Tencent ने hy-memory==2.0.1 प्रकाशित किया है। यह चैट, काम और कोडिंग सत्रों का संदर्भ संजोने और वापस पाने के लिए Python SDK है। कोड सार्वजनिक है; इसका साथी MemHub ऐप अभी सोर्स कोड के रूप में है और सार्वजनिक रिलीज़ फ़ाइलों की प्रतीक्षा में है। साझा मेमोरी लेयर का मूल्यांकन करने वाले डेवलपर अभी SDK इस्तेमाल कर सकते हैं, लेकिन उन्हें मॉडल और एम्बेडिंग एंडपॉइंट देने होंगे और तय करना होगा कि हर एजेंट किन सत्रों के रिकॉर्ड पढ़ सकता है।

प्रोजेक्ट के बदलावों के रिकॉर्ड में Hy Memory 2.0.1 की तारीख 16 अक्टूबर 2026 दी गई है। PyPI पर पैकेज अपलोड होने की तारीख 15 अक्टूबर है, और संबंधित मॉडल का शोधपत्र उसी दिन जमा किया गया था। ये प्रकाशन के अलग-अलग रिकॉर्ड हैं, इस बात का प्रमाण नहीं कि डेस्कटॉप उत्पाद जारी हो चुका है।

बड़ा बदलाव

  • क्या बदला: प्रकाशित SDK चैट, काम और कोडिंग के लिए मेमोरी के अलग रास्ते देता है। इन्हें इस्तेमाल करने वाले API हैं add() और search(); इसमें सोर्स और वर्कस्पेस फ़िल्टर भी हैं, जिन्हें एकीकरण करने वाला ऐप इस्तेमाल कर सकता है।
  • यह कैसे काम करता है: चैट बातचीत को मेमोरी की परतों में व्यवस्थित करता है। काम वाला प्रवाह टूल ट्रेस से सत्र के बारे में एक तथ्य और, उचित होने पर, दोबारा इस्तेमाल किए जा सकने वाले अनुभव निकालता है। कोडिंग कोड के बदलावों के लिए संस्करणों की कड़ी जोड़ता है। कॉल करने वाला पक्ष सोर्स सामग्री, पहचान, स्टोरेज का कॉन्फ़िगरेशन और मॉडल सेवाएँ देता है।
  • यह क्यों मायने रखता है: एजेंट का होस्ट हर नए सत्र में पूरा इतिहास भेजने के बजाय पिछली बातचीत या काम के निर्णयों का छोटा रिकॉर्ड खोज सकता है। वह रिकॉर्ड सही, अधिकृत और उपयोगी है या नहीं, यह अब भी इस पर निर्भर करता है कि होस्ट क्या भेजता है और किन यादों को वापस प्रॉम्प्ट में आने देता है।

एकीकरण से पहले कार्यप्रवाह चुनें

SDK का README तीन मान बताता है, जो scene के लिए हैं। chat साधारण टेक्स्ट या संदेशों की एरे स्वीकार करता है, फिर मेमोरी से जानकारी वापस पाने के चैनल profile, normal और proactive लौटाता है। lite मोड में यह LLM से जानकारी निकाले बिना एम्बेडिंग खोज के लिए मूल टेक्स्ट रखता है। pro जानकारी निकालने और उसका मिलान करने के चरण जोड़ता है; ultra अतिरिक्त विकास चरण को evolve() के ज़रिए चला सकता है।

जब मोड working हो, तो इनपुट में टूल-कॉल ट्रेस होना चाहिए। एक सत्र से काम, तरीके और परिणाम के बारे में एक तथ्य बनता है, साथ ही शून्य या उससे अधिक दोबारा इस्तेमाल किए जा सकने वाले अनुभव, जो इंजन की उपयोगिता की तय सीमा पार करें। coding उन्हीं दो परतों का इस्तेमाल करता है और बदले गए कोड के लिए संस्करण-विकास की कड़ी जोड़ता है। README के अनुसार, MEMORY_CODING_CHAIN_REPO_ROOT सेट होने पर यह कड़ी स्थानीय Git diff इस्तेमाल कर सकती है, या टूल ट्रेस में तय नियमों के मुताबिक बदलाव करने वाली कार्रवाइयाँ इस्तेमाल कर सकती है। lite मोड में SDK काम/कोडिंग के परिदृश्यों का अंतर नज़रअंदाज़ करके मेमोरी को उसके मूल रूप में रखता है।

