Tencent hat hy-memory==2.0.1 veröffentlicht, ein Python-SDK zum Speichern und Abrufen von Kontext aus Chat-, Arbeits- und Programmiersitzungen. Der Code ist öffentlich; die zugehörige MemHub-App besteht bislang aus Quellcode und wartet auf öffentliche Release-Dateien. Entwickler, die eine gemeinsame Gedächtnisschicht prüfen, können das SDK bereits nutzen. Sie müssen aber Modell- und Embedding-Endpunkte bereitstellen und festlegen, welche Sitzungsaufzeichnungen jeder Agent lesen darf.

Das Änderungsprotokoll des Projekts datiert Hy Memory 2.0.1 auf den 16. Oktober 2026. PyPI verzeichnet den Paket-Upload am 15. Oktober; die zugehörige Modellpublikation wurde an diesem Tag eingereicht. Das sind unterschiedliche Veröffentlichungsnachweise, kein Beleg dafür, dass das Desktop-Produkt ausgeliefert wurde.

Die große Veränderung

  • Was sich geändert hat: Das veröffentlichte SDK bietet getrennte Gedächtnispfade für Chat, Arbeit und Programmierung über add() und search(), dazu Quellen- und Arbeitsbereichsfilter, die eine integrierende Anwendung nutzen kann.
  • So funktioniert es: Chat ordnet Gespräche in Gedächtnisschichten ein. Working extrahiert aus einem Tool-Trace eine Tatsache zur Sitzung und, wenn sinnvoll, wiederverwendbare Erfahrungen. Coding ergänzt eine Versionskette für Codeänderungen. Der Aufrufer liefert Ausgangsmaterial, Identitäten, Speicherkonfiguration und Modelldienste.
  • Warum es wichtig ist: Ein Agentenhost kann eine kompakte Aufzeichnung früherer Gespräche oder Aufgabenentscheidungen abrufen, statt den gesamten Verlauf an jede neue Sitzung zu übergeben. Ob diese Aufzeichnung korrekt, autorisiert und nützlich ist, hängt weiterhin davon ab, was der Host sendet und welche Erinnerungen er wieder in den Prompt aufnimmt.

Vor der Integration den Ablauf wählen

Die README des SDK beschreibt drei Werte für scene. chat akzeptiert einfachen Text oder Nachrichten-Arrays und liefert die Abrufkanäle profile, normal und proactive. Im Modus lite wird Rohtext für die Embedding-Suche gespeichert, ohne Extraktion durch ein LLM. pro ergänzt Extraktion und Abgleich; ultra kann über evolve() einen weiteren Evolutionsdurchlauf ausführen.

Für working muss die Eingabe einen Trace mit Werkzeugaufrufen enthalten. Eine Sitzung erzeugt eine Tatsache zu Aufgabe, Vorgehen und Ergebnis sowie null oder mehr wiederverwendbare Erfahrungen, die die Wertschwelle der Engine überschreiten. coding verwendet dieselben beiden Schichten und ergänzt eine Versionsentwicklungskette für den bearbeiteten Code. Laut README kann die Kette lokale Git-Diffs nutzen, wenn MEMORY_CODING_CHAIN_REPO_ROOT gesetzt ist, oder deterministische Ersetzungsaktionen im Tool-Trace. Im Modus lite ignoriert das SDK den Unterschied zwischen Arbeits- und Programmierszenario und speichert unverarbeitete Erinnerungen.

Diese Ausgabeformen beantworten unterschiedliche Fragen. Eine im Gespräch genannte Präferenz gehört zu chat; eine abgeschlossene Aufgabe mit Werkzeugergebnissen gehört zu working; eine Codeänderung, deren frühere Revision wichtig sein könnte, gehört zu coding. Das ist eine dokumentierte Routing-Unterscheidung, kein Leistungstest von BIG CHANGE.

Ein dokumentierter Weg mit dem SDK

Der folgende Ablauf basiert auf dem Schnelleinstieg des Repositorys und MemHubs Anleitung zur SDK-Konfiguration. BIG CHANGE hat das Paket nicht ausgeführt und keine Modellaufrufe vorgenommen.

Verwenden Sie Python 3.9 oder neuer und installieren Sie die festgelegte SDK-Version:

Terminal
pip install hy-memory==2.0.1

ChromaDB und Kuzu gehören zu den Kernabhängigkeiten. Für Qdrant, FAISS, Neo4j, MySQL-Cache und einen lokalen Reranker gibt es separate Extras. Die Entwicklungsumgebung für den MemHub-Quellcode ist anders: Sie verlangt Node.js 24, pnpm 11, Python 3.12 und uv.

Konfigurieren Sie vor der Initialisierung des Clients sowohl einen LLM- als auch einen Embedding-Endpunkt. Die README nennt MEMORY_LLM_API_KEY, MEMORY_LLM_BASE_URL, MEMORY_LLM_MODEL und die entsprechenden MEMORY_EMBEDDER_*-Variablen sowie MEMORY_EMBEDDING_DIMS; auch die Standardverwendung von OPENAI_API_KEY ist dokumentiert. Geben Sie eigene Endpunkt-URLs, Modellnamen, Schlüssel und passende Embedding-Dimensionen an. Es handelt sich um OpenAI-kompatible Schnittstellen, nicht um die Vorgabe, Tencents separates Modell Hy-Memory-30B zu nutzen. Halten Sie Zugangsdaten aus den gespeicherten Traces heraus.

