ఏజెంట్లు సందర్భాన్ని నిలుపుకునేందుకు మూడు మార్గాలు అందించే Hy Memory 2.0

Tencent విడుదల చేసిన hy-memory==2.0.1 అనేది చాట్, పని, కోడింగ్ సెషన్ల సందర్భాన్ని భద్రపరిచి తిరిగి పొందేందుకు ఉపయోగించే Python SDK. కోడ్ బహిరంగంగా ఉంది; దానికి అనుబంధమైన MemHub యాప్ ఇంకా సోర్స్ కోడ్ దశలోనే ఉంది, బహిరంగ విడుదల ఫైళ్ల కోసం ఎదురుచూస్తోంది. ఉమ్మడి మెమరీ లేయర్‌ను అంచనా వేస్తున్న డెవలపర్లు SDKని ఇప్పుడే వాడవచ్చు. అయితే మోడల్, ఎంబెడింగ్ ఎండ్‌పాయింట్లను అందించి, ప్రతి ఏజెంట్ ఏ సెషన్ రికార్డులను చదవవచ్చో నిర్ణయించాలి.

ప్రాజెక్ట్ మార్పుల నమోదు Hy Memory 2.0.1 తేదీని 2026 అక్టోబర్ 16గా పేర్కొంటుంది. PyPI ప్యాకేజీ అప్‌లోడ్‌ను అక్టోబర్ 15గా నమోదు చేసింది; సంబంధిత మోడల్ పరిశోధన పత్రం కూడా అదే రోజు సమర్పించారు. ఇవి వేర్వేరు ప్రచురణ రికార్డులు; డెస్క్‌టాప్ ఉత్పత్తి విడుదలైందనే రుజువు కాదు.

పెద్ద మార్పు

• ఏం మారింది: విడుదల చేసిన SDK చాట్, పని, కోడింగ్ కోసం వేర్వేరు మెమరీ మార్గాలను అందిస్తుంది. వాటిని ఉపయోగించే APIలు add() మరియు search(); అనుసంధానించే అప్లికేషన్ వాడగల సోర్స్, వర్క్‌స్పేస్ ఫిల్టర్లు కూడా ఉన్నాయి.
• ఇది ఎలా పనిచేస్తుంది: చాట్ సంభాషణలను మెమరీ పొరలుగా అమరుస్తుంది. పని వర్క్‌ఫ్లో టూల్ ట్రేస్ నుంచి సెషన్‌కు సంబంధించిన ఒక వాస్తవాన్ని, సముచితమైతే మళ్లీ వాడగల అనుభవాలను వెలికితీస్తుంది. కోడింగ్ కోడ్ మార్పుల కోసం వెర్షన్ గొలుసును జోడిస్తుంది. కాల్ చేసే పక్షం మూల పదార్థం, గుర్తింపులు, స్టోరేజ్ సెట్టింగులు, మోడల్ సేవలను అందిస్తుంది.
• ఇది ఎందుకు ముఖ్యం: ప్రతి కొత్త సెషన్‌కు మొత్తం చరిత్రను పంపే బదులు, ఏజెంట్ హోస్ట్ గత సంభాషణలు లేదా పని నిర్ణయాల సంక్షిప్త రికార్డును తిరిగి పొందవచ్చు. ఆ రికార్డు ఖచ్చితమైనదా, అనుమతి పొందినదా, ఉపయోగకరమైనదా అన్నది హోస్ట్ ఏమి పంపుతుంది, ఏ జ్ఞాపకాలను మళ్లీ ప్రాంప్ట్‌లోకి అనుమతిస్తుంది అనే విషయాలపైనే ఇంకా ఆధారపడి ఉంటుంది.

అనుసంధానానికి ముందే వర్క్‌ఫ్లోను ఎంచుకోండి

SDKకి చెందిన README-లో scene కోసం మూడు విలువలు ఉన్నాయి. chat సాధారణ పాఠ్యం లేదా సందేశాల అరేలను స్వీకరించి, సమాచారాన్ని తిరిగి పొందే profile, normal మరియు proactive చానళ్లను ఇస్తుంది. lite మోడ్‌లో LLMతో సమాచారం వెలికితీయకుండా, ఎంబెడింగ్ శోధన కోసం అసలు పాఠ్యాన్ని భద్రపరుస్తుంది. pro వెలికితీత, సరిచూసి సమన్వయం చేసే దశలను జోడిస్తుంది; ultra అదనపు పరిణామ దశను evolve() ద్వారా అమలు చేయగలదు.

