Markdown आवृत्ती

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

# Hy Memory 2.0 एजंटना संदर्भ जतन करण्याचे तीन मार्ग देते

> Tencent चे Hy Memory 2.0.1 SDK चॅट, काम आणि कोडिंगमधील मेमरी शोधण्याचे मार्ग वेगळे ठेवते. त्याच्या MemHub अॅपचा स्रोत कोड आहे, पण सार्वजनिक रिलीज फाइल्स नाहीत; एकत्रीकरणासाठी अजूनही मॉडेल एंडपॉइंट आणि प्रवेशाच्या स्पष्ट मर्यादा आवश्यक आहेत.

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 ने `hy-memory==2.0.1` प्रकाशित केले आहे. हे चॅट, काम आणि कोडिंग सत्रांतील संदर्भ जतन करून पुन्हा शोधण्यासाठीचे Python SDK आहे. कोड सार्वजनिक आहे; त्याच्यासोबतचे MemHub अॅप अजून स्रोत कोडच्या टप्प्यावर असून सार्वजनिक रिलीज फाइल्सची वाट पाहत आहे. सामायिक मेमरी स्तराचे मूल्यमापन करणारे विकसक SDK आताच वापरू शकतात; पण त्यांना मॉडेल आणि एम्बेडिंग एंडपॉइंट पुरवावे लागतील आणि प्रत्येक एजंट कोणत्या सत्रांच्या नोंदी वाचू शकतो हे ठरवावे लागेल.

प्रकल्पाच्या [बदल नोंदीत](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) Hy Memory 2.0.1 ची तारीख 16 ऑक्टोबर 2026 दिली आहे. [PyPI](https://pypi.org/project/hy-memory/2.0.1/) वर पॅकेज अपलोड केल्याची तारीख 15 ऑक्टोबर आहे आणि संबंधित [मॉडेलचा शोधनिबंध](https://arxiv.org/abs/2610.22196) त्याच दिवशी सादर झाला. या प्रकाशनाच्या वेगवेगळ्या नोंदी आहेत; डेस्कटॉप उत्पादन उपलब्ध झाले याचा पुरावा नाही.

## मोठा बदल

- **काय बदलले:** प्रकाशित SDK चॅट, काम आणि कोडिंगसाठी स्वतंत्र मेमरी मार्ग देते. ते वापरण्यासाठीचे API आहेत `add()` आणि `search()`; त्यात एकत्रीकरण करणाऱ्या अॅप्लिकेशनला वापरता येतील असे स्रोत आणि कार्यक्षेत्र फिल्टरही आहेत.
- **ते कसे काम करते:** चॅट संभाषणे मेमरीच्या स्तरांत मांडते. कामाचा प्रवाह टूल ट्रेसमधून सत्राबद्दलचे एक तथ्य आणि, योग्य ठरल्यास, पुन्हा वापरता येतील असे अनुभव काढतो. कोडिंग कोडमधील बदलांसाठी आवृत्त्यांची साखळी जोडते. कॉल करणारी बाजू स्रोत सामग्री, ओळखी, स्टोरेजची संरचना आणि मॉडेल सेवा पुरवते.
- **ते महत्त्वाचे का आहे:** एजंटचा होस्ट प्रत्येक नव्या सत्राला संपूर्ण इतिहास पाठवण्याऐवजी आधीची संभाषणे किंवा कामावरील निर्णय यांची संक्षिप्त नोंद शोधू शकतो. ही नोंद अचूक, अधिकृत आणि उपयुक्त आहे की नाही, हे अजूनही होस्ट काय पाठवतो आणि कोणत्या आठवणी पुन्हा प्रॉम्प्टमध्ये येऊ देतो यावर अवलंबून आहे.

