O MUNDO NÃO ESTÁ PARADO.RSS
BIG CHANGE.

Edição Markdown

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

# Hy Memory 2.0 dá aos agentes três formas de preservar o contexto

> O SDK Hy Memory 2.0.1 da Tencent separa a recuperação de memórias de conversas, trabalho e programação. A aplicação MemHub tem código-fonte, mas ainda não tem artefactos de lançamento públicos; as integrações continuam a exigir endpoints de modelos e limites explícitos de acesso.

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.

A Tencent publicou o `hy-memory==2.0.1`, um SDK Python para conservar e recuperar o contexto de sessões de conversa, trabalho e programação. O código é público; a aplicação complementar MemHub continua na fase de código-fonte, à espera de artefactos de lançamento públicos. Os programadores que estejam a avaliar uma camada de memória partilhada já podem utilizar o SDK, mas têm de fornecer endpoints de modelos e embeddings e decidir que registos de sessão cada agente pode ler.

O [registo de alterações do projeto](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) atribui ao Hy Memory 2.0.1 a data de 16 de outubro de 2026. O [PyPI](https://pypi.org/project/hy-memory/2.0.1/) regista o carregamento do pacote em 15 de outubro, e o [artigo sobre o modelo](https://arxiv.org/abs/2610.22196) associado foi submetido nesse dia. São registos distintos de publicação, e não prova de que o produto para computador tenha sido lançado.

## A grande mudança

- **O que mudou:** O SDK publicado disponibiliza caminhos de memória separados para conversas, trabalho e programação através de `add()` e `search()`, com filtros de origem e de espaço de trabalho que a aplicação responsável pela integração pode utilizar.
- **Como funciona:** O fluxo de conversas organiza diálogos em camadas de memória. O de trabalho extrai de um rasto de ferramentas um facto da sessão e, quando se justifica, experiências reutilizáveis. O de programação acrescenta uma cadeia de versões para as alterações de código. Quem faz a chamada fornece o material de origem, as identidades, a configuração de armazenamento e os serviços de modelos.
- **Porque é importante:** O sistema que aloja um agente pode recuperar um registo compacto de conversas ou decisões sobre tarefas anteriores, em vez de transmitir todo o histórico a cada nova sessão. A precisão, a autorização e a utilidade desse registo continuam a depender do que o sistema envia e de que memórias permite reinserir no prompt.

## Escolha o fluxo antes de integrar

O [README do SDK](https://github.com/Tencent-Hunyuan/Hy-Memory) descreve três valores de `scene`. O `chat` aceita texto simples ou arrays de mensagens e devolve os canais de recuperação `profile`, `normal` e `proactive`. No modo `lite`, guarda texto em bruto para pesquisa por embeddings, sem extração por LLM. O `pro` acrescenta extração e reconciliação; o `ultra` pode executar uma passagem adicional de evolução através de `evolve()`.

Para `working`, a entrada tem de conter um rasto de chamadas de ferramentas. Uma sessão produz um facto sobre a tarefa, a abordagem e o resultado, além de zero ou mais experiências reutilizáveis que ultrapassem o limiar de valor do motor. O `coding` utiliza as mesmas duas camadas e acrescenta uma cadeia de evolução de versões para o código alterado. Segundo o README, a cadeia pode utilizar diferenças locais do Git se `MEMORY_CODING_CHAIN_REPO_ROOT` estiver definido, ou ações determinísticas de substituição no rasto de ferramentas. No modo `lite`, o SDK ignora a distinção entre os cenários de trabalho e programação e guarda memória em bruto.

Estas estruturas de saída servem perguntas diferentes. Uma preferência expressa numa conversa pertence a `chat`; uma tarefa concluída com resultados de ferramentas pertence a `working`; uma alteração de código cuja revisão anterior possa ser relevante pertence a `coding`. É uma distinção de encaminhamento documentada, não um teste de desempenho do BIG CHANGE.

## Um caminho documentado para utilizar o SDK

A sequência seguinte baseia-se no [guia de início rápido do repositório](https://github.com/Tencent-Hunyuan/Hy-Memory) e no [guia de configuração do SDK do MemHub](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md). O BIG CHANGE não executou o pacote nem fez chamadas a modelos.