మోడ్ working అయితే ఇన్‌పుట్‌లో టూల్-కాల్ ట్రేస్ తప్పనిసరిగా ఉండాలి. ఒక సెషన్ నుంచి పని, విధానం, ఫలితం గురించి ఒక వాస్తవం ఏర్పడుతుంది; అలాగే ఇంజిన్ విలువ పరిమితిని దాటిన, మళ్లీ వాడగల అనుభవాలు సున్నా లేదా అంతకంటే ఎక్కువ ఏర్పడతాయి. coding అవే రెండు పొరలను వాడి, మార్పు చేసిన కోడ్ కోసం వెర్షన్ పరిణామ గొలుసును జోడిస్తుంది. README ప్రకారం, MEMORY_CODING_CHAIN_REPO_ROOT సెట్ చేస్తే ఈ గొలుసు స్థానిక Git diffలను వాడవచ్చు; లేదా టూల్ ట్రేస్‌లోని నిర్ణీత రీతిలో పనిచేసే భర్తీ చర్యలను వాడవచ్చు. lite మోడ్‌లో SDK పని/కోడింగ్ వాడుక సందర్భాల మధ్య తేడాను పట్టించుకోకుండా ప్రాసెస్ చేయని మెమరీని భద్రపరుస్తుంది.

ఈ అవుట్‌పుట్ రూపాలు వేర్వేరు ప్రశ్నలకు ఉపయోగపడతాయి. సంభాషణలో వ్యక్తమైన ప్రాధాన్యం ఉండాల్సింది chat-లో; టూల్ ఫలితాలతో పూర్తయిన పని ఉండాల్సింది working-లో; మునుపటి రివిజన్ ముఖ్యమయ్యే కోడ్ మార్పు ఉండాల్సింది coding-లో. ఇది డాక్యుమెంటేషన్‌లోని రూటింగ్ తేడా, BIG CHANGE చేసిన పనితీరు పరీక్ష కాదు.

డాక్యుమెంటేషన్‌లోని SDK వినియోగ మార్గం

క్రింది క్రమం రిపాజిటరీ త్వరిత ప్రారంభ మార్గదర్శిని మరియు MemHub SDK సెట్టింగుల మార్గదర్శిని ఆధారంగా రూపొందింది. BIG CHANGE ప్యాకేజీని అమలు చేయలేదు, మోడల్ కాల్స్ చేయలేదు.

Python 3.9 లేదా తదుపరి వెర్షన్ వాడి, నిర్ణయించిన SDK వెర్షన్‌ను ఇన్‌స్టాల్ చేయండి:

pip install hy-memory==2.0.1

ChromaDB, Kuzu ప్రధాన డిపెండెన్సీల్లో ఉన్నాయి; Qdrant, FAISS, Neo4j, MySQL cache, స్థానిక రీరాంకర్ కోసం వేర్వేరు అదనపు ప్యాకేజీలు ఉన్నాయి. MemHub సోర్స్ అభివృద్ధి వాతావరణం వేరు: దానికి Node.js 24, pnpm 11, Python 3.12, uv అవసరం.

క్లయింట్‌ను ప్రారంభించే ముందు LLM ఎండ్‌పాయింట్, ఎంబెడింగ్ ఎండ్‌పాయింట్ రెండింటినీ కాన్ఫిగర్ చేయండి. READMEలో పేర్కొన్నవి MEMORY_LLM_API_KEY, MEMORY_LLM_BASE_URL, MEMORY_LLM_MODEL, వాటికి సంబంధించిన MEMORY_EMBEDDER_* వేరియబుల్స్, అలాగే MEMORY_EMBEDDING_DIMS; డిఫాల్ట్‌గా OPENAI_API_KEY-ను వాడే విధానాన్ని కూడా వివరిస్తుంది. మీ సొంత ఎండ్‌పాయింట్ URLలు, మోడల్ పేర్లు, కీలు, సరిపోయే ఎంబెడింగ్ కొలతలను అందించండి. ఇవి OpenAI-అనుకూల ఇంటర్‌ఫేస్‌లు; Tencent విడిగా విడుదల చేసిన Hy-Memory-30B మోడల్‌ను తప్పనిసరిగా వాడాలని కాదు. భద్రపరిచే ట్రేస్‌ల్లో యాక్సెస్ క్రెడెన్షియల్స్ ఉంచవద్దు.