## एकत्रीकरणापूर्वी कार्यप्रवाह निवडा

SDK च्या [README मध्ये](https://github.com/Tencent-Hunyuan/Hy-Memory) पॅरामीटर `scene` साठी तीन मूल्ये दिली आहेत. `chat` साधा मजकूर किंवा संदेशांची अॅरे स्वीकारते आणि नंतर मेमरी शोधाचे `profile`, `normal` आणि `proactive` चॅनेल परत देते. `lite` मोडमध्ये LLM वापरून माहिती न काढता एम्बेडिंग शोधासाठी मूळ मजकूर साठवला जातो. `pro` माहिती काढणे आणि जुळवून समायोजन करणे या पायऱ्या जोडते; `ultra` अतिरिक्त उत्क्रांतीचा टप्पा `evolve()` द्वारे चालवू शकते.

मोड `working` असल्यास इनपुटमध्ये टूल-कॉल ट्रेस हवा. एका सत्रातून काम, पद्धत आणि निष्कर्ष यांविषयी एक तथ्य तयार होते; तसेच इंजिनच्या मूल्याची मर्यादा पार करणारे शून्य किंवा त्याहून अधिक पुन्हा वापरता येणारे अनुभव तयार होतात. `coding` तेच दोन स्तर वापरते आणि बदललेल्या कोडसाठी आवृत्ती-उत्क्रांतीची साखळी जोडते. README नुसार, `MEMORY_CODING_CHAIN_REPO_ROOT` सेट केले असल्यास ही साखळी स्थानिक Git diff वापरू शकते किंवा टूल ट्रेसमध्ये ठरावीक नियमांनुसार बदल करणाऱ्या कृती वापरू शकते. `lite` मोडमध्ये SDK काम/कोडिंगच्या संदर्भातील फरक दुर्लक्षित करून प्रक्रिया न केलेली मेमरी साठवते.

या आउटपुट रचना वेगवेगळ्या प्रश्नांसाठी आहेत. संभाषणात व्यक्त झालेली पसंती ठेवायची ती `chat` मध्ये; टूलच्या निकालांसह पूर्ण झालेले काम ठेवायचे ते `working` मध्ये; आणि आधीची आवृत्ती महत्त्वाची असू शकणारा कोडमधील बदल ठेवायचा तो `coding` मध्ये. हा दस्तऐवजात दिलेला मार्गनिवडीचा फरक आहे; BIG CHANGE ने केलेली कार्यक्षमतेची चाचणी नाही.

## दस्तऐवजात दिलेला SDK वापरण्याचा मार्ग

पुढील क्रम [रिपॉझिटरीच्या झटपट सुरुवात मार्गदर्शकावर](https://github.com/Tencent-Hunyuan/Hy-Memory) आणि [MemHub च्या SDK संरचना मार्गदर्शकावर](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) आधारित आहे. BIG CHANGE ने पॅकेज चालवले नाही किंवा मॉडेलला कॉल केले नाहीत.

Python 3.9 किंवा त्यानंतरची आवृत्ती वापरा आणि SDK ची निश्चित केलेली आवृत्ती इन्स्टॉल करा:

```bash
pip install hy-memory==2.0.1
```

ChromaDB आणि Kuzu मुख्य अवलंबनांमध्ये आहेत; Qdrant, FAISS, Neo4j, MySQL cache आणि स्थानिक रीरँकरसाठी वेगवेगळी अतिरिक्त पॅकेज आहेत. MemHub च्या स्रोत कोडच्या विकासाचे वातावरण वेगळे आहे: त्यासाठी Node.js 24, pnpm 11, Python 3.12 आणि uv आवश्यक आहेत.

क्लायंट सुरू करण्यापूर्वी LLM एंडपॉइंट आणि एम्बेडिंग एंडपॉइंट दोन्ही संरचित करा. README मध्ये नमूद केलेले आहेत `MEMORY_LLM_API_KEY`, `MEMORY_LLM_BASE_URL`, `MEMORY_LLM_MODEL`, त्यांच्याशी संबंधित `MEMORY_EMBEDDER_*` चल आणि `MEMORY_EMBEDDING_DIMS`; त्यात पूर्वनियोजित पर्याय म्हणून `OPENAI_API_KEY` वापरण्याचेही वर्णन आहे. तुमचे स्वतःचे एंडपॉइंट URL, मॉडेलची नावे, की आणि जुळणारी एम्बेडिंग परिमाणे द्या. हे OpenAI-सुसंगत इंटरफेस आहेत; Tencent चे स्वतंत्र Hy-Memory-30B मॉडेल वापरण्याची अट नाही. साठवल्या जाणाऱ्या ट्रेसमध्ये प्रवेशाची क्रेडेन्शियल्स ठेवू नका.

