[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$fmd1oihcfps22":3},{"code":4,"message":5,"data":6,"timestamp":25},10000,"success",{"full_name":7,"position":8,"description":9,"language":10,"stars":11,"forks":12,"stars_gained":13,"age_days":14,"hn_threads":15,"one_liner":16,"summary_md":17,"topic":18,"github_topics":21,"license":22,"homepage":9,"updated_at":23,"history":24},"Tencent-Hunyuan\u002FHy-Memory",25,null,"Python",1267,105,130,9,[],"为 LLM Agent 提供跨对话、工作与编码场景的长期记忆，并附带开源 30B 记忆提取模型。","## 解决什么问题\nAgent 会遗忘。对话一重置，之前说过的事实就得重新问；编码助手修改了代码，却讲不清当初为什么这么改。往应用里塞一个向量库只是相似度检索，不是记忆：没有冲突消解，分不清随口一提和长期偏好，也追不回某次代码改动的前因后果。Hy Memory 提供一个 Python SDK 加若干记忆管道，夹在 Agent 和存储之间，写入结构化记忆、按查询取回。\n\n## 有什么不同\n大多数记忆层就是在历史对话上建一个检索索引。Hy Memory 按场景拆分：chat 用 8 层层级（原始对话、原子事实、摘要、schema 到未来意图），working 分成事实层和经验层，coding 用版本演化 diff-chain 保留代码修订轨迹而不只是文本。它还专门训练并开源了 30B-A3B MoE 模型做记忆抽取与冲突消解，附带 FP8 与 GGUF 版本和技术报告，双过程（快速召回 vs. 审慎推理）的架构有 EMNLP 2026 论文背书。相比把记忆留给开发者自己拼的通用 Agent 框架，或单纯的向量数据库，它对“什么算一条记忆”有明确主张。\n\n## 适合谁\n适合做助手或编码 Agent 产品、需要记忆跨会话延续并希望结构化召回的后端团队，尤其是已经在用 Chroma、Qdrant、FAISS 或 Neo4j 存对话的项目。前提是 Python 后端，并且有 OpenAI 兼容的 LLM 与 embedding 服务。如果你想要的是写入路径不调用 LLM 的单文件记忆类、应用不是 Python，或者只需要短期上下文缓冲，那就不适合。\n\n## 上手成本\n需要 LLM 和 embedding 两个端点；核心安装会拉入 ChromaDB 与 Kuzu，Qdrant、FAISS、Neo4j、MySQL、本地 rerank 都是可选 extras。记忆写入可能消耗 LLM 调用，lite 与 pro\u002Fultra 模式的路由行为不同，实际表现依赖配置。License 徽章写的是 Apache-2.0，但仓库 license 字段是 NOASSERTION，商用前值得确认。整个 monorepo 才几天，API 变动风险高。\n\n## 点评\n这是一个刚满 9 天的新项目，平均每天约 133 star，登上 Python 新项目榜第 20 名，Hacker News 上还没有讨论。对一个这么年轻的项目来说，研究投入异常扎实，论文和开源模型都说明背后是长期投入而非蹭热度。但一周的历史谈不上稳定，早期使用者应锁定版本、预期破坏性变更。如果记忆是你产品的核心，值得认真评估；把它当作不经验证就直接依赖的组件则太早了。",{"slug":19,"name":20},"ai-engineering","AI 工程",[],"NOASSERTION","2026-10-25T02:06:51Z",[],1792915184]