Utilize Python 3.9 ou posterior e instale a versão fixa do SDK:

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

ChromaDB e Kuzu fazem parte das dependências principais; Qdrant, FAISS, Neo4j, a cache MySQL e um modelo local de reordenação têm extras separados. O ambiente de desenvolvimento do código-fonte do MemHub é diferente: exige Node.js 24, pnpm 11, Python 3.12 e uv.

Configure um endpoint de LLM e outro de embeddings antes de inicializar o cliente. O README lista `MEMORY_LLM_API_KEY`, `MEMORY_LLM_BASE_URL`, `MEMORY_LLM_MODEL` e as variáveis correspondentes `MEMORY_EMBEDDER_*`, além de `MEMORY_EMBEDDING_DIMS`; também documenta a utilização por predefinição de `OPENAI_API_KEY`. Forneça os seus próprios URLs de endpoints, nomes de modelos, chaves e dimensões de embeddings compatíveis. São interfaces compatíveis com OpenAI, não uma exigência de utilizar o modelo separado Hy-Memory-30B da Tencent. Mantenha as credenciais fora dos rastos guardados.

O exemplo de conversa seguinte utiliza as APIs documentadas `MemoryConfig.from_env()`, `HyMemoryClient`, `add()` e `search()`. A aplicação que faz a chamada tem de fornecer `authorized_messages` como texto simples ou mensagens no formato OpenAI, um identificador `user_id` estável e autorizado, além de `query`. O exemplo mostra o valor devolvido, sem alegar um resultado específico:

```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()
```

Para trabalho ou programação, transmita um rasto de mensagens que contenha uma chamada de ferramenta ou uma entrada `role="tool"` e defina `scene` explicitamente. Defina `workspace_id` para isolar o material do projeto; `branch` depende desse valor. Defina `source` nas escritas e `include_sources` ou `exclude_sources` nas pesquisas quando os limites da aplicação que faz a chamada forem importantes. A pesquisa de conversas devolve canais de memória; a pesquisa de trabalho ou programação devolve `facts` e `experiences`, com `chain_block` para programação. Inspecione os registos devolvidos antes de os entregar ao sistema que aloja o agente. As funções `list_memories`, `get`, `update` e `delete` permitem gerir registos individualmente.

Uma integração bem-sucedida teria um registo guardado a partir de uma entrada autorizada e um resultado de pesquisa com âmbito definido que respondesse à pergunta de recuperação pretendida. O README documenta os campos devolvidos, mas não observámos uma execução que nos permita afirmar que a extração ou a recuperação funcionou. Se uma pesquisa de trabalho ou programação estiver vazia, confirme primeiro que a escrita incluiu resultados de ferramentas e utilizou `pro` ou `ultra`; depois, verifique os mesmos valores de `user_id`, `workspace_id`, `branch` e os filtros de origem. Ao alterar o modelo ou as dimensões dos embeddings, o [guia de configuração do MemHub](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) avisa que uma coleção existente não pode simplesmente ser reutilizada com uma largura de vetor diferente.

## MemHub e o modelo são escolhas separadas

O MemHub é o produto proposto para computador e CLI construído sobre o SDK. O seu [README](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/README.md) descreve um ambiente de execução local gerido, conectores de origem e integrações com sistemas anfitriões. O seu [registo de alterações](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) é mais específico quanto à disponibilidade: existe a versão de código-fonte 1.0.0, build 4, mas a publicação no npm e os artefactos de lançamento no GitHub continuam pendentes. O [guia de instalação](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/docs/INSTALLATION.md) indica Linux e macOS como plataformas de destino e informa que Windows não é suportado; a sua sequência de instalação via npm depende da publicação desses artefactos. Por agora, trate-a como um caminho de instalação planeado.

Armazenamento local também não significa que todas as etapas de processamento permaneçam locais. O [documento de privacidade](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/PRIVACY.md) do MemHub separa a permissão para ler uma fonte de conversa, a permissão para enviar material autorizado a um serviço de modelos de terceiros escolhido e a permissão para o sistema que aloja um agente recuperar memória. Informa que as provas de origem em bruto ficam no diretório de dados local e que, quando um serviço externo de modelos é escolhido, recebe o conteúdo autorizado necessário à tarefa selecionada. Quem integra diretamente o SDK tem de implementar os seus próprios controlos de consentimento de origem, acesso a modelos e recuperação pelo sistema anfitrião; o [guia de integração](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) do MemHub explica que a ponte do produto acrescenta essas etapas de governação, em vez de se limitar a chamar o SDK.

