Tencent menerbitkan hy-memory==2.0.1, SDK Python untuk menyimpan dan mengambil kembali konteks dari sesi obrolan, pekerjaan, dan pengodean. Kodenya tersedia untuk umum; aplikasi pendamping MemHub masih berupa kode sumber yang menunggu artefak rilis publik. Pengembang yang sedang mengevaluasi lapisan memori bersama dapat menggunakan SDK ini sekarang, tetapi perlu menyediakan endpoint model dan embedding serta menentukan rekaman sesi mana yang boleh dibaca setiap agen.

Dalam catatan perubahan proyek, Hy Memory 2.0.1 diberi tanggal 16 Oktober 2026. PyPI mencatat unggahan paket pada 15 Oktober, dan makalah model terkait diajukan pada hari itu. Itu merupakan catatan publikasi yang berbeda, bukan bukti bahwa produk desktop telah dirilis.

Perubahan besar

  • Yang berubah: SDK yang telah diterbitkan menyediakan jalur memori terpisah untuk obrolan, pekerjaan, dan pengodean melalui add() dan search(), dengan filter sumber dan ruang kerja yang dapat digunakan aplikasi pengintegrasi.
  • Cara kerjanya: Jalur obrolan mengatur percakapan menjadi lapisan memori. Jalur pekerjaan mengekstrak satu fakta sesi dan, jika layak, pengalaman yang dapat digunakan kembali dari jejak alat. Jalur pengodean menambahkan rantai versi untuk perubahan kode. Pemanggil menyediakan materi sumber, identitas, konfigurasi penyimpanan, dan layanan model.
  • Mengapa penting: Host agen dapat mengambil rekaman ringkas percakapan atau keputusan tugas sebelumnya alih-alih memasukkan seluruh riwayat ke setiap sesi baru. Ketepatan, otorisasi, dan kegunaan rekaman itu tetap bergantung pada apa yang dikirim host dan memori mana yang diizinkannya masuk kembali ke prompt.

Pilih alur kerja sebelum mengintegrasikan

Dalam README SDK, dijelaskan tiga nilai scene. chat menerima teks biasa atau array pesan, lalu mengembalikan kanal pengingatan profile, normal, dan proactive. Dalam mode lite, SDK menyimpan teks mentah untuk pencarian embedding tanpa ekstraksi LLM. pro menambahkan ekstraksi dan rekonsiliasi; ultra dapat menjalankan tahap evolusi tambahan melalui evolve().

Untuk working, masukan harus memuat jejak pemanggilan alat. Satu sesi menghasilkan satu fakta tentang tugas, pendekatan, dan hasil, ditambah nol atau lebih pengalaman yang dapat digunakan kembali dan lolos ambang nilai mesin. coding menggunakan dua lapisan yang sama dan menambahkan rantai evolusi versi untuk kode yang diubah. Menurut README, rantai itu dapat menggunakan diff Git lokal jika MEMORY_CODING_CHAIN_REPO_ROOT disetel, atau menggunakan tindakan penggantian deterministik dalam jejak alat. Dalam lite, SDK mengabaikan perbedaan skenario pekerjaan/pengodean dan menyimpan memori mentah.

Bentuk keluaran tersebut menjawab pertanyaan yang berbeda. Preferensi percakapan masuk ke chat; tugas yang selesai beserta hasil alat masuk ke working; perubahan kode yang versi sebelumnya mungkin penting masuk ke coding. Ini merupakan perbedaan perutean yang didokumentasikan, bukan uji performa BIG CHANGE.

Jalur penggunaan SDK yang didokumentasikan

Urutan berikut didasarkan pada panduan mulai cepat repositori dan panduan konfigurasi SDK MemHub. BIG CHANGE tidak menjalankan paket atau melakukan panggilan model.

Gunakan Python 3.9 atau lebih baru dan instal SDK dengan versi yang ditetapkan:

Terminal
pip install hy-memory==2.0.1

ChromaDB dan Kuzu termasuk dalam dependensi inti; Qdrant, FAISS, Neo4j, cache MySQL, dan reranker lokal tersedia sebagai tambahan terpisah. Lingkungan pengembangan sumber MemHub berbeda: dibutuhkan Node.js 24, pnpm 11, Python 3.12, dan uv.

Konfigurasikan endpoint LLM dan endpoint embedding sebelum menginisialisasi klien. README mencantumkan MEMORY_LLM_API_KEY, MEMORY_LLM_BASE_URL, MEMORY_LLM_MODEL, serta variabel MEMORY_EMBEDDER_* yang bersesuaian dan MEMORY_EMBEDDING_DIMS; README juga mendokumentasikan nilai bawaan OPENAI_API_KEY. Sediakan URL endpoint, nama model, kunci, dan dimensi embedding yang cocok milik Anda sendiri. Ini adalah antarmuka yang kompatibel dengan OpenAI, bukan kewajiban menggunakan model Hy-Memory-30B terpisah milik Tencent. Jangan masukkan kredensial ke jejak yang disimpan.

