记忆赛道开卷:Hy-Memory 入局,和主流开源记忆方案横着比一轮
记忆赛道开卷:Hy-Memory 入局,和主流开源记忆方案横着比一轮
"大模型卷完智商开始卷记性了"——2026 年 10 月,腾讯混元把 Hy Memory 2.0 以 monorepo 形式整体开源:模型、框架、应用三层一起放出,配套的专用记忆写入模型 Hy-Memory-30B-A3B 也在 Hugging Face 上线,官方给出的评测口径是"跑分压过 Opus 5"。社区里随之而来的讨论相当分裂:有人把它当作 Agent 长期记忆的"标准答案"去逐层拆解,也有人提醒"又一个 RAG 换皮"、"迁移成本谁买单"。
这个时间点入场,记忆赛道其实已经不是蓝海:Mem0 靠向量化记忆 + 图结构站稳了生态位,Letta(原 MemGPT)用分层状态机重新发明了 Agent 的记忆管理,Zep 走 Graphiti 时间知识图谱路线,LangMem 把记忆做成了 LangGraph 的一等公民,字节的 Coze 和各类 Agent 框架也都在内置自己的记忆层。Hy-Memory 凭什么和这批选手同台竞争?本文不做"参数表打架",而是回到仓库源码,把它和主流方案的差异点逐一摆出来:从 30B-A3B 的记忆写入模型,到三层场景分轨的 pipeline 设计,再到 Codex、Cursor 共享同一份记忆的 MemHub 产品层,最后给出可执行的选型判断。
记忆赛道现状:三条技术路线的合流
过去两年,开源记忆方案基本沿着三条路线演化,而它们正逐渐合流。
**第一条是"向量记忆 + 图结构"的 Mem0 路线。**Mem0 把对话切分成原子记忆片段,用 embedding 做召回,再用图结构维护实体关系,主打开箱即用和极低的接入成本。它的优势是生态成熟:几乎每个 Agent 框架都有 Mem0 的 integration。代价是记忆碎片缺少层次——它把"用户喜欢科幻电影"和"用户上周说想学吉他"放在同一个平面里,冲突消解和演化都偏弱。
**第二条是"状态化记忆"的 Letta / MemGPT 路线。**Letta 把记忆视为 Agent 可读写的"状态",通过自编辑记忆、Sleep-Time Compute 在后台整理对话,记忆是 Agent 运行时的一部分,而不是外挂的数据库。这条路线把记忆做深了,但引入了一个不小的运行时心智负担:Agent 框架要跟着改,迁移成本远高于 Mem0 这类外挂式方案。
**第三条是"事件流时间知识图谱"的 Zep 路线。**Zep 用 Graphiti 维护时间感知的知识图谱,把对话、实体、关系按时间线组织起来,擅长回答"这件事什么时候发生的、和什么相关"。它在时间推理上有独到之处,但图构建的延迟与成本也让它更适合重场景,而非轻量接入。
Hy-Memory 的入场姿态值得注意:它没有选择"再做一个记忆中间件",而是把记忆做成了模型 + 框架 + 应用三层。这三点恰好分别回应了上述三条路线的三个软肋——记忆写入质量依赖通用 LLM 的抽取能力、记忆缺乏层次与演化机制、记忆与应用生态割裂。
Hy-Memory 的差异化:模型、框架、应用三层合一
第一层:一个专门为"记忆写入"训练的模型
社区讨论最热的就是 Hy-Memory-30B-A3B:300 亿总参数、3B 激活参数的 MoE 模型,定位是"记忆写入器"而非通用对话模型。仓库的 README.md 给出了它的论文依据:通过归因强化学习(Attributed RL)专门训练高精度长期记忆抽取与冲突消解能力,技术报告见 docs/ 收录的论文体系。
这个定位和主流方案有本质区别。Mem0、Zep 的做法是用任意通用 LLM(GPT、Claude、DeepSeek 皆可)来抽取记忆,抽取质量取决于通用模型对"记忆任务"的泛化能力。Hy-Memory 选择训练一个专门的模型来干这件事,等于把"记忆写入"从通用能力的副产物变成了一项专门能力。这也解释了为什么它同时开源 FP8 版本、支持 256K 超长上下文——记忆写入模型需要一次性读完整段对话、多份文档,长窗口是刚需。
但这里有一个必须澄清的边界:专用模型不是部署的硬前提。README.md 的 Quick Start 显示,SDK 只要求"LLM + Embedding"两组 OpenAI-compatible 配置,用 DeepSeek、通义千问甚至本地 Ollama 都能跑。Hy-Memory-30B-A3B 是"官方推荐的写入模型",不是"唯一可用的写入模型"。对已经在用 DeepSeek 做抽取的团队来说,可以先保持现有 LLM 配置,再逐步评估换用专用模型带来的抽取精度收益。
