Tencent 發布了 hy-memory==2.0.1，這是一套 Python SDK，用來保留與檢索對話、工作和程式開發工作階段的脈絡。程式碼已公開；搭配的 MemHub 應用程式仍處於原始碼階段，等待公開發行檔案。評估共用記憶層的開發者現在就能使用 SDK，但必須提供模型及嵌入向量端點，並決定每個代理可以讀取哪些工作階段紀錄。

專案的變更紀錄將 Hy Memory 2.0.1 的日期列為 2026 年 10 月 16 日。PyPI 記載套件於 10 月 15 日上傳，相關的模型論文也在當天提交。這些是不同的發布紀錄，不能據此證明桌面產品已經推出。

關鍵變化

  • 改變了什麼：已發布的 SDK 透過 add() 與 search() 提供分開的對話、工作與程式開發記憶路徑，並提供整合應用程式可使用的來源及工作區篩選條件。
  • 如何運作：對話流程將交談內容整理為記憶層。工作流程從工具追蹤紀錄擷取一項工作階段事實，並在適當時擷取可重複使用的經驗。程式開發流程則為程式碼變更加入版本鏈。呼叫端須提供來源材料、身分識別、儲存設定和模型服務。
  • 為何重要：代理主機可以檢索先前對話或工作決策的精簡紀錄，而不必在每次新工作階段中傳入全部歷史。這份紀錄是否準確、獲得授權且實用，仍取決於主機傳送的內容，以及它允許哪些記憶重新進入提示詞。

整合前先選擇工作流程

SDK 的 README 列出了 scene 的三種值。chat 接受純文字或訊息陣列，接著傳回 profile、normal 和 proactive 記憶檢索通道。在 lite 模式中，它儲存原始文字供嵌入向量搜尋使用，不透過 LLM 擷取資訊。pro 加入擷取與調和程序；ultra 則可透過 evolve() 再執行一輪演進。

使用 working 時，輸入必須包含工具呼叫追蹤紀錄。每個工作階段會產生一項有關工作、方法和結果的事實，以及零項或多項通過引擎價值門檻的可重複使用經驗。coding 使用相同的兩層結構，並為修改過的程式碼加入版本演進鏈。README 表示，若設定了 MEMORY_CODING_CHAIN_REPO_ROOT，這條鏈可以使用本機 Git 差異，或使用工具追蹤紀錄中的確定性取代操作。在 lite 模式中，SDK 會忽略工作與程式開發場景的區別，只儲存原始記憶。

這些輸出結構適用於不同的問題。對話中的偏好應放入 chat；含有工具結果的已完成工作應放入 working；先前修訂版本可能重要的程式碼變更則應放入 coding。這是文件記載的路由區分，並非 BIG CHANGE 的效能測試。

文件記載的 SDK 使用路徑

以下步驟依據程式碼儲存庫快速入門與 MemHub 的 SDK 設定指南整理而成。BIG CHANGE 並未執行套件或呼叫模型。

使用 Python 3.9 或更新版本，並安裝固定版本的 SDK：

Terminal
pip install hy-memory==2.0.1

ChromaDB 與 Kuzu 屬於核心相依套件；Qdrant、FAISS、Neo4j、MySQL 快取及本機重新排序器則有獨立的額外套件。MemHub 原始碼的開發環境不同：它要求 Node.js 24、pnpm 11、Python 3.12 和 uv。

初始化用戶端前，先設定 LLM 端點和嵌入向量端點。README 列出 MEMORY_LLM_API_KEY、MEMORY_LLM_BASE_URL、MEMORY_LLM_MODEL，以及對應的 MEMORY_EMBEDDER_* 變數與 MEMORY_EMBEDDING_DIMS；也記載了 OPENAI_API_KEY 的預設用法。請提供自己的端點 URL、模型名稱、金鑰，以及相符的嵌入向量維度。這些是相容於 OpenAI 的介面，不代表必須使用 Tencent 另外推出的 Hy-Memory-30B 模型。請勿將憑證放入要儲存的追蹤紀錄。

以下對話範例使用文件中的 MemoryConfig.from_env()、HyMemoryClient、add() 與 search() API。呼叫的應用程式必須提供純文字或 OpenAI 格式訊息作為 authorized_messages，並提供穩定且已獲授權的 user_id 以及 query。範例僅顯示傳回值，沒有宣稱得到任何特定結果：

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()

使用工作或程式開發流程時，請傳入包含工具呼叫或 role="tool" 項目的訊息追蹤紀錄，並明確設定 scene。設定 workspace_id 以隔離專案材料；branch 必須搭配此設定。當呼叫應用程式的範圍界線重要時，寫入時請設定 source，搜尋時請設定 include_sources 或 exclude_sources。對話搜尋會傳回記憶通道；工作／程式開發搜尋則傳回 facts 與 experiences，程式開發另有 chain_block。將傳回的紀錄交給代理主機前，請先檢查。list_memories、get、update 與 delete 可用於管理個別紀錄。

成功的整合應有來自已授權輸入的儲存紀錄，以及範圍受限、能回答預期記憶檢索問題的搜尋結果。README 記載了傳回欄位，但我們並未觀察實際執行，因此無法宣稱擷取或檢索成功。若工作／程式開發搜尋結果為空，先確認寫入內容包含工具結果，且使用了 pro 或 ultra，接著檢查是否使用相同的 user_id、workspace_id、branch 與來源篩選條件。若要更換嵌入向量模型或維度，MemHub 設定指南提醒，現有集合不能直接改用不同的向量寬度。

MemHub 與模型是分開的選擇

MemHub 是規劃中以 SDK 為基礎的桌面與 CLI 產品。其 README 描述了受管理的本機執行環境、來源連接器和主機整合。其變更紀錄更明確說明了可用狀態：原始碼版本 1.0.0 build 4 已存在，但 npm 發布與 GitHub 發行檔案仍待完成。安裝指南列出 Linux 與 macOS 為發行目標，並表示不支援 Windows；其中的 npm 安裝步驟以相關檔案已發布為前提。目前應將其視為規劃中的安裝路徑。

本機儲存也不代表每個處理步驟都留在本機。MemHub 的隱私文件將讀取對話來源的許可、把已授權材料傳送至所選第三方模型服務的許可，以及代理主機檢索記憶的許可分開。文件指出，來源的原始證據存於本機資料目錄；若選用外部模型服務，該服務會收到所選工作需要的已授權內容。直接使用 SDK 的整合者必須自行實作來源同意、模型存取及主機記憶檢索控制；MemHub 的整合指南表示，產品橋接層會加入這些治理步驟，而非只呼叫 SDK。

Tencent 也發布了 Hy-Memory-30B-A3B，這是一個為記憶寫入而訓練的模型，其技術報告於 10 月 15 日提交。報告宣稱，模型在固定的基準測試子樣本上領先比較系統。這是供應商自行報告的模型評估，並非證明這套 SDK 或 MemHub 能改善已部署代理回答的獨立證據。SDK 也接受其他相容的模型服務。

儲存庫目前的授權條款檔案與專案中繼資料都標示 Apache-2.0。變更紀錄表示，這是在 2.0.1 上傳後採用的；該次上傳不可變更的 PyPI 中繼資料仍標示 MIT。套件可免費下載，但所選模型或嵌入向量服務可能按請求收費；發行文件並未記載通用的運作價格。因此，實際決策在於整合哪種記憶路徑及授權範圍，並在開發者自己的環境中衡量供應商費用與檢索品質。

來源與延伸閱讀