Hy Memory 2.0 даёт агентам три способа сохранять контекст

Tencent опубликовала hy-memory==2.0.1 — Python SDK для сохранения и поиска контекста из сессий чата, работы и программирования. Код открыт; сопутствующее приложение MemHub пока представляет собой исходный код, ожидающий публичных файлов релиза. Разработчики, оценивающие общий слой памяти, уже могут использовать SDK, но должны предоставить конечные точки моделей и эмбеддингов и решить, какие записи сессий разрешено читать каждому агенту.

В журнале изменений проекта Hy Memory 2.0.1 датирован 16 октября 2026 года. PyPI фиксирует загрузку пакета 15 октября; связанная статья о модели была подана в тот же день. Это отдельные записи о публикации, а не доказательство выхода настольного продукта.

Главное изменение

• Что изменилось: Опубликованный SDK предоставляет отдельные пути памяти для чата, работы и программирования через add() и search(), а также фильтры источников и рабочих пространств, которыми может пользоваться интегрирующее приложение.
• Как это работает: Сценарий чата организует разговоры в слои памяти. Рабочий сценарий извлекает из трассы инструментов один факт о сессии и, если это оправданно, опыт для повторного использования. Сценарий программирования добавляет цепочку версий изменений кода. Вызывающая сторона предоставляет исходные материалы, идентификаторы, настройки хранилища и сервисы моделей.
• Почему это важно: Среда, в которой работает агент, может извлекать компактную запись предыдущих разговоров или решений по задачам вместо передачи всей истории в каждую новую сессию. Точность, разрешённость доступа и полезность такой записи по-прежнему зависят от того, что отправляет среда и какие воспоминания допускает обратно в промпт.

Выберите сценарий до интеграции

В README SDK описаны три значения scene. Режим chat принимает обычный текст или массивы сообщений, а затем возвращает каналы воспоминаний profile, normal и proactive. В режиме lite сохраняется исходный текст для поиска по эмбеддингам без извлечения с помощью LLM. Режим pro добавляет извлечение и согласование; ultra может выполнить дополнительный проход эволюции через evolve().

Для working вход должен содержать трассу вызовов инструментов. Сессия создаёт один факт о задаче, подходе и результате, а также ноль или более единиц повторно используемого опыта, которые проходят порог ценности движка. Режим coding использует те же два слоя и добавляет цепочку эволюции версий затронутого кода. Согласно README, цепочка может использовать локальные Git diff, если задан MEMORY_CODING_CHAIN_REPO_ROOT, либо детерминированные действия замены в трассе инструментов. В режиме lite SDK игнорирует различие между рабочим сценарием и программированием и сохраняет необработанную память.

Такие структуры вывода отвечают на разные вопросы. Предпочтение из разговора относится к chat; завершённая задача с результатами инструментов — к working; изменение кода, для которого может быть важна предыдущая редакция, — к coding. Это описанное в документации различие маршрутизации, а не тест производительности BIG CHANGE.

Документированный путь использования SDK

Следующая последовательность основана на кратком руководстве репозитория и руководстве по настройке SDK MemHub. BIG CHANGE не запускало пакет и не обращалось к моделям.

Используйте Python 3.9 или новее и установите зафиксированную версию SDK:

pip install hy-memory==2.0.1

ChromaDB и Kuzu входят в основной набор зависимостей; Qdrant, FAISS, Neo4j, кеш MySQL и локальный переранжировщик доступны как отдельные дополнения. Среда разработки исходного кода MemHub отличается: ей нужны Node.js 24, pnpm 11, Python 3.12 и uv.

До инициализации клиента настройте конечную точку LLM и конечную точку эмбеддингов. В README перечислены MEMORY_LLM_API_KEY, MEMORY_LLM_BASE_URL, MEMORY_LLM_MODEL, соответствующие переменные MEMORY_EMBEDDER_* и MEMORY_EMBEDDING_DIMS; также описано использование по умолчанию OPENAI_API_KEY. Предоставьте собственные URL конечных точек, названия моделей, ключи и согласованные размерности эмбеддингов. Это интерфейсы, совместимые с OpenAI, а не требование использовать отдельную модель Tencent Hy-Memory-30B. Не включайте учётные данные в сохраняемые трассы.

