开源记忆栈的三层全开源,是诚意还是军备竞赛的信号弹?
开源记忆栈的三层全开源,是诚意还是军备竞赛的信号弹?
大模型拼完了智商,开始拼"记性"。当 Agent 的上下文窗口从 128K 卷到 1M,圈内人反而看清了一个更本质的短板:窗口再长,也装不下一个跨周、跨项目、跨工具的长期记忆;真正决定 Agent 能否"越用越懂你"的,是那套把对话沉淀成结构化记忆、并在下次需要时精确捞回的引擎。2026 年 10 月,腾讯混元在发布 Hy Memory 2.0 时做了一个值得拆解的举动:把记忆写入专用模型、记忆引擎 SDK、以及面向终端用户的 MemHub 应用,三层一次性全部开源。这不是常见的"开源 SDK + 闭源模型"组合,也不是"开源模型 + 闭源商业平台"的常规剧本。本文基于仓库源码与公开资料,逐层拆开这份"三层全开源"的成色,再回答那个更值得讨论的问题——这究竟是给开发者的诚意,还是记忆赛道进入加时赛的信号弹。
一、先看分层:这次开源的到底是哪三层
要判断诚意,先要建立参照系。当前主流开源记忆框架的开源边界大致落在两条线内:一类开源记忆引擎 SDK,但记忆写入依赖闭源大模型 API,模型权重、技术报告一概不给;另一类开源 Agent 应用或插件,只暴露记忆调用接口,核心引擎是黑盒。也就是说,市面上大多数项目"开源的是外壳,闭源的是内核"。
Hy Memory 2.0 的开源边界则把这三层全部划进了公开范围,对应仓库里的三块实体:
- 模型层:
Hy-Memory-30B-A3B,一个 30B 总参数、3B 激活参数的 MoE 长期记忆写入模型,在 Hugging Face 上开放权重,并配套发布了技术报告(Attributed RL for Long-Term Memory Writing)。它解决的不是"推理",而是记忆链路里最难的一环——从对话中高精度抽取事实、并处理冲突消解。 - 引擎层:
hy-memoryPython SDK(PyPI 上 2.0.x),对应仓库根目录的 hy_memory/ 与 docs/。它把记忆写入、检索、演化做成可编程管线,而整套源码、测试、文档、环境变量参考全部公开。 - 应用层:MemHub,一个本地优先的桌面端 + CLI + Web 产品,位于 memhub/,把来自 Claude Code、Cursor、Codex、OpenCode、Qwen Code 等被授权 AI 工具的对话与编码轨迹汇入统一 Runtime。
三层之间还有一条清晰的依赖链:MemHub 明确把 hy-memory==2.0.3 作为唯一记忆数据面的写入者,而引擎层又把 Hy-Memory-30B-A3B 作为高精度记忆写入的模型选项。这意味着用户拿到的不只是代码,而是一条从模型权重到桌面应用可以完整跑通、且每一层都能自己改的链路。仓库 docs/monorepo.md 的布局图也印证了这一点:SDK 保持在仓库根部独立发版,MemHub 作为完整子项目并存,两个组件由同一 monorepo 作为事实源。
二、诚意面:上手成本被压到了什么程度
三层全开源的诚意,最终要落在"普通开发者能不能低成本跑起来"上。源码层面有几个容易被忽略、但很能说明问题的设计。
第一,引擎不绑定腾讯自家模型。 打开 docs/usage.md 可以看到,SDK 的 LLM 与 Embedding 都走 OpenAI-compatible 接口,配置项只是 MEMORY_LLM_BASE_URL 和 MEMORY_EMBEDDER_BASE_URL。README 的示例里,LLM 用的是 DeepSeek,Embedding 用的是阿里云 DashScope,甚至只设一个 OPENAI_API_KEY 也能跑。也就是说,记忆引擎是模型无关的,你手上有什么模型就接什么模型——这是"引擎开源"含金量的关键:它不是为自家模型做的配套驱动,而是一个中立的基础设施。