క్రింది చాట్ ఉదాహరణలో డాక్యుమెంటేషన్‌లో తెలిపిన MemoryConfig.from_env(), HyMemoryClient, add() మరియు search() APIలను వాడతారు. కాల్ చేసే అప్లికేషన్ authorized_messages-ను సాధారణ పాఠ్యం లేదా OpenAI ఫార్మాట్ సందేశాలుగా అందించాలి; స్థిరమైన, అనుమతి పొందిన user_id మరియు query-ను కూడా ఇవ్వాలి. ఇది తిరిగి వచ్చే విలువను చూపిస్తుంది; నిర్దిష్ట ఫలితం వచ్చిందని చెప్పదు:

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()

పని లేదా కోడింగ్ కోసం టూల్ కాల్ లేదా role="tool" ఎంట్రీ ఉన్న సందేశ ట్రేస్‌ను పంపి, scene-ను స్పష్టంగా సెట్ చేయండి. ప్రాజెక్ట్ పదార్థాన్ని వేరుచేయడానికి సెట్ చేయాల్సింది workspace_id; అది లేకుండా branch పనిచేయదు. రాసేటప్పుడు సెట్ చేయాల్సింది source; కాల్ చేసే అప్లికేషన్ హద్దులు ముఖ్యమైనప్పుడు శోధనల్లో వాడాల్సినవి include_sources లేదా exclude_sources. చాట్ శోధన మెమరీ చానళ్లను ఇస్తుంది; పని/కోడింగ్ శోధన ఇచ్చేవి facts మరియు experiences; కోడింగ్‌లో అదనంగా chain_block కూడా వస్తుంది. తిరిగి వచ్చిన రికార్డులను ఏజెంట్ హోస్ట్‌కు ఇచ్చే ముందు పరిశీలించండి. list_memories, get, update మరియు delete ఒక్కో రికార్డును నిర్వహించే సదుపాయం ఇస్తాయి.

విజయవంతమైన అనుసంధానంలో, అనుమతి పొందిన ఇన్‌పుట్ నుంచి భద్రపరిచిన రికార్డు, ఉద్దేశించిన మెమరీ ప్రశ్నకు సమాధానం ఇచ్చే పరిమిత పరిధి శోధన ఫలితం ఉంటాయి. README తిరిగి వచ్చే ఫీల్డులను వివరిస్తుంది, కానీ వెలికితీత లేదా తిరిగి పొందడం విజయవంతమైందని చెప్పేందుకు మేము ఏ అమలునూ గమనించలేదు. పని/కోడింగ్ శోధన ఖాళీగా ఉంటే, ముందుగా రాసిన ఇన్‌పుట్‌లో టూల్ ఫలితాలు ఉన్నాయా, ఉపయోగించిన మోడ్ pro లేదా ultra-నా అని నిర్ధారించుకోండి. తరువాత అదే user_id, workspace_id, branch మరియు సోర్స్ ఫిల్టర్లు వాడారో చూడండి. ఎంబెడింగ్ మోడల్ లేదా కొలతలు మార్చేటప్పుడు, MemHub సెట్టింగుల మార్గదర్శిని ఇప్పటికే ఉన్న కలెక్షన్‌ను వేరే వెక్టర్ వెడల్పుతో నేరుగా మళ్లీ వాడలేమని హెచ్చరిస్తుంది.

MemHub, మోడల్ వేర్వేరు ఎంపికలు

MemHub అనేది SDKపై నిర్మిస్తున్న ప్రతిపాదిత డెస్క్‌టాప్, CLI ఉత్పత్తి. దాని README నిర్వహణలో ఉండే స్థానిక రన్‌టైమ్, సోర్స్ కనెక్టర్లు, హోస్ట్ అనుసంధానాలను వివరిస్తుంది. దాని మార్పుల నమోదు అందుబాటు గురించి మరింత స్పష్టంగా చెబుతుంది: సోర్స్ వెర్షన్ 1.0.0 build 4 ఉంది, కానీ npm ప్రచురణ, GitHub విడుదల ఫైళ్లు ఇంకా పెండింగ్‌లో ఉన్నాయి. ఇన్‌స్టాలేషన్ మార్గదర్శిని Linux, macOSలను విడుదల లక్ష్యాలుగా పేర్కొని, Windowsకు మద్దతు లేదని చెబుతుంది; అందులోని npm ఇన్‌స్టాల్ క్రమం ఆ ఫైళ్లు విడుదల కావడంపై ఆధారపడుతుంది. ప్రస్తుతానికి దాన్ని ప్రణాళికలోని ఇన్‌స్టాలేషన్ మార్గంగా భావించండి.

