共计 1248 个字符，预计需要花费 4 分钟才能阅读完成。
腾讯混元发布 Hy-Memory: 打造记忆力超强的 Agent 第二大脑
建议按 ” 变化—原因—影响 ” 的顺序阅读。
5 月 28 日, 腾讯混元正式推出 Hy-Memory, 一款专为 Openclaw 等长期协作型 Agent 设计的记忆插件, 旨在成为其“第二大脑”。官方称,Hy-Memory 通过三层核心技术, 让 Agent 在长期使用中真正“记得住、记得对、记得轻、更懂你”。
📌 背景:Agent 长期协作中的记忆困境
长期使用 Agent 的用户常经历“三周轨迹”: 第一周蜜月期, 用户尽情体验其强大能力; 第二周开始不安,Agent 逐渐遗忘之前的判断; 第三周用户主动降级使用,Agent 沦为查询工具。问题根源在于, 长期协作任务对记忆的要求远超普通聊天, 需要记住跨天、跨 Session 的深层判断和因果逻辑。
从已披露信息看, 这一变化更值得关注的, 不只是表面动作本身, 还包括其对后续行业节奏、用户预期和市场竞争的连锁影响。
🔍 核心: 三层技术底牌
围绕“腾讯混元发布 Hy-Memory: 打造记忆力超强的 Ag”, 这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看, 核心结论是趋势已较为明确, 但细节仍需结合后续进展持续观察。
💡 第一层: 六层记忆框架
Hy-Memory 将记忆分为六层, 每层负责不同职责:
- L1 原始痕迹 : 保留对话原文。
- L2 事实 : 客观信息, 如“我在准备出国留学”。
- L3 画像 : 用户偏好、习惯。
- L4 会话摘要 : 压缩近期关键信息。
- L5 心智模型 : 用户的决策模式。
- L6 知识网络 : 用户的知识体系和关联。
📊 第二层: 双系统设计
Hy-Memory 复刻人脑的 System1/System2 机制:
- System1(白班): 用户发送消息后实时处理, 负责 L1–L4, 确保下一轮对话能立即使用新记忆。
- System2(夜班): 在后台秒到分钟级运行, 负责 L5–L6, 实现深度认知迭代。
🚀 第三层: 演化链
当用户态度或偏好变化时, 系统通过 supersedes 指针将新记忆指向旧记忆, 形成演化链, 保留因果不丢历史。例如, 用户训练方式从“跑步”到“HIIT 伤膝盖”再到“混合训练”, 链上每个节点都保留因果联系。当用户询问新建议时,Agent 能展开整条链, 避免推荐之前失败过的方案。
🧭 性能与评测: 多项指标领先
- LongMemEval 测试 : 得分 85.2, 领先所有同类框架, 在偏好演化、时序推理、知识更新三个维度优势明显。
- PersonaMem 测试 : 基于 6000+ 条真实对话,Hy-Memory 同样击败所有竞品。
- 性能提升 : 记忆数量降低 70%+, 每条记忆信息密度提高 45%+;Token 消耗降低 35%, 记忆更新速度快 20%; 写入速度是 Graphiti 的 8 倍。
📌 总结
Hy-Memory 通过分层记忆、双系统处理和演化链机制 , 有效解决了 Agent 长期协作中的记忆痛点。它不仅提升了记忆的准确性和密度, 还大幅降低了资源消耗, 为 AI 智能体的长期陪伴和深度协作提供了可靠的技术基础。这一创新有望推动 Agent 从工具向伙伴的转变, 让用户越用越顺手。