第二,三种模式把成本档位拉得很开。 README.zh.md 里列出了 lite / pro / ultra 三档:lite 模式下只做原始对话的 embedding 写入与检索,不调用任何 LLM,scene 和 layers 全部忽略,等于一个零推理成本的纯向量 RAG;pro 模式增加 LLM 抽取与 reconcile 冲突处理;ultra 模式才开启 System 2 的图式归纳与跨域 sweeper。这个设计让"想省钱的先跑起来、要深度的再升级"成为可能,而不是把完整认知架构作为唯一入口。
第三,记忆形态按任务场景做了真实分层,而非单一向量库。 面向 Chat 场景,hy_memory/models/memory.py 定义了从 L0 基础信息到 L7 前瞻意图的八层认知结构,其中 L0–L4 落在向量库、L5–L7 落在图库;面向 Working 场景则是"会话事实 + 可复用经验"双层记忆;面向 Coding 场景在双层之外,还多了一条代码版本演进链。更难得的是,这套体系在 README.zh.md 中给出了一个"事实层保证做过的事一定记得、经验层负责学到的东西能复用"的明确分工,并且两层通过 derived_experience_ids 与 source_fact_ids 互相链接,被覆盖的旧事实以 superseded 状态保留、可回溯。
第四,代码链路里藏着工程化的真功夫。 最典型的例子是 Coding 场景的版本演进链,实现位于 hy_memory/coding/chain_store.py。它的模块注释写得很直白:"它是装饰器,不是检索器"——向量层负责决定返回哪几条事实,演进链只负责把每条事实涉及代码的全部改动版本(每版的用户原话 + 真实 diff)按序挂在下面。为什么必须存 diff?因为事实抽取刻意不粘贴代码(预算留给更有信息量的文件/函数/分支坐标),被回滚掉的那一版代码不在工作区、也不在 HEAD,事后根本读不回来。于是这条链用零 LLM 调用的方式把每版真实 patch 落库,补上了 LLM 摘要必然丢掉的"哪版改了什么"。"零 LLM 调用"这个约束在源码里贯彻得很彻底——分链粒度精确到"某分支、某文件、某函数的某一块",隔离键必须包含 user_id | workspace_id,否则用户 A 和用户 B 同名分支的改动会被并成同一条链。这种只有被真实长周期编码任务反复锤过才会出现的细节,不是营销文案能写出来的。
第五,应用层把"本地优先"做到了数据目录级别。 MemHub 的定位是"一次安装、一个 Runtime、一份数据、多种客户端",核心原则写在其 memhub/README.md 中:Python Core 是唯一记忆数据面写入者,来源读取、模型处理、宿主读取是三个相互独立的授权边界,且产品明确声明不采集屏幕、键盘、剪贴板或后台录音。npm 包 memhub-cli 只承载约 384KB 的 Bootstrap CLI,不包含 Python Core、SQLite 数据或内置 Node——真正的 Runtime 由用户显式执行 memhub install 后才下载校验,postinstall 不碰 shell profile。这套"最小化安装面、数据留在本地、权限逐项授权"的设计,恰好回应了记忆类产品最大的隐私顾虑。
再加上仓库里的插件体系——plugins/openclaw/README.md 提供了 memory_search / memory_add / memory_get / memory_update / memory_delete 五个工具,支持每轮对话前自动召回、对话后自动捕获,向量库可选 Qdrant / ChromaDB / FAISS,LLM 可选 OpenAI / DeepSeek / Moonshot / 混元 / Ollama——从 Python SDK 到桌面应用再到 Agent 插件,上手路径是完整的:
# 引擎层:一条命令装完核心(含 ChromaDB 与 Kuzu)
pip install hy-memory==2.0.3
# 应用层:本地优先的共享记忆 Runtime
npm install -g memhub-cli
memhub install && memhub start
