Hy-Memory - 腾讯混元推出的 Agent 记忆插件
来源：互联网
时间：2026-05-29 20:14:57
Hy-Memory是什么
咱们先聊一个让所有Agent开发者都头疼的问题：记忆。对话一长，Agent就“失忆”，聊完即忘，更别提跨Session的长期协作。腾讯混元这次拿出的Hy-Memory，正是冲着这个痛点来的。它不是简单加个记忆库，而是用一套6层记忆框架，搭配 System1/System2 双系统，再加上演化链三层架构，试图让Agent真正做到“记得住、记得对、记得轻、还更懂你”。效果如何？在LongMemEval和PersonaMem两大权威评测中，它都拿下了同类框架的第一名。更直观的数据是：记忆数量降低了70%以上，信息密度提升了45%，写入速度更是达到了同类产品的8倍。这组数字，足以说明其设计思路的独特性和有效性。
Hy-Memory的主要功能
- ：把记忆拆成原始痕迹、原子事实、身份画像、会话摘要、心智模型、前瞻意图六个层次，每一层都有自己的职责和检索权重，互不干扰。
六层记忆框架
- ：System1 负责毫秒级实时处理L1到L4的记忆写入，System2 则在后台异步沉淀L5和L6的高阶认知，分工明确。
System1/System2 双系统
- ：通过supersedes指针把记忆串成一条因果链，只要命中链上的任意节点，就能自动展开完整的态度演变过程，不再是孤立的信息点。
演化链机制
- ：同类事实会自动归并，冲突的偏好也会自动刷新，避免了新旧记忆并存形成“噪声库”的尴尬。
记忆合并去重
- ：昨天关闭的对话，今天能无缝接上，Agent能保持长期任务上下文的连贯性。
跨Session连续记忆
Hy-Memory的技术原理
- ：L1原始对话、L2原子事实、L3身份画像、L4会话摘要、L5心智模型、L6前瞻意图，每层采用不同的加工策略，各司其职。
分层存储架构
- ：用户发送消息的那一刻，实时完成原始痕迹写入、事实抽取、画像更新、会话摘要压缩，整个过程毫秒级闭环，不拖慢对话响应。
System1快路径
- ：后台异步运行，从行为中抽象出心智模型、预测前瞻意图，耗时从秒到分钟级别，但不影响主交互。
System2慢路径
- ：新记忆写入时，通过supersedes指针指向旧记忆，形成双向可遍历的因果链，让记忆有了时间维度和逻辑关系。
演化链指针结构
- ：在System1中设置注意力判断，决定哪些信息值得进一步加工写入深层记忆，避免无关信息浪费存储空间。
注意力闸门机制
如何使用Hy-Memory
- ：通过OpenClaw一键接入Hy-Memory，原生记忆能力即可升级为专业级长期记忆，门槛很低。
接入方式
- ：只做写入和检索，完全不消耗LLM成本，接入速度最快。适合那些“先让Agent记得住，理解能力后面再说”的场景。
Lite模式
- ：加入MemAgent同步进行抽取、摘要、反思，但没有后台worker。适合希望记忆能自己整理、但暂时不需要深度认知的业务。
Pro模式
- ：完整运行System1+System2内核，异步慢路径持续回放归纳。这是力求“越用越像用户”的终极模式，需要更长时间沉淀。
Ultra模式
Hy-Memory的核心优势
- ：单条信息密度达到130.5 token/条，是mem0的2.5倍，比Graphiti也高出1.5倍。
记忆密度更高
- ：平均每个用户只需82.3条记忆，仅为mem0和Graphiti的约四分之一，有效解决了记忆碎片化问题。
记忆数量更少
- ：12.3 s/k tokens，速度是Graphiti的八分之一，完全不会拖慢主链路的响应速度。
写入速度更快
- ：LongMemEval得分85.20%，PersonaMem得分76.91%，两项均位列同类框架第一。
评测成绩领先
- ：演化链保留了完整的态度演变路径，避免了“覆盖派”只记最新、或“堆积派”召回不全的两难困境。
因果演化完整
Hy-Memory的同类竞品对比
Hy-Memory的应用场景
- ：跨数周跟进复杂项目，Agent能记住每一次决策的原因和排除过的方案。
长期项目协作
- ：沉淀用户的工作习惯和决策心智模型，越用越了解用户的偏好。
个人知识管理
- ：记录用户对训练方式的态度演变，避免推荐用户已经踩过坑的方案。
健身/健康规划
- ：追踪创作者对发行渠道的态度变化，给出符合其价值观的建议。
创作辅助
- ：记住学生的学习进度、知识薄弱点和理解方式，提供真正连续性的指导。
学习辅导