पुढील चॅट उदाहरणात दस्तऐवजात दिलेले `MemoryConfig.from_env()`, `HyMemoryClient`, `add()` आणि `search()` API वापरले आहेत. कॉल करणाऱ्या अॅप्लिकेशनने `authorized_messages` साधा मजकूर किंवा OpenAI स्वरूपातील संदेश म्हणून, स्थिर आणि अधिकृत `user_id` तसेच `query` पुरवणे आवश्यक आहे. यात परत मिळणारे मूल्य दाखवले आहे; एखाद्या विशिष्ट निकालाचा दावा केलेला नाही:

```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 किंवा कोडिंगसाठी टूल कॉल किंवा `role="tool"` नोंद असलेला संदेश ट्रेस द्या आणि `scene` स्पष्टपणे सेट करा. प्रकल्प सामग्री वेगळी ठेवण्यासाठी सेट करा `workspace_id`; त्याशिवाय `branch` वापरता येत नाही. लिहिताना सेट करा `source` आणि शोधताना `include_sources` किंवा `exclude_sources`, जेव्हा कॉल करणाऱ्या अॅप्लिकेशनच्या सीमा महत्त्वाच्या असतील. चॅट शोध मेमरी चॅनेल परत देतो; काम/कोडिंग शोध परत देतो `facts` आणि `experiences`; कोडिंगसाठी त्यासोबत `chain_block` हेही मिळते. परत आलेल्या नोंदी एजंटच्या होस्टला देण्यापूर्वी तपासा. `list_memories`, `get`, `update` आणि `delete` स्वतंत्र नोंदींचे व्यवस्थापन करू देतात.

यशस्वी एकत्रीकरणात अधिकृत इनपुटमधून साठवलेली नोंद आणि अपेक्षित मेमरी-शोध प्रश्नाचे उत्तर देणारा मर्यादित व्याप्तीचा शोध निकाल असेल. README परत मिळणारी फील्ड नोंदवते, पण माहिती काढणे किंवा शोध यशस्वी झाल्याचा दावा करण्यासाठी आम्ही प्रत्यक्ष चालवलेले उदाहरण पाहिलेले नाही. काम/कोडिंग शोध रिकामा असल्यास आधी खात्री करा की लिहिलेल्या इनपुटमध्ये टूलचे निकाल होते आणि त्याने वापरले होते `pro` किंवा `ultra`; मग तेच `user_id`, `workspace_id`, `branch` आणि स्रोत फिल्टर वापरले आहेत का ते तपासा. एम्बेडिंग मॉडेल किंवा परिमाणे बदलताना, [MemHub चा संरचना मार्गदर्शक](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) इशारा देतो की विद्यमान कलेक्शन वेगळ्या व्हेक्टर रुंदीसह सरळ पुन्हा वापरता येत नाही.

## MemHub आणि मॉडेल हे स्वतंत्र पर्याय आहेत

MemHub हे SDK वर आधारित प्रस्तावित डेस्कटॉप आणि CLI उत्पादन आहे. त्याचे [README](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/README.md) व्यवस्थापित स्थानिक रनटाइम, स्रोत कनेक्टर आणि होस्ट एकत्रीकरणे सांगते. त्याच्या [बदल नोंदीत](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) उपलब्धतेबद्दल अधिक नेमके सांगितले आहे: स्रोत आवृत्ती 1.0.0 build 4 अस्तित्वात आहे, पण npm वरील प्रकाशन आणि GitHub रिलीज फाइल्स अद्याप प्रलंबित आहेत. [इन्स्टॉलेशन मार्गदर्शक](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/docs/INSTALLATION.md) Linux आणि macOS ही रिलीजची लक्ष्ये सांगतो आणि Windows समर्थित नसल्याचे नमूद करतो; त्यातील npm इन्स्टॉलचा क्रम त्या फाइल्स प्रकाशित होण्यावर अवलंबून आहे. सध्या त्याला इन्स्टॉलेशनचा नियोजित मार्ग समजा.