आउटपुट की ये संरचनाएँ अलग सवालों के काम आती हैं। बातचीत में बताई गई पसंद के लिए सही रास्ता है chat; टूल के परिणामों के साथ पूरा हुआ काम रखने का रास्ता है working; और कोड में ऐसा बदलाव, जिसका पिछला संस्करण महत्वपूर्ण हो सकता है, उसे रखने का रास्ता है coding। यह दस्तावेज़ में बताया गया रूटिंग का अंतर है, BIG CHANGE का प्रदर्शन परीक्षण नहीं।

दस्तावेज़ में बताया गया SDK इस्तेमाल करने का रास्ता

नीचे दिए गए चरण रिपॉज़िटरी की शुरुआती मार्गदर्शिका और MemHub की SDK कॉन्फ़िगरेशन मार्गदर्शिका पर आधारित हैं। BIG CHANGE ने पैकेज नहीं चलाया और न ही मॉडल को कॉल किया।

Python 3.9 या नया संस्करण इस्तेमाल करें और SDK का तय संस्करण इंस्टॉल करें:

Terminal
pip install hy-memory==2.0.1

ChromaDB और Kuzu मुख्य डिपेंडेंसी में हैं; Qdrant, FAISS, Neo4j, MySQL cache और स्थानीय रीरैंकर के लिए अलग अतिरिक्त पैकेज हैं। MemHub के सोर्स कोड का विकास परिवेश अलग है: इसमें Node.js 24, pnpm 11, Python 3.12 और uv चाहिए।

क्लाइंट शुरू करने से पहले LLM एंडपॉइंट और एम्बेडिंग एंडपॉइंट, दोनों कॉन्फ़िगर करें। README में दिए गए हैं MEMORY_LLM_API_KEY, MEMORY_LLM_BASE_URL, MEMORY_LLM_MODEL, और उनसे संबंधित MEMORY_EMBEDDER_* वेरिएबल, साथ में MEMORY_EMBEDDING_DIMS; इसमें डिफ़ॉल्ट के रूप में OPENAI_API_KEY के इस्तेमाल का भी विवरण है। अपने एंडपॉइंट URL, मॉडल के नाम, कुंजियाँ और मेल खाते एम्बेडिंग आयाम दें। ये OpenAI-संगत इंटरफ़ेस हैं; Tencent का अलग Hy-Memory-30B मॉडल इस्तेमाल करना अनिवार्य नहीं है। संग्रहीत किए जाने वाले ट्रेस में क्रेडेंशियल शामिल न करें।

नीचे दिए गए चैट उदाहरण में दस्तावेज़ में बताए गए MemoryConfig.from_env(), HyMemoryClient, add() और search() API इस्तेमाल होते हैं। कॉल करने वाले ऐप को authorized_messages साधारण टेक्स्ट या OpenAI फ़ॉर्मैट के संदेशों के रूप में देना होगा, साथ में एक स्थिर और अधिकृत user_id और query भी देना होगा। यह लौटाया गया मान दिखाता है, किसी खास परिणाम का दावा नहीं करता:

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()

काम या कोडिंग के लिए ऐसा संदेश ट्रेस दें जिसमें टूल कॉल या role="tool" एंट्री हो, और scene साफ़ तौर पर सेट करें। प्रोजेक्ट सामग्री अलग रखने के लिए सेट करें workspace_id; इसके बिना branch काम नहीं करता। लिखते समय सेट करें source और खोजते समय include_sources या exclude_sources, जब कॉल करने वाले ऐप की सीमाएँ महत्वपूर्ण हों। चैट खोज मेमोरी चैनल लौटाती है; काम/कोडिंग की खोज लौटाती है facts और experiences, और कोडिंग में साथ मिलता है chain_block भी। लौटाए गए रिकॉर्ड एजेंट होस्ट को देने से पहले जाँचें। list_memories, get, update और delete से अलग-अलग रिकॉर्ड का प्रबंधन किया जा सकता है।

सफल एकीकरण में अधिकृत इनपुट से बना सहेजा हुआ रिकॉर्ड और सीमित दायरे का ऐसा खोज परिणाम होगा, जो जानकारी वापस पाने के इच्छित सवाल का जवाब दे। README लौटने वाले फ़ील्ड बताता है, लेकिन हमने कोई वास्तविक रन नहीं देखा जिसके आधार पर जानकारी निकालने या खोज की सफलता का दावा कर सकें। अगर काम/कोडिंग की खोज खाली हो, तो पहले पुष्टि करें कि लिखे गए इनपुट में टूल के परिणाम थे और उसने इस्तेमाल किया था pro या ultra; फिर जाँचें कि वही user_id, workspace_id, branch और सोर्स फ़िल्टर इस्तेमाल हुए हैं। अगर एम्बेडिंग मॉडल या आयाम बदल रहे हैं, तो MemHub की कॉन्फ़िगरेशन मार्गदर्शिका चेतावनी देती है कि मौजूदा कलेक्शन को अलग वेक्टर चौड़ाई के साथ सीधे दोबारा इस्तेमाल नहीं किया जा सकता।