第二层:三层场景分轨的框架设计
框架层是 Hy-Memory 真正拉开差距的地方。大多数记忆框架是"一套 pipeline 打天下":对话进来,抽取、存储、检索,完事。Hy-Memory 则把记忆按任务场景拆成三条分轨的 pipeline,对应仓库 hy_memory/ 下的三条独立链路。
Chat 场景:8 层认知记忆层级。hy_memory/models/memory.py 定义了完整的记忆层级枚举:L0 基础信息、L1 原始对话(append-only)、L2 原子事实(版本化不可变记录)、L3 会话摘要、L4 身份画像、L5 知识图谱(预留)、L6 心智图式(Schema)、L7 前瞻意图。这套分层不是摆设——L2 的版本化事实带 supersede 演化链,新事实和旧事实冲突时,旧节点进入 SHADOW 状态并链接到新节点(见 hy_memory/agent/reconciler.py 的 ADD/SUPERSEDE/DELETE 操作定义),而不是简单覆盖。L7 前瞻意图带过期时间,比如"用户计划下月搬家",到期后降级为普通事实。这在主流方案里几乎看不到:Mem0 的图结构不维护这种带状态的演化链,Letta 的状态机不做这种层次化的认知抽象。
**Working 场景:事实 + 经验双层记忆。**针对文档、研究、数据分析等生产力任务,hy_memory/coding/types.py 定义了 CodingMemoryDraft 与 CodingMemory 数据结构:事实层记录"这次会话做了什么"(task、结果、涉及文件),经验层记录"下次遇到类似任务可以复用什么"(task、search_keys、solution、boundary_envs、confidence)。关键设计是两层互链——fact.derived_experience_ids 与 experience.source_fact_ids 双向关联,且被取代的事实通过任务进展链(fact_chain_summary)保持可追溯。
**Coding 场景:双层记忆 + 版本演进链。**这是最具差异性的设计。hy_memory/coding/chain_store.py 的开头注释把设计动机讲得很直白:事实抽取的 prompt 明文要求"记录坐标、不粘贴代码"(EXACT COORDINATES, NOT PASTED CODE),因为 200 字预算里一个分支名 token 的价值远超 30 行 diff。但这个取舍有个洞:被撤掉的那版代码读不回来——它不在工作区、不在 HEAD,只在某次中间提交里。版本演进链就是来补这个洞的:它零 LLM 调用地把每一版的真实 patch 存下来,按 thread(id, owner, branch, file, symbol, lo, hi, n_rounds) + round(id, thread_id, seq, said, patch) 两张表组织,seq 是纯计数(第几次 observe),不做 diff 比对、不推断谁覆盖谁,所以不存在猜错的可能。它在检索侧作为"装饰器"而非"检索器":向量层决定召回哪些事实,链层只负责在每条 fact 下面挂上它涉及代码的全部改动版本。
这就是 BlockBeats 报道里"连回滚过的代码都能追溯"的技术来源。对长周期编码 Agent 来说,这个设计解决的正是社区痛点:Agent 改了代码、跑了测试、又回滚,下次会话时它自己都说不清哪一版是最终保留的,而版本演进链给出了物理事实。
三条链路通过 hy_memory/pipelines/base.py 的统一 WriteRequest/ReadRequest 协议组织,场景路由由 hy_memory/client.py 的 HyMemoryClient.add()/search() 入口统一分发:显式传 scene 直接走对应链路,不传时用工具轨迹做一个有界的三分类 judge,普通文本对话则零 LLM 调用直通 chat。
第三层:MemHub——跨应用共享一份记忆
框架层之上,Hy-Memory 还开源了 MemHub,一个本地优先的共享记忆产品。memhub/README.md 明确了产品原则:"一次安装、一个 Runtime、一份数据、多种客户端"。它把用户授权的 Claude Code、Cursor、Codex、OpenCode、Qwen Code 等工具的历史对话与编码轨迹,汇入统一的本地受管 Runtime 与数据目录,各宿主按授权边界读取。