स्थानिक स्टोरेज म्हणजे प्रक्रियेचा प्रत्येक टप्पा स्थानिकच राहतो असेही नाही. MemHub चा [गोपनीयता दस्तऐवज](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/PRIVACY.md) संभाषणाचा स्रोत वाचण्याची परवानगी, अधिकृत सामग्री निवडलेल्या तृतीय-पक्ष मॉडेल सेवेला पाठवण्याची परवानगी आणि एजंटच्या होस्टला मेमरी शोधण्याची परवानगी वेगवेगळी ठेवतो. त्यानुसार स्रोताचे मूळ पुरावे स्थानिक डेटा डिरेक्टरीमध्ये साठवले जातात; बाह्य मॉडेल सेवा निवडल्यावर तिला निवडलेल्या कामासाठी लागणारी अधिकृत सामग्री मिळते. थेट SDK वापरणाऱ्या एकत्रीकरणकर्त्याने स्रोताची संमती, मॉडेलचा प्रवेश आणि होस्टकडून मेमरी शोध यासाठी स्वतःची नियंत्रणे लागू केली पाहिजेत; MemHub चा [एकत्रीकरण मार्गदर्शक](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) सांगतो की त्याचा प्रॉडक्ट ब्रिज फक्त SDK ला कॉल करण्याऐवजी प्रशासनाच्या या पायऱ्या जोडतो.

Tencent ने [Hy-Memory-30B-A3B](https://huggingface.co/tencent/Hy-Memory-30B-A3B) हे मॉडेलही प्रसिद्ध केले आहे. त्याला मेमरी लिहिण्यासाठी प्रशिक्षण दिले असून त्याचा [तांत्रिक अहवाल](https://arxiv.org/abs/2610.22196) 15 ऑक्टोबरला सादर झाला. बेंचमार्कच्या निश्चित उपनमुन्यांवर तुलना केलेल्या प्रणालींपेक्षा पुढे असल्याचा दावा अहवाल करतो. हे पुरवठादाराने नोंदवलेले मॉडेल मूल्यमापन आहे; या SDK मुळे किंवा MemHub मुळे प्रत्यक्ष वापरातील एजंटची उत्तरे सुधारतात याचा स्वतंत्र पुरावा नाही. SDK इतर सुसंगत मॉडेल सेवाही स्वीकारते.

रिपॉझिटरीची सध्याची [परवाना फाइल](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/LICENSE) आणि प्रकल्पाचा मेटाडेटा Apache-2.0 दर्शवतात. बदल नोंदीनुसार हा परवाना 2.0.1 अपलोड झाल्यानंतर स्वीकारला; त्या अपलोडचा बदलता न येणारा [PyPI मेटाडेटा](https://pypi.org/project/hy-memory/2.0.1/) अजूनही MIT सांगतो. पॅकेज मोफत डाउनलोड करता येते, पण निवडलेली मॉडेल किंवा एम्बेडिंग सेवा विनंत्यांसाठी शुल्क आकारू शकते; रिलीजमध्ये सर्वांना लागू होणारा एकच संचालन खर्च दिलेला नाही. त्यामुळे कोणता मेमरी मार्ग आणि अधिकृततेची सीमा एकत्रित करायची, हा व्यावहारिक निर्णय आहे; पुरवठादाराचे शुल्क आणि शोधाची गुणवत्ता विकसकाच्या स्वतःच्या वातावरणात मोजावी लागेल.

## स्रोत आणि पुढील वाचन

- [Hy-Memory रिपॉझिटरी आणि झटपट सुरुवात मार्गदर्शक](https://github.com/Tencent-Hunyuan/Hy-Memory) — SDK चे सध्याचे वापरप्रसंग, API उदाहरणे, मोड, स्टोरेज पर्याय आणि स्रोत फिल्टर.