స్థానిక స్టోరేజ్ అంటే ప్రతి ప్రాసెసింగ్ దశా స్థానికంగానే ఉంటుందని కూడా కాదు. MemHub యొక్క గోప్యతా పత్రం సంభాషణ మూలాన్ని చదివే అనుమతి, అనుమతి పొందిన పదార్థాన్ని ఎంచుకున్న మూడో పక్ష మోడల్ సేవకు పంపే అనుమతి, ఏజెంట్ హోస్ట్ మెమరీని తిరిగి పొందే అనుమతిని వేరు చేస్తుంది. మూలంలోని అసలు ఆధారాలు స్థానిక డేటా డైరెక్టరీలో ఉంటాయని, బాహ్య మోడల్ సేవను ఎంచుకుంటే ఎంపిక చేసిన పనికి అవసరమైన అనుమతి పొందిన కంటెంట్ ఆ సేవకు వెళ్తుందని చెబుతుంది. నేరుగా SDKని వాడే అనుసంధానకర్త సోర్స్ సమ్మతి, మోడల్ యాక్సెస్, హోస్ట్ మెమరీ తిరిగి పొందడం కోసం సొంత నియంత్రణలు అమలు చేయాలి; MemHub యొక్క అనుసంధాన మార్గదర్శిని దాని ప్రొడక్ట్ బ్రిడ్జ్ SDKకి కాల్ చేయడమే కాక ఈ పాలన దశలనూ జోడిస్తుందని చెబుతుంది.

Tencent విడుదల చేసిన మరో మోడల్ Hy-Memory-30B-A3B. దీనికి మెమరీ రాయడంలో శిక్షణ ఇచ్చారు; దాని సాంకేతిక నివేదిక అక్టోబర్ 15న సమర్పించారు. స్థిరమైన బెంచ్‌మార్క్ ఉపనమూనాలపై పోల్చిన వ్యవస్థల కంటే ముందున్నట్లు నివేదిక చెబుతుంది. ఇది సరఫరాదారు నివేదించిన మోడల్ మూల్యాంకనం; ఈ SDK లేదా MemHub అమల్లో ఉన్న ఏజెంట్ సమాధానాలను మెరుగుపరుస్తాయని స్వతంత్ర ఆధారం కాదు. SDK ఇతర అనుకూల మోడల్ సేవలనూ స్వీకరిస్తుంది.

రిపాజిటరీలోని ప్రస్తుత లైసెన్స్ ఫైల్, ప్రాజెక్ట్ మెటాడేటా Apache-2.0 అని పేర్కొంటాయి. 2.0.1 అప్‌లోడ్ తర్వాత దీన్ని స్వీకరించినట్లు మార్పుల నమోదు చెబుతుంది; ఆ అప్‌లోడ్‌కు చెందిన మార్చలేని PyPI మెటాడేటా ఇప్పటికీ MIT అని చెబుతుంది. ప్యాకేజీని ఉచితంగా డౌన్‌లోడ్ చేయవచ్చు, కానీ ఎంచుకున్న మోడల్ లేదా ఎంబెడింగ్ సేవ అభ్యర్థనలకు రుసుము వసూలు చేయవచ్చు; అందరికీ వర్తించే నిర్వహణ ధరను ఈ విడుదల వివరించలేదు. కాబట్టి ఏ మెమరీ మార్గాన్ని, అనుమతి హద్దును అనుసంధానించాలన్నది ఆచరణాత్మక నిర్ణయం; సరఫరాదారు రుసుములు, సమాచారాన్ని తిరిగి పొందే నాణ్యతను డెవలపర్ సొంత ఏర్పాటులో కొలవాలి.

మూలాలు, మరింత చదవడానికి

• Hy-Memory రిపాజిటరీ, త్వరిత ప్రారంభ మార్గదర్శిని — ప్రస్తుత SDK వాడుక సందర్భాలు, API ఉదాహరణలు, మోడ్‌లు, స్టోరేజ్ ఎంపికలు, సోర్స్ ఫిల్టర్లు.
• విడుదల మార్పుల నమోదు మరియు PyPI 2.0.1 — SDK విడుదలకు వేర్వేరు తేదీలు, ప్యాకేజీ అవసరాలు, MemHub స్థితి, లైసెన్స్ మెటాడేటా తేడా.
• MemHub README, SDK అనుసంధాన మార్గదర్శిని మరియు గోప్యతా పత్రం — సోర్స్ కోడ్ దశలోని ఉత్పత్తి నిర్మాణం, సెట్టింగులు, అనుమతి హద్దులు.
• MemHub ఇన్‌స్టాలేషన్ మార్గదర్శిని — ఉద్దేశించిన ప్లాట్‌ఫార్మ్‌లు, షరతులతో కూడిన విడుదల ఫైళ్ల మార్గం.
• Hy-Memory-30B-A3B నివేదిక — ప్రీప్రింట్, రచయితలు నివేదించిన మోడల్ మూల్యాంకనం; వాస్తవ వినియోగంలో ఈ అనుసంధానాన్ని అది ధ్రువీకరించదు.