Следующий пример чата использует документированные API MemoryConfig.from_env(), HyMemoryClient, add() и search(). Вызывающее приложение должно предоставить authorized_messages как обычный текст или сообщения в формате OpenAI, стабильный авторизованный идентификатор user_id и query. Пример показывает возвращаемое значение, не заявляя о конкретном результате:

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()

Для рабочего сценария или программирования передайте трассу сообщений с вызовом инструмента либо записью role="tool" и явно задайте scene. Задайте workspace_id для изоляции материалов проекта; он необходим для branch. Задавайте source при записи и include_sources либо exclude_sources при поиске, если важны границы вызывающего приложения. Поиск по чатам возвращает каналы памяти; поиск по рабочим или программным сессиям возвращает facts и experiences, а для программирования — ещё и chain_block. Проверяйте возвращённые записи, прежде чем передавать их среде агента. Функции list_memories, get, update и delete обеспечивают управление отдельными записями.

Успешная интеграция имела бы сохранённую запись из разрешённого входа и результат поиска в заданных границах, отвечающий на нужный вопрос о прошлом контексте. README описывает возвращаемые поля, но у нас нет наблюдаемого запуска, позволяющего утверждать, что извлечение или поиск прошли успешно. Если поиск по рабочим или программным сессиям пуст, сначала убедитесь, что запись включала результаты инструментов и использовала pro или ultra, затем проверьте совпадение user_id, workspace_id, branch и фильтров источников. Если меняете модель эмбеддингов или размерности, руководство по настройке MemHub предупреждает: существующую коллекцию нельзя просто повторно использовать с другой шириной вектора.

MemHub и модель — отдельные решения

MemHub — предлагаемый настольный продукт и CLI на основе SDK. Его README описывает управляемую локальную среду выполнения, коннекторы источников и интеграции со средами агентов. В журнале изменений доступность описана точнее: существует исходная версия 1.0.0, сборка 4, но публикация в npm и файлы релиза на GitHub пока ожидаются. В руководстве по установке целевыми платформами названы Linux и macOS, а Windows не поддерживается; последовательность установки через npm применима только после публикации этих файлов. Пока считайте её планируемым путём установки.

Локальное хранение также не означает, что каждый этап обработки остаётся локальным. Документ о конфиденциальности MemHub разделяет разрешение читать источник разговора, разрешение передавать разрешённые материалы выбранному стороннему сервису моделей и разрешение среде агента извлекать память. В нём говорится, что исходные необработанные свидетельства хранятся в локальном каталоге данных, а выбранный внешний сервис моделей получает разрешённое содержимое, необходимое для выбранной задачи. Интегратор, напрямую использующий SDK, должен сам реализовать согласие на доступ к источникам, доступ к моделям и контроль извлечения памяти средой агента; руководство по интеграции MemHub поясняет, что продуктовый мост добавляет эти этапы управления, а не просто вызывает SDK.

Tencent также выпустила Hy-Memory-30B-A3B — модель, обученную записи памяти, с техническим отчётом, поданным 15 октября. В отчёте заявлено преимущество над сравниваемыми системами на фиксированных подвыборках бенчмарков. Это оценка модели, сообщённая поставщиком, а не независимое свидетельство того, что SDK или MemHub улучшают ответы агента в эксплуатации. SDK принимает и другие совместимые сервисы моделей.

Текущий файл лицензии репозитория и метаданные проекта указывают Apache-2.0. Журнал изменений сообщает, что эта лицензия была принята после загрузки 2.0.1, чьи неизменяемые метаданные PyPI по-прежнему указывают MIT. Пакет можно скачать бесплатно, но выбранный сервис моделей или эмбеддингов может взимать плату за запросы; универсальная стоимость работы в релизе не указана. Поэтому практическое решение — выбрать путь памяти и границы авторизации для интеграции, измеряя расходы на провайдера и качество поиска в собственной среде разработчика.

Источники и дополнительные материалы

• Репозиторий Hy-Memory и краткое руководство — текущие сценарии SDK, примеры API, режимы, варианты хранения и фильтры источников.
• Журнал изменений релизов и PyPI 2.0.1 — разные даты выпуска SDK, требования пакета, состояние MemHub и расхождение в метаданных лицензии.
• README MemHub, руководство по интеграции SDK и документ о конфиденциальности — архитектура продукта на стадии исходного кода, настройка и границы авторизации.
• Руководство по установке MemHub — намеченные платформы и условный путь к файлам релиза.
• Отчёт Hy-Memory-30B-A3B — препринт и оценка модели, сообщённая авторами; он не подтверждает эту интеграцию в реальных условиях.