务提供专门的记忆管线：
• Chat（聊天）：分层长期认知记忆，把零散对话沉淀成「关于你的画像」；• Working（工作）：双层「事实 + 可复用经验」记忆，干过的活、学到的招都不会丢；• Coding（编码）：在双层记忆之上叠加代码「版本演化链」，记录每次改动的真实 diff。它最大的差异化在于：一次写入，就能在 Claude Code、Cursor、Codex、OpenCode、Qwen Code 等授权应用间统一召回——这正是上层产品 MemHub（本地优先的桌面 / CLI）在做的事。
核心定位：不是又一套向量库 RAG，而是「会抽象、会调和冲突、会跨应用统一」的认知记忆操作系统
✨ 核心功能一览
Hy Memory 的入口只有两个方法：add() 写入、search() 检索。写入时通过 scene 参数（或自动路由）进入不同管线，检索时则返回对应场景的记忆通道。三种场景各有各的「记忆形态」，互不串味：
• chat → 层级记忆（L0–L7 认知金字塔）• working → 双层记忆：会话事实 + 可复用经验• coding → 同样双层，再多一条代码版本演化链（diff 链）️ 快速上手：5 分钟跑通示例安装与配置
pip install hy-memory==2.0.3 # 核心（含 ChromaDB 和 Kuzu）
pip install "hy-memory[all]==2.0.3" # 含 Qdrant / FAISS / Neo4j / MySQL / rerank只需要一个 LLM 和一个 embedding 端点，任何 OpenAI 兼容服务都行：
export MEMORY_LLM_API_KEY="sk-your-key"
export MEMORY_LLM_BASE_URL="https://api.deepseek.com"
export MEMORY_LLM_MODEL="deepseek-chat"
export MEMORY_EMBEDDER_API_KEY="sk-your-key"
export MEMORY_EMBEDDER_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
export MEMORY_EMBEDDER_MODEL="text-embedding-v3"
export MEMORY_EMBEDDING_DIMS=1024核心代码示例1）Chat 记忆：写一句偏好，下次直接被记住
from hy_memory import HyMemoryClient
client = HyMemoryClient(mode="pro")
# 写入：纯文本或 OpenAI 格式消息
client.add("I love sci-fi movies, especially Interstellar", user_id="user_1")
# 检索：返回 profile / normal / proactive 三个通道
results = client.search("What movies does the user like?", user_ids=["user_1"], limit=10)
for mem in results["memories"]["normal"]:
print(f" [{mem['score']:.2f}] {mem['content']}")
client.close()2）Coding 记忆：带工具调用轨迹写入，自动落事实 + 经验 + 版本链
messages = [
{"role": "user", "content": "Fix the timeout in the search client."},
{"role": "assistant", "content": "", "tool_calls": [{
"id": "call_1", "type": "function",
"function": {"name": "apply_patch", "arguments": '{"path":"src/search.py"}'},
}]},
{"role": "tool", "tool_call_id": "call_1", "name": "apply_patch",
"content": "Patch applied successfully"},
]
client.add(
messages,
scene="coding",
user_id="user_123",
workspace_id="github.com/example/service", # 按仓库隔离
branch="fix/search-timeout",
)
result = client.search(
"Which timeout implementation was finally kept?",