而写一段带记忆的 Agent 代码,只需要一个 HyMemoryClient:
from hy_memory import HyMemoryClient
client = HyMemoryClient(mode="pro")
client.add("用户喜欢科幻电影,特别是《星际穿越》", user_id="user_1")
results = client.search("用户喜欢什么类型的电影?", user_ids=["user_1"], limit=10)
for mem in results["memories"]["normal"]:
print(f" [{mem['score']:.2f}] {mem['content']}")
client.close()
社区情报中有一组可以交叉验证的数据:在 16GB 本地设备上稳定管理 5 万条记忆、无需云依赖。结合源码中 SQLite 元数据 + 本地向量库 + lite 零 LLM 模式的组合来看,这个量级是合理的工程结果,而非宣传话术。
三、信号面:记忆赛道进入加时赛
如果把三层全开源只看作"诚意",就低估了它的战略含义。把模型、引擎、应用同时放开,本质上是在记忆赛道最拥挤的当口,用开源把整个技术栈的标准锚定在自己这一侧。
几个信号值得注意。
信号一:记忆写入被单独做成了专用模型,而不是通用大模型的附加能力。 Hy-Memory-30B-A3B 的存在说明头部玩家已经认定:记忆抽取的精度与冲突消解,值得用专门的 MoE 模型去优化,通用模型顺带做记忆是"够用但不专业"。配合公开评测口径中该模型在 harness 与 EverMemOS 基准上超过 Claude Sonnet-5-5 的表述,这不再是框架之间的功能竞争,而是模型级的记忆能力竞争——而这恰恰是大多数只开源 SDK 的框架给不了的东西。
信号二:跨工具共享记忆,把竞争从"单 Agent 记忆"拉到"多工具统一记忆"。 MemHub 把 Claude Code、Cursor、Codex、OpenCode、Qwen Code 等工具的对话与编码轨迹汇入同一份本地记忆,再按工具分别授权。这意味着记忆不再属于某个 Agent 会话,而属于"使用者这个人/这个项目"——今天在 Cursor 里改过的代码决策,明天在 Codex 里提问时能被精确召回。社区报道里"10 款 AI 工具共享记忆、连回滚过的代码都能追溯"的说法,在源码里能找到对应的支撑:Coding 版本演进链保留了被回滚版本的完整 diff。当记忆开始跨工具流动,"锁定在某一个编码工具生态里"的旧格局会被慢慢撬动。
信号三:研究论文与基准一起开源,记忆赛道开始拼学术话语权。 仓库里公开了两篇重量级论文:双系统认知记忆架构论文被 EMNLP 2026 接收,长周期与交错式编程记忆评测基准 CMB(docs/papers/CMB_A_Coding_Memory_Benchmark_for_Long_Horizon_and_Interleaved_Coding_Agents.pdf)已投稿 ICLR 2027。开源评测基准这件事尤其值得注意——谁定义"什么算好的记忆",谁就掌握了记忆赛道的话语权。CMB 的出现,是把"编程 Agent 的记忆能力"从玄学变成可量化指标的第一步。
把这些信号叠在一起,答案其实已经清晰:三层全开源既是诚意,也是信号弹。 诚意在于,它把记忆栈里最值钱、最容易被闭源的部分——专用写入模型、完整引擎源码、可自行审计的本地应用——毫无保留地交了出来,并且 SDK 刻意做成模型无关、后端无关,让任何团队都能在半小时内把它接进自己的 Agent;信号在于,当一家头部厂商愿意用三层开源来换取生态位时,说明记忆赛道已经从"有没有记忆"卷到了"记忆写得好不好、能不能跨工具、能不能被学术标准衡量"的加时赛阶段。
而真正的判官只有一个:社区是否接得住这份诚意,用这套全开源栈跑出更深的记忆场景。仓库的 README 里写着这样一句话——"欢迎一起优化共建"。在记忆成为 Agent 基础设施的当下,这句话的分量,比它看上去要重得多。