A Tencent lançou também o [Hy-Memory-30B-A3B](https://huggingface.co/tencent/Hy-Memory-30B-A3B), um modelo treinado para escrever memórias, com um [relatório técnico](https://arxiv.org/abs/2610.22196) submetido em 15 de outubro. O relatório alega uma vantagem sobre os sistemas comparados em subamostras fixas de benchmarks. É uma avaliação do modelo comunicada pelo fornecedor, não uma prova independente de que este SDK ou o MemHub melhorem as respostas de um agente em utilização. O SDK aceita outros serviços de modelos compatíveis.

O atual [ficheiro de licença do repositório](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/LICENSE) e os metadados do projeto indicam Apache-2.0. O registo de alterações informa que esta licença foi adotada depois do carregamento de 2.0.1, cujos [metadados imutáveis do PyPI](https://pypi.org/project/hy-memory/2.0.1/) continuam a indicar MIT. O pacote pode ser descarregado gratuitamente, mas o serviço de modelos ou embeddings escolhido pode cobrar pelos pedidos; o lançamento não documenta um preço de funcionamento universal. A decisão prática é, portanto, que caminho de memória e que limite de autorização integrar, medindo os custos do fornecedor e a qualidade da recuperação no próprio ambiente do programador.

## Fontes e leituras adicionais

- [Repositório e início rápido do Hy-Memory](https://github.com/Tencent-Hunyuan/Hy-Memory) — cenários atuais do SDK, exemplos de API, modos, opções de armazenamento e filtros de origem.
- [Registo de alterações do lançamento](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) e [PyPI 2.0.1](https://pypi.org/project/hy-memory/2.0.1/) — datas distintas de lançamento do SDK, requisitos do pacote, estado do MemHub e divergência nos metadados de licença.
- [README do MemHub](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/README.md), [guia de integração do SDK](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) e [documento de privacidade](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/PRIVACY.md) — arquitetura do produto na fase de código-fonte, configuração e limites de autorização.
- [Guia de instalação do MemHub](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/docs/INSTALLATION.md) — plataformas previstas e caminho condicional para os artefactos de lançamento.
- [Relatório do Hy-Memory-30B-A3B](https://arxiv.org/abs/2610.22196) — preprint e avaliação do modelo comunicada pelos autores; não valida esta integração em utilização real.

## Sources

- [Repositório e README do Hy-Memory](https://github.com/Tencent-Hunyuan/Hy-Memory) — Cenários do SDK, modos, exemplos de API, armazenamento e filtros; o aviso de lançamento no README indica apenas o mês.
- [Registo de alterações do Hy-Memory](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/CHANGELOG.md) — Data o SDK 2.0.1 e informa que o MemHub não tem artefactos de lançamento públicos; explica os metadados imutáveis de licença do PyPI.
- [hy-memory 2.0.1 no PyPI](https://pypi.org/project/hy-memory/2.0.1/) — Pacote publicado, requisito de Python, datas dos ficheiros de lançamento e metadados MIT do carregamento.
- [README do MemHub](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/README.md) — Arquitetura do código-fonte do produto e pré-requisitos de desenvolvimento, não prova do lançamento público da aplicação.
- [Guia de integração de memória do MemHub](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/MEMORY.md) — Configuração do SDK, largura dos embeddings e limites da ponte do produto.
- [Documento de privacidade do MemHub](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/PRIVACY.md) — Permissões separadas para origem, processamento por modelos e recuperação pelo sistema anfitrião.
- [Guia de instalação do MemHub](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/memhub/docs/INSTALLATION.md) — Caminho condicional de instalação do pacote e plataformas de destino.
- [Preprint do Hy-Memory-30B-A3B](https://arxiv.org/abs/2610.22196) — Modelo separado, abordagem de treino e benchmark comunicado pelo fornecedor; sem validação independente.
- [LICENSE atual do repositório](https://github.com/Tencent-Hunyuan/Hy-Memory/blob/main/LICENSE) — Texto-fonte atual Apache-2.0; o PyPI 2.0.1 mantém os metadados MIT.