这意味着"Codex 和 Cursor 共享同一份记忆"不是营销话术,而是产品形态:用户在 Cursor 里修过一个 bug 的完整 diff 链,切到 Codex 时可以直接召回。仓库里 memhub/apps/cli、memhub/apps/desktop、memhub/apps/web 对应 CLI 控制台、Electron 桌面壳和 Web 管理界面,memhub/ 下的 host-bridge 包则承载各 AI 工具的 Skill/Hook/MCP 接入。隐私边界写得很明确:产品不包含屏幕采集、AXTree、OCR、键鼠、剪贴板或后台录音。
产品层是 Hy-Memory 相对 Mem0、Zep 的最大差异化——后两者是纯 SDK,没有自己的产品形态,记忆只存在于"接入它的那个应用"内部。MemHub 把记忆从"应用私有的"变成了"用户私有的",这个视角转换在记忆赛道里是新的。
选型视角:什么场景值得换,什么场景按兵不动
把三层差异化摊开之后,选型判断会清晰很多。
**值得迁移的场景,第一类是长周期编码 Agent。**版本演进链(diff 链)目前是 Hy-Memory 的独门设计:回滚追溯、分支隔离(owner 由 user_id + workspace_id 共同构成,防止不同用户或仓库的 patch 串链)、零 LLM 成本记录每一版 diff,这些直接命中"Agent 三周失忆症"的痛点。如果你的团队在用 Codex、Cursor 这类工具做多日连续开发,跨应用共享记忆(MemHub)带来的上下文延续收益是实打实的。仓库为这个场景还专门开源了 CMB 评测基准(见 docs/papers/CMB_A_Coding_Memory_Benchmark_for_Long_Horizon_and_Interleaved_Coding_Agents.pdf),长周期交错任务下的记忆评估有了可复现的度量标准,这在开源记忆方案里也不多见。
**第二类是"个人长期陪伴"型产品。**8 层认知层级、冲突消解演化链、带过期的前瞻意图,这套设计针对的是"用户和 AI 持续交互数月、记忆必须自我演化"的场景——个人助理、陪伴型 Agent、长期理财顾问等。mode="ultra" 下的 System 2(Schema 归纳 + 跨域扫描器)由 evolve() 显式触发,把"记忆整理"从写入路径剥离出来,不拖慢日常读写。
**第三类是已有 Mem0/Zep 之外需要多应用统一记忆的团队。**如果痛点不是"单应用记忆不够好",而是"多个工具的记忆互不相通",MemHub 的形态是目前开源生态里少有的答案。
**按兵不动的场景同样明确。**如果你只是给现有 Agent 快速加一层"记住用户偏好"的能力,Mem0 的接入成本和生态成熟度仍然占优——它一个函数调用搞定,Hy-Memory 需要理解 scene 路由、模式分级(lite/pro/ultra)、工作区隔离这些概念。如果你的记忆需求本质是"最近 N 轮对话摘要",那根本不需要任何记忆框架,压缩上下文就够了。如果团队已经在 Letta 的状态机体系里沉淀了应用逻辑,为了 diff 链整体换框架,迁移成本大概率不划算——建议以 MemHub 作为增量接入,而不是推倒重来。
还有一个务实的提醒:Hy-Memory 目前处在 2.0 早期,MemHub 官方自己也标注为 preview 阶段(见 memhub/README.md),部分平台制品与宿主体验仍在打磨。生产环境采用前,建议先在 coding 场景做一轮小范围 POC,重点验证三件事:版本演进链在你常用的编辑器/CLI 工具下能否稳定捕获 diff、跨应用记忆的授权边界是否符合你的数据合规要求、以及专用模型 Hy-Memory-30B-A3B 相对你现有 LLM 的抽取精度提升是否值得额外部署成本。
结论:记忆赛道的下半场刚开卷
记忆赛道热闹了两年,但真正把"记忆"当成一门独立技术栈来做的方案不多。Hy-Memory 的入场把竞争维度从"谁的召回准"拉到了"谁的记忆体系完整":专用写入模型解决抽取质量,三层场景分轨解决记忆形态,MemHub 解决记忆归属。它不便宜——完整形态要求你理解分层、路由、模式与隔离,部署成本高于 Mem0 这类轻量方案——但它的设计密度也是目前开源记忆方案里最高的。
大模型卷完智商开始卷记性,这句话正在变成行业现实。而记忆赛道最有趣的地方在于:当所有方案都在解决"记住什么",Hy-Memory 在尝试回答"记忆如何演化、如何跨应用延续"。这两个问题,前者决定了方案的下限,后者决定了记忆的天花板。