MemHub और मॉडल अलग विकल्प हैं

MemHub, SDK पर बना प्रस्तावित डेस्कटॉप और CLI उत्पाद है। इसका README प्रबंधित स्थानीय रनटाइम, सोर्स कनेक्टर और होस्ट एकीकरण बताता है। इसका बदलावों का रिकॉर्ड उपलब्धता पर ज़्यादा स्पष्ट है: सोर्स संस्करण 1.0.0 build 4 मौजूद है, लेकिन npm पर प्रकाशन और GitHub रिलीज़ फ़ाइलें अभी लंबित हैं। इंस्टॉलेशन मार्गदर्शिका Linux और macOS को रिलीज़ के लक्ष्य बताती है और कहती है कि Windows समर्थित नहीं है; npm इंस्टॉल की उसकी प्रक्रिया उन फ़ाइलों के प्रकाशित होने पर निर्भर है। फ़िलहाल उसे इंस्टॉलेशन का नियोजित रास्ता समझें।

स्थानीय स्टोरेज का यह मतलब भी नहीं कि प्रोसेसिंग का हर चरण स्थानीय ही रहता है। MemHub का गोपनीयता दस्तावेज़ बातचीत का स्रोत पढ़ने की अनुमति, अधिकृत सामग्री को तीसरे पक्ष की चुनी गई मॉडल सेवा को भेजने की अनुमति और एजेंट होस्ट को मेमोरी पाने की अनुमति अलग-अलग रखता है। इसके अनुसार, सोर्स के मूल साक्ष्य स्थानीय डेटा डायरेक्टरी में रहते हैं और बाहरी मॉडल सेवा चुने जाने पर उसे चुने गए काम के लिए ज़रूरी अधिकृत सामग्री मिलती है। सीधे SDK इस्तेमाल करने वाले एकीकरणकर्ता को सोर्स के लिए सहमति, मॉडल तक पहुँच और होस्ट द्वारा मेमोरी से जानकारी पाने के अपने नियंत्रण लागू करने होंगे; MemHub की एकीकरण मार्गदर्शिका बताती है कि उसका प्रोडक्ट ब्रिज सिर्फ SDK को कॉल करने के बजाय प्रशासन के ये चरण भी जोड़ता है।

Tencent ने Hy-Memory-30B-A3B भी जारी किया है। यह मेमोरी लिखने के लिए प्रशिक्षित मॉडल है, जिसकी तकनीकी रिपोर्ट 15 अक्टूबर को जमा की गई। रिपोर्ट बेंचमार्क के तय उपनमूनों पर तुलना वाली प्रणालियों से आगे होने का दावा करती है। यह विक्रेता द्वारा बताया गया मॉडल मूल्यांकन है, इस बात का स्वतंत्र साक्ष्य नहीं कि यह SDK या MemHub तैनात एजेंट के जवाब बेहतर करते हैं। SDK दूसरी संगत मॉडल सेवाएँ भी स्वीकार करता है।

रिपॉज़िटरी की मौजूदा लाइसेंस फ़ाइल और प्रोजेक्ट मेटाडेटा Apache-2.0 बताते हैं। बदलावों के रिकॉर्ड के अनुसार इसे 2.0.1 अपलोड होने के बाद अपनाया गया था, जिसके अपरिवर्तनीय PyPI मेटाडेटा में अब भी MIT लिखा है। पैकेज मुफ़्त डाउनलोड किया जा सकता है, लेकिन चुनी हुई मॉडल या एम्बेडिंग सेवा अनुरोधों का शुल्क ले सकती है; रिलीज़ में सबके लिए एक समान संचालन लागत नहीं बताई गई है। इसलिए व्यावहारिक फैसला यह है कि किस मेमोरी रास्ते और अनुमति की सीमा को एकीकृत करना है, जबकि सेवा प्रदाता का शुल्क और जानकारी वापस पाने की गुणवत्ता डेवलपर के अपने सेटअप में मापी जाए।

स्रोत और आगे पढ़ें