Das folgende Chat-Beispiel verwendet die dokumentierten APIs MemoryConfig.from_env(), HyMemoryClient, add() und search(). Die aufrufende Anwendung muss authorized_messages als einfachen Text oder Nachrichten im OpenAI-Format, eine stabile, autorisierte user_id und die query bereitstellen. Gezeigt wird der Rückgabewert, ohne ein bestimmtes Ergebnis zu behaupten:

Python
from hy_memory import HyMemoryClient, MemoryConfig

def write_and_recall(authorized_messages, user_id, query):
    config = MemoryConfig.from_env()  # Caller supplies LLM and embedding settings.
    client = HyMemoryClient(config=config, mode="pro")
    try:
        client.add(authorized_messages, user_id=user_id)
        return client.search(query, user_ids=[user_id], limit=10)
    finally:
        client.close()

Übergeben Sie für Arbeit oder Programmierung einen Nachrichten-Trace mit einem Werkzeugaufruf oder einem role="tool"-Eintrag und setzen Sie scene ausdrücklich. Setzen Sie workspace_id, um Projektmaterial zu isolieren; branch setzt dies voraus. Setzen Sie beim Schreiben source und bei Suchen include_sources oder exclude_sources, wenn die Grenzen der aufrufenden Anwendung wichtig sind. Die Chat-Suche liefert Gedächtniskanäle; die Arbeits- und Programmiersuche liefert facts und experiences, beim Programmieren zusätzlich chain_block. Prüfen Sie die zurückgegebenen Aufzeichnungen, bevor Sie sie an den Agentenhost weitergeben. list_memories, get, update und delete ermöglichen die Verwaltung einzelner Einträge.

Eine erfolgreiche Integration hätte einen gespeicherten Eintrag aus einer autorisierten Eingabe und ein eingegrenztes Suchergebnis, das die beabsichtigte Erinnerungsfrage beantwortet. Die README dokumentiert Rückgabefelder, aber wir haben keinen Lauf beobachtet, aus dem sich eine erfolgreiche Extraktion oder Abfrage ableiten ließe. Wenn eine Arbeits- oder Programmiersuche leer bleibt, prüfen Sie zuerst, ob der Schreibvorgang Werkzeugergebnisse enthielt und pro oder ultra verwendete. Prüfen Sie dann dieselben Werte für user_id, workspace_id, branch und dieselben Quellenfilter. Bei einer Änderung des Embedding-Modells oder seiner Dimensionen warnt MemHubs Konfigurationsanleitung, dass eine vorhandene Collection nicht einfach mit einer anderen Vektorbreite weiterverwendet werden kann.

MemHub und das Modell sind getrennte Entscheidungen

MemHub ist das geplante Desktop- und CLI-Produkt auf Basis des SDK. Seine README beschreibt eine verwaltete lokale Laufzeit, Quellenkonnektoren und Host-Integrationen. Sein Änderungsprotokoll ist beim Verfügbarkeitsstatus genauer: Quellversion 1.0.0, Build 4, existiert, aber die npm-Veröffentlichung und GitHub-Release-Dateien stehen noch aus. Die Installationsanleitung nennt Linux und macOS als Release-Ziele und erklärt Windows für nicht unterstützt. Ihre npm-Installationsfolge setzt die Veröffentlichung dieser Dateien voraus. Betrachten Sie sie derzeit als geplanten Installationsweg.

Lokale Speicherung bedeutet außerdem nicht, dass jeder Verarbeitungsschritt lokal bleibt. MemHubs Datenschutzdokument unterscheidet die Erlaubnis zum Lesen einer Gesprächsquelle, die Erlaubnis zum Senden autorisierten Materials an einen gewählten externen Modelldienst und die Erlaubnis für einen Agentenhost, Erinnerungen abzurufen. Demnach liegen rohe Quellenbelege im lokalen Datenverzeichnis. Wird ein externer Modelldienst gewählt, erhält er die für die gewählte Aufgabe benötigten autorisierten Inhalte. Wer das SDK direkt integriert, muss eigene Kontrollen für Quelleneinwilligung, Modellzugriff und Erinnerungsabruf durch den Host umsetzen. MemHubs Integrationsanleitung erklärt, dass die Produktbrücke diese Governance-Schritte ergänzt, statt lediglich das SDK aufzurufen.

Tencent veröffentlichte außerdem Hy-Memory-30B-A3B, ein auf das Schreiben von Erinnerungen trainiertes Modell, mit einem technischen Bericht, der am 15. Oktober eingereicht wurde. Der Bericht beansprucht einen Vorsprung gegenüber Vergleichssystemen auf festen Benchmark-Teilstichproben. Das ist eine vom Anbieter berichtete Modellbewertung, kein unabhängiger Beleg dafür, dass dieses SDK oder MemHub die Antworten eines eingesetzten Agenten verbessert. Das SDK akzeptiert andere kompatible Modelldienste.

Die aktuelle Lizenzdatei des Repositorys und die Projektmetadaten nennen Apache-2.0. Laut Änderungsprotokoll wurde diese Lizenz nach dem Upload von 2.0.1 übernommen; dessen unveränderliche PyPI-Metadaten nennen weiterhin MIT. Das Paket kann kostenlos heruntergeladen werden, aber ein gewählter Modell- oder Embedding-Dienst kann Gebühren pro Anfrage erheben. Die Release-Unterlagen dokumentieren keinen allgemeingültigen Betriebspreis. Die praktische Entscheidung ist daher, welchen Gedächtnispfad und welche Autorisierungsgrenze man integriert; Anbieterkosten und Abrufqualität müssen im eigenen Aufbau des Entwicklers gemessen werden.

Quellen und weiterführende Lektüre