AI-translated from English; not yet reviewed by a fluent editor.

# Hy Memory 2.0 bietet Agenten drei Wege, Kontext zu behalten

> Tencents SDK Hy Memory 2.0.1 trennt den Erinnerungsabruf für Chats, Arbeit und Programmierung. Für die MemHub-App gibt es Quellcode, aber keine öffentlichen Release-Dateien; Integrationen benötigen weiterhin Modell-Endpunkte und klare Zugriffsgrenzen.

By BIG CHANGE Editorial

Published: 2026-10-16T14:13:14.740Z
Updated: 2026-10-16T14:13:14.740Z
Canonical: https://bigchange.ai/blog/hy-memory-2-sdk-chat-work-coding-context

![Conceptual charcoal illustration of a three-drawer cabinet: blank conversation slips, tool tokens and layered revision strips sit in separate drawers.](https://bigchange.ai/api/media/file/hy-memory-three-scopes-v1.png)
AI-generated conceptual illustration by BIG CHANGE; not a Hy Memory product interface or tested result.

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](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) datiert Hy Memory 2.0.1 auf den 16. Oktober 2026. [PyPI](https://pypi.org/project/hy-memory/2.0.1/) verzeichnet den Paket-Upload am 15. Oktober; die zugehörige [Modellpublikation](https://arxiv.org/abs/2610.22196) 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](https://github.com/Tencent-Hunyuan/Hy-Memory) 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](https://github.com/Tencent-Hunyuan/Hy-Memory) und [MemHubs Anleitung zur SDK-Konfiguration](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md). 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:

```bash
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](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md), 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](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/README.md) beschreibt eine verwaltete lokale Laufzeit, Quellenkonnektoren und Host-Integrationen. Sein [Änderungsprotokoll](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) ist beim Verfügbarkeitsstatus genauer: Quellversion 1.0.0, Build 4, existiert, aber die npm-Veröffentlichung und GitHub-Release-Dateien stehen noch aus. Die [Installationsanleitung](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/docs/INSTALLATION.md) 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](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/PRIVACY.md) 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](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) erklärt, dass die Produktbrücke diese Governance-Schritte ergänzt, statt lediglich das SDK aufzurufen.

Tencent veröffentlichte außerdem [Hy-Memory-30B-A3B](https://huggingface.co/tencent/Hy-Memory-30B-A3B), ein auf das Schreiben von Erinnerungen trainiertes Modell, mit einem [technischen Bericht](https://arxiv.org/abs/2610.22196), 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](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/LICENSE) und die Projektmetadaten nennen Apache-2.0. Laut Änderungsprotokoll wurde diese Lizenz nach dem Upload von 2.0.1 übernommen; dessen unveränderliche [PyPI-Metadaten](https://pypi.org/project/hy-memory/2.0.1/) 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

- [Hy-Memory-Repository und Schnelleinstieg](https://github.com/Tencent-Hunyuan/Hy-Memory) — aktuelle SDK-Szenarien, API-Beispiele, Modi, Speicheroptionen und Quellenfilter.
- [Release-Änderungsprotokoll](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) und [PyPI 2.0.1](https://pypi.org/project/hy-memory/2.0.1/) — getrennte SDK-Veröffentlichungsdaten, Paketanforderungen, MemHub-Status und abweichende Lizenzmetadaten.
- [MemHub-README](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/README.md), [SDK-Integrationsanleitung](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) und [Datenschutzdokument](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/PRIVACY.md) — Produktarchitektur im Quellcode-Stadium, Konfiguration und Autorisierungsgrenzen.
- [MemHub-Installationsanleitung](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/docs/INSTALLATION.md) — vorgesehene Plattformen und bedingter Weg über Release-Dateien.
- [Hy-Memory-30B-A3B-Bericht](https://arxiv.org/abs/2610.22196) — Preprint und von den Autoren berichtete Modellbewertung; validiert diese Integration nicht im praktischen Einsatz.

## Sources

- [Hy-Memory-Repository und README](https://github.com/Tencent-Hunyuan/Hy-Memory) — SDK-Szenarien, Modi, API-Beispiele, Speicherung und Filter; der Release-Hinweis in der README nennt nur den Monat.
- [Hy-Memory-Änderungsprotokoll](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) — Datiert SDK 2.0.1 und nennt fehlende öffentliche MemHub-Release-Dateien; erklärt unveränderliche PyPI-Lizenzmetadaten.
- [hy-memory 2.0.1 auf PyPI](https://pypi.org/project/hy-memory/2.0.1/) — Veröffentlichtes Paket, Python-Anforderung, Release-Dateidaten und MIT-Metadaten des Uploads.
- [MemHub-README](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/README.md) — Quellarchitektur des Produkts und Entwicklungsvoraussetzungen, kein Beleg für eine öffentliche App-Veröffentlichung.
- [MemHub-Anleitung zur Gedächtnisintegration](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) — SDK-Konfiguration, Embedding-Breite und Grenzen der Produktbrücke.
- [MemHub-Datenschutzdokument](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/PRIVACY.md) — Getrennte Berechtigungen für Quellen, Modellverarbeitung und Erinnerungsabruf durch den Host.
- [MemHub-Installationsanleitung](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/docs/INSTALLATION.md) — Bedingter Paketinstallationsweg und Zielplattformen.
- [Hy-Memory-30B-A3B-Preprint](https://arxiv.org/abs/2610.22196) — Separates Modell, Trainingsansatz und vom Anbieter berichteter Benchmark; nicht unabhängig validiert.
- [Aktuelle LICENSE des Repositorys](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/LICENSE) — Aktueller Apache-2.0-Quelltext; PyPI 2.0.1 behält MIT-Metadaten.