Contoh obrolan berikut menggunakan API yang didokumentasikan, yaitu MemoryConfig.from_env(), HyMemoryClient, add(), dan search(). Aplikasi pemanggil harus menyediakan authorized_messages sebagai teks biasa atau pesan berformat OpenAI, identitas user_id yang stabil dan berotorisasi, serta query. Contoh ini menampilkan nilai kembalian tanpa mengklaim hasil tertentu:

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()

Untuk pekerjaan atau pengodean, berikan jejak pesan yang memuat pemanggilan alat atau entri role="tool" dan tetapkan scene secara eksplisit. Tetapkan workspace_id untuk mengisolasi materi proyek; branch memerlukannya. Tetapkan source saat menulis serta include_sources atau exclude_sources saat mencari jika batas aplikasi pemanggil perlu diperhatikan. Pencarian obrolan mengembalikan kanal memori; pencarian pekerjaan/pengodean mengembalikan facts dan experiences, disertai chain_block untuk pengodean. Periksa rekaman yang dikembalikan sebelum menyerahkannya kepada host agen. list_memories, get, update, dan delete menyediakan pengelolaan per rekaman.

Integrasi yang berhasil akan memiliki rekaman tersimpan dari masukan berotorisasi dan hasil pencarian dengan cakupan tertentu yang menjawab kebutuhan pengingatan yang dituju. README mendokumentasikan bidang kembalian, tetapi kami tidak mengamati pelaksanaannya sehingga tidak dapat mengklaim bahwa ekstraksi atau pengingatan berhasil. Jika pencarian pekerjaan/pengodean kosong, pastikan dahulu penulisan menyertakan hasil alat dan menggunakan pro atau ultra, lalu periksa kesamaan user_id, workspace_id, branch, dan filter sumber. Jika mengganti model atau dimensi embedding, panduan konfigurasi MemHub memperingatkan bahwa koleksi yang ada tidak bisa langsung digunakan kembali dengan lebar vektor yang berbeda.

MemHub dan model adalah pilihan terpisah

MemHub merupakan produk desktop dan CLI yang direncanakan di atas SDK. Dalam README-nya dijelaskan runtime lokal terkelola, konektor sumber, dan integrasi host. Dalam catatan perubahannya, status ketersediaannya dijelaskan lebih tegas: kode sumber versi 1.0.0 build 4 sudah ada, tetapi publikasi npm dan artefak rilis GitHub masih tertunda. Panduan instalasi menetapkan Linux dan macOS sebagai target rilis serta menyatakan Windows tidak didukung; urutan instalasi npm-nya bergantung pada penerbitan artefak tersebut. Untuk saat ini, perlakukan urutan itu sebagai jalur instalasi yang direncanakan.

Penyimpanan lokal juga tidak berarti semua langkah pemrosesan tetap lokal. Dokumen privasi MemHub memisahkan izin membaca sumber percakapan, izin mengirim materi berotorisasi ke layanan model pihak ketiga yang dipilih, dan izin bagi host agen untuk mengambil memori. Dokumen itu menyatakan bukti sumber mentah disimpan dalam direktori data lokal, dan jika layanan model eksternal dipilih, layanan tersebut menerima konten berotorisasi yang dibutuhkan untuk tugas yang dipilih. Pengintegrasi yang menggunakan SDK secara langsung harus menerapkan sendiri persetujuan akses sumber, akses model, dan kontrol pengingatan oleh host; panduan integrasi MemHub menjelaskan bahwa jembatan produknya menambahkan langkah tata kelola tersebut, bukan hanya memanggil SDK.

Tencent juga merilis Hy-Memory-30B-A3B, model yang dilatih untuk menulis memori, dengan laporan teknis yang diajukan pada 15 Oktober. Laporan tersebut mengklaim keunggulan atas sistem pembanding pada subsampel tolok ukur yang tetap. Itu merupakan evaluasi model yang dilaporkan penyedia, bukan bukti independen bahwa SDK atau MemHub ini memperbaiki jawaban agen yang diterapkan. SDK menerima layanan model lain yang kompatibel.

Berkas lisensi repositori saat ini dan metadata proyek menyebut Apache-2.0. Catatan perubahan menyatakan lisensi ini diadopsi setelah unggahan 2.0.1, sementara metadata PyPI unggahan yang tidak dapat diubah itu masih menyebut MIT. Paket dapat diunduh gratis, tetapi layanan model atau embedding yang dipilih dapat mengenakan biaya per permintaan; rilis tersebut tidak mencantumkan biaya operasional yang berlaku umum. Jadi, keputusan praktisnya adalah jalur memori dan batas otorisasi mana yang akan diintegrasikan, dengan biaya penyedia dan kualitas pengingatan diukur dalam lingkungan pengembang sendiri.

Sumber & bacaan lanjutan