scene="coding", user_ids=["user_123"],
workspace_id="github.com/example/service",
branch="fix/search-timeout", limit=5,
)
result["facts"] # 事实层
result["experiences"] # 经验层
result["chain_block"] # 仅 coding：版本演化上下文注意：带工具调用的写入只在 pro / ultra 模式生效；lite 模式忽略 scene，把所有内容当原始记忆存
系统架构与记忆层级下面这张官方架构图把「场景路由 → Chat / Working / Coding 管线」画得很清楚（橙色部分是 coding 专属）：
Chat 的 8 层记忆金字塔长程个人记忆被一层层抽象，从原始对话逐步上升到「心智模型」。这是它区别于普通 RAG 的关键——记忆是有层级的，不是一团向量。
三种运行模式怎么选模式作用图数据库适用场景 lite纯向量写入检索，无需 LLM否原生 RAG、快速摄入、零 LLM 成本pro+ LLM 抽取 + 冲突调和可选（默认关）标准工作负载ultra+ System 2 图归纳 + 跨域扫描（由 evolve() 触发）是（常开）完整认知架构
三种模式对比（成本 / 能力）
ultra 模式下，Hy Memory 会做「System 2」式的心智模型归纳，并通过 client.evolve(user_id=...) 主动触发跨域扫描——把散落在不同对话里的「你」拼成一个一致的画像。
适用场景场景 1：个人 AI 助理的「长期人设」
功能说明：把用户偏好、身份信息、前瞻意图沉淀成 8 层记忆。下次对话无需重复自我介绍，Agent 直接带着「认知」开口。
输入要求：任意聊天文本或 OpenAI 格式消息（user_id 标识用户）。
输出效果：检索返回 profile / normal / proactive 三通道记忆，越是长期意图越靠近 L7 层。
适用场景：个人助理、陪聊机器人、心理咨询类应用。
场景 2：开发 Agent 的「工程经验库」功能说明：一次带工具调用的 session，同时产出「事实层（这活干成了）」和「经验层（这套解法下次可复用）」。被推翻的方案通过 版本演化链 保留真实 diff，不丢不串。
输入要求：含 tool_calls 或 role="tool" 的消息轨迹，建议带 workspace_id + branch 做隔离。
输出效果：检索返回 facts / experiences / chain_block 三件套，定位到具体文件、函数、分支。
适用场景：Cursor / Claude Code 类编码助手、代码评审、长周期重构。
场景 3：跨应用统一记忆（MemHub）功能说明：MemHub 把多个授权 AI 应用的对话与编码痕迹汇聚到本地同一个运行时与数据目录，实现「一次写入、处处召回」。
输入要求：用户授权的应用（Claude Code / Cursor / Codex / OpenCode / Qwen Code）接入。
输出效果：在任意接入应用里都能召回其它应用产生的记忆，且数据留在本地。
适用场景：重度多工具开发者、隐私敏感的知识工作者。
用户群体总结• ✅ AI Agent 开发者：直接 pip install 接入，几行代码获得长期记忆。• ✅ 编码助手厂商：用 Coding 场景的版本演化链沉淀工程经验。• ✅ 隐私优先用户：MemHub 本地优先，数据不出本机。• ❌ 不适合：只想做简单「问答 + 原文召回」、完全不想跑 LLM 的极简场景（lite 能凑合，但发挥不出双系统优势）。 定价方案Hy Memory 本身 Apache-2.0 开源，核心 SDK 免费使用；成本只来自你自己的 LLM 与 embedding 调用（按用量付费）。同时，记忆写入专用模型 Hy-Memory-30B-A3B 已在 Hugging Face 开放权重，可自行私有化部署。
开源协议： Apache-2.0
新用户福利：pip install hy-memory==2.0.3 即装即用，搭配 DeepSeek / 阿里云 embedding 可做到近乎零成本起步
总结Hy Memory 2.0 把「认知记忆」这件事从论文搬进了生产：双系统架构、8 层 Chat 记忆金字塔、Working / Coding 双层 + 版本演化链，外加 MemHub 的本地跨应用统一召回。对要做「有记忆的 Agent」的开发者来说，这是目前大厂开源里最完整的一套记忆基建。
推荐指数： ⭐⭐⭐⭐⭐（满分5星）
适合人群： AI Agent / 编码助手开发者、追求隐私的本地记忆用户、想给产品加长期记忆的团队。
立即体验： Hy Memory 官网
GitHub 仓库： Tencent-Hunyuan/Hy-Memory
数据截至 2026-10-18，最新信息请以官网为准。