发生了什么
腾讯混元于 2026 年 10 月 15 日发布 Hy Memory 2.0，把记忆能力拆成三层并一次性开源。第一层是记忆框架与 Python SDK（PyPI 上 hy-memory==2.0.1）；第二层是包含 MemHub 的代码仓库，MemHub 是一个本地优先的桌面与命令行应用，可在用户授权后导入并持续同步 Claude Code、Cursor、Codex、OpenCode、Qwen Code 等 10 款工具的对话与执行轨迹，让它们共用同一份本地记忆；第三层是在 Hugging Face 上以 Apache 2.0 发布的专用模型 Hy-Memory-30B-A3B。
- Hy-Memory-30B-A3B：30B 稀疏 MoE，每 token 激活约 30 亿，专用于记忆写入路径
- 训练分两阶段：记忆在线策略蒸馏（Memory On-Policy Distillation）+ 归因记忆强化学习（chunk 级信用分配）
- 场景管线分三类：对话记忆（8 层层级）、工作记忆（事实 + 经验）、代码记忆（含 diff 链，结合 Git 记录追踪文件与函数修改历史）
- 可直接替换 Mem0、MemOS 与 Hy-Memory 内部的通用 LLM 写入器，并迁移到未见的记忆框架
为什么对企业读者重要
在多数智能体架构里，记忆写入依赖通用大模型加提示词来完成事实抽取、去重与冲突消解，质量因此受提示词、模型行为与所选 API 影响。Hy Memory 2.0 的思路是把「决定记什么、如何表述、何时用新证据覆盖旧记忆」训练成一个独立的、可自托管的专用层，让检索与生成环节保持不变。由于采用 Apache 2.0 许可且激活参数仅约 30 亿，本地部署成本可控，这对需要跨多个编码助手统一项目上下文的团队具有实际价值——例如在 Cursor 中确立的项目规范，切换到 Codex 继续开发时可直接复用。
尚不确定之处
55.49 对 54.62 的领先来自腾讯自评：评测仅替换记忆写入器，固定 harness 版本、提示词、检索配置、回答模型与裁判，因此它衡量的是固定系统内的写入器效果，不等于完整智能体栈之间的比较；该协议也不代表真实生产环境中的长期记忆质量。加之分数差距不足一个百分点，是否具有统计与业务意义仍需独立复现。
腾讯未披露个人数据的同步模式与跨设备一致性方案，「代码回滚后仍可追溯」依赖 Git 记录与本地存储的完整性；MemHub 需要导入用户的完整对话与执行轨迹，本地优先虽降低了外传风险，但仍涉及团队协作场景下的权限划分。企业采用前应评估其与现有数据治理、权限与合规要求的匹配度，并明确哪些记忆可以跨工具共享、哪些必须隔离。