- [रिलीजची बदल नोंद](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) आणि [PyPI 2.0.1](https://pypi.org/project/hy-memory/2.0.1/) — SDK रिलीजच्या वेगवेगळ्या तारखा, पॅकेजच्या गरजा, MemHub ची स्थिती आणि परवाना मेटाडेटातील फरक.
- [MemHub README](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/README.md), [SDK एकत्रीकरण मार्गदर्शक](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) आणि [गोपनीयता दस्तऐवज](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/PRIVACY.md) — स्रोत कोडच्या टप्प्यातील उत्पादनाची रचना, सेटिंग्ज आणि अधिकृततेच्या सीमा.
- [MemHub इन्स्टॉलेशन मार्गदर्शक](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/docs/INSTALLATION.md) — अपेक्षित प्लॅटफॉर्म आणि रिलीज फाइल्सचा सशर्त मार्ग.
- [Hy-Memory-30B-A3B अहवाल](https://arxiv.org/abs/2610.22196) — प्रीप्रिंट आणि लेखकांनी दिलेले मॉडेल मूल्यमापन; प्रत्यक्ष वातावरणात हे एकत्रीकरण तो पडताळत नाही.

## Sources

- [Hy-Memory रिपॉझिटरी आणि README](https://github.com/Tencent-Hunyuan/Hy-Memory) — SDK वापरप्रसंग, मोड, API उदाहरणे, स्टोरेज आणि फिल्टर; README मधील रिलीज सूचनेत फक्त महिना दिला आहे.
- [Hy-Memory बदल नोंद](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) — SDK 2.0.1 ची तारीख देते आणि MemHub च्या सार्वजनिक रिलीज फाइल्स नसल्याचे सांगते; बदलता न येणारा PyPI परवाना मेटाडेटा स्पष्ट करते.
- [PyPI वरील hy-memory 2.0.1](https://pypi.org/project/hy-memory/2.0.1/) — प्रकाशित पॅकेज, Python ची गरज, रिलीज फाइल्सच्या तारखा आणि अपलोडचा MIT मेटाडेटा.
- [MemHub README](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/README.md) — उत्पादनाच्या स्रोताची रचना आणि विकासाच्या पूर्वअटी; अॅपच्या सार्वजनिक रिलीजचा पुरावा नाही.
- [MemHub मेमरी एकत्रीकरण मार्गदर्शक](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) — SDK ची संरचना, एम्बेडिंग रुंदी आणि प्रॉडक्ट ब्रिजच्या सीमा.
- [MemHub गोपनीयता दस्तऐवज](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/PRIVACY.md) — स्रोत, मॉडेल प्रक्रिया आणि होस्टकडून मेमरी शोधण्यासाठी वेगवेगळ्या परवानग्या.
- [MemHub इन्स्टॉलेशन मार्गदर्शक](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/docs/INSTALLATION.md) — पॅकेज इन्स्टॉल करण्याचा सशर्त मार्ग आणि लक्ष्य प्लॅटफॉर्म.
- [Hy-Memory-30B-A3B प्रीप्रिंट](https://arxiv.org/abs/2610.22196) — स्वतंत्र मॉडेल, प्रशिक्षणाची पद्धत आणि पुरवठादाराने सांगितलेला बेंचमार्क; स्वतंत्र पडताळणी झालेली नाही.
- [रिपॉझिटरीची सध्याची LICENSE](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/LICENSE) — सध्याचा Apache-2.0 स्रोत मजकूर; PyPI 2.0.1 मध्ये MIT मेटाडेटा कायम आहे.