腾讯混元开源 Hy-Memory 2.0：新增工作与代码记忆，MemHub 让多个 AI 工具共用一份记忆

01三层分别给谁用

Agent 的“记忆”指跨会话保留下来的信息：用户偏好、任务进度、踩过的坑。常见做法是让一个通用大模型从对话里提取要点存进数据库，下次再检索出来。Hy-Memory 把这条链路拆成三层，可以单独用，也可以组合：

02新增的工作记忆和代码记忆

SDK 按任务类型分三种场景，写入时通过 scene 参数指定，不指定时由路由自动判断（README）：

版本演进链要解决的是一个具体问题：假设 Agent 先把搜索超时改成方案 A，后来又回退成方案 B。提取出的事实不会贴代码，方案 A 在当前代码里也已经找不到，事后就无法知道“当初试过什么、为什么放弃”。演进链把每次改动的真实 diff 挂在对应事实下面，按“分支—文件—函数中的代码块”分开记录，这一步不调用大模型。

working 和 coding 场景要求写入的对话里带工具调用记录，且只在 pro、ultra 模式下生效。

03MemHub：多个 AI 工具共用一份记忆

在 Cursor 里交代过的编码偏好，Codex 并不知道；MemHub 要补的就是这个缺口。它在用户授权后导入各工具的历史会话，用内置的 hy-memory 整理成本地记忆，之后的新会话持续同步，再以插件形式在各工具里召回相关记忆作为上下文。官网 列出 10 种已支持的工具：WorkBuddy、Cursor、Codex、Claude Code、OpenCode、OpenClaw、Qwen Code、Pi、Hermes 和 DeepSeek Harness。

按 MemHub 说明，读取来源、交给模型处理、允许工具读取记忆是三道独立授权；数据默认存放在本机 ~/.one-memory 目录；产品不采集屏幕、键盘鼠标、剪贴板，也不后台录音。

安装说明 给出的命令行安装方式如下（本站未运行）：

npm install -g memhub-cli
memhub install
memhub init
memhub status

npm 包只是约 384 KB 的引导程序。memhub install 不加 --yes 时只展示安装计划，确认后才下载并校验完整运行环境。macOS 用户也可以从 GitHub Releases 下载 DMG。

• 目前是 preview 版本，官方说明部分平台安装包、安装路径和工具接入仍在验证，安装前应先看 Release 里的实际文件和版本说明。2026 年 10 月 19 日核对时，最新 Release 为 v1.0.4。
• 支持 Linux（x64、arm64）和 macOS 13 及以上（Apple 芯片、Intel），不支持 Windows。Linux 装成后台服务需要可用的 systemd 用户会话。
• 暂无自动更新，新版本要手动下载。
• memhub uninstall 默认保留记忆数据；要删除，需在服务停止后单独执行 memhub delete-data，并二次确认数据路径。
• 官网“获取 MemHub”指向的独立仓库 Tencent-Hunyuan/MemHub，本站 10 月 19 日访问时返回 404，代码和安装包目前在 Hy-Memory 仓库的 memhub 目录和 Releases 页。

04在自己的 Agent 里用 SDK

hy-memory 已发布到 PyPI，要求 Python 3.9 及以上，10 月 19 日核对时最新版本为 2.0.4。除了安装，还需要准备一个大模型接口和一个向量（embedding）接口，任何 OpenAI 兼容服务都可以，通过环境变量配置：

pip install hy-memory

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

写入和检索分别是 client.add() 和 client.search()。SDK 有三种模式，差别主要在调用大模型的多少：

默认存储为 ChromaDB（向量）和 Kuzu（图），也可通过可选依赖换成 Qdrant、FAISS、Neo4j。写入时可以带 source 参数（如 cursor、codex）区分来源，检索时按来源筛选。

05记忆专用模型 Hy-Memory-30B-A3B

记忆系统的质量很大程度取决于“写”的那一步：哪些信息该留、记到多细、新信息出现时怎么改旧记录。现有框架通常让通用大模型配合框架专用提示词来做。Hy-Memory-30B-A3B 是专门训练来做这件事的模型，总参数 30B，每次推理约激活 3B（MoE 结构），可直接替换 Mem0、MemOS 和 Hy-Memory 里的通用模型。

按技术报告 和 模型卡，测试只更换“写记忆”的模型，框架、检索设置、回答模型和评分模型都固定；每个基准取固定的 20% 子样本，覆盖 LoCoMo、LongMemEval、PersonaMem v2、旅行规划、组合购物和代码记忆 CMB 六项，等权平均（单位 %）：

Mem0、MemOS、Hy-Memory 参与了训练，EverMemOS 没有参与，用来检验能否迁移到陌生框架。领先幅度在 Hy-Memory 和 MemOS 上只有 0.01–0.02 分，差距主要来自 Mem0 和 EverMemOS；单项上它也并非全面领先，比如 Mem0 框架下的 LoCoMo，Claude Opus 5 为 69.47，它为 59.54。以上为项目方报告，本站未复现。

官方建议用 vLLM 部署并通过 OpenAI 兼容接口调用。30B 参数以 BF16 存储，权重本身约 60 GB，需要多卡或大显存 GPU，量化版本由社区提供（本站推断，官方未给出硬件要求）。

06框架层面的对比

官网 还报告了 SDK 本身与 Mem0、MemOS、EverOS、OpenViking、RepoMemory、Simple RAG 的对比，评测中写记忆的模型统一为 DeepSeek V4.1 Flash，回答和评分模型为 GPT-5.6-sol：

官方称在这 4 个基准上均为开源框架第一，且生成的记忆占用存储较小。以上同为项目方自测，本站未复现。