腾讯混元发布Hy-Memory：打造超级记忆AI智能体第二大脑

5月28日，腾讯混元正式推出了Hy-Memory记忆管理方案。若用更通俗的说法来解释，这是一个专为Openclaw这类需要长期协作的AI Agent打造的专属记忆插件，其核心目标是成为Agent真正意义上的“第二大脑”。

根据官方公开的资料，Hy-Memory的核心设计包含了六层记忆框架、System1快速响应与System2深度思考的双系统机制，以及演化链这三大底层核心技术。这套综合方案能够让Agent在长期使用过程中，切实做到“记得牢、记得准、记得精简、且更懂你的需求”。

在权威的公开测试集上，Hy-Memory的表现全面超越了目前主流的各类记忆框架。它有效解决了记忆碎片化的行业难题，存储的记忆数量减少了70%以上，同时每条记忆蕴含的信息密度提升了45%有余。在处理超长对话上下文时，Hy-Memory消耗的Token数量降低了35%，而记忆的更新速度提升了20%。

以下是关于Hy-Memory的详细技术介绍。

Agent 长期任务对记忆能力的要求远超普通对话

许多Openclaw的资深用户，都曾描绘过一种近乎“三周体验曲线”的普遍感受。

第一周是热情满满的蜜月期。你会把自己手头正在忙碌的事情，比如一个项目的详细背景、近期的关键决策、未来的规划方向等等，一股脑儿地告诉Openclaw。它能回答各种问题、帮查资料、协助规划、写代码、起草文档。“这工具太好用了”——这几乎是所有人第一周使用后的共同心声。

到了第二周，不安的情绪开始滋生。你发现每天打开Openclaw，都得先花上3到5分钟来提醒它我们当前在做什么。它似乎很难记住几天前讨论过的某个关键判断。你跟它说“按之前那个方案来”，它会反问“具体是哪个方案”；你说“那个我们已经排除了的选项”，它却怎么也想不起来排除的是什么，以及当初排除的原因。不是完全没记忆，Openclaw默认的记忆机制能记住一些最近的对话原文，但跨天、跨会话、涉及更深层逻辑判断的信息，往往就会出现“记忆漂移”。

到了第三周，你会下意识地降低使用深度。你不再愿意与它进行深入的探讨，不再问“这个发展方向我该不该选”，因为你心里清楚，明天它就忘了。你只问那些最具体、最即时的浅层问题：搜个资料、查个语法、改一段文字。

最常见的结局就是，Openclaw在你眼里，慢慢从“一个能与思想碰撞的伙伴”，降级成了“一个单纯的查询工具”。这并非Openclaw本身能力不足——它的核心推理能力一直很强。问题的关键在于：长期协作类的任务对长期记忆能力的要求，要远超普通的Chat对话模式。

Hy-Memory这款Openclaw记忆插件诞生的初衷，正是为了抹平这三周体验曲线中的后两周——让用户在第一周体验到的Openclaw有多好用，到了第三个月依然能保持那样的使用感，并且随着时间推移，它会越来越懂你。

1、长期任务对记忆系统提出的挑战远比想象中复杂

长期任务与普通Chat对话完全是两种类型的工作。无论你使用Openclaw来调研一个复杂的商业决策、撰写一本书、规划一次长途旅行，还是跟进一个跨季度的项目，一次对话可能包含30轮、50轮乃至100轮，期间需要不停地查资料、调用工具、阅读文档、给出方案、回退调整、再修改、再推进。一个会话可能持续数小时，而整个任务可能跨越数周时间。

一个合格记忆系统至少要妥善处理以下4个核心环节：

这其中任何一个环节出现短板，整体的使用体验就会崩溃。

2、一个优秀的Openclaw记忆插件需要满足的3项核心标准

在Hy-Memory的设计过程中，围绕着“什么样的记忆插件才能胜任Openclaw这种长期协作场景”，我们设定了三项硬性标准。

标准一：必须能完整保留历史信息。

用户与Agent交流过的所有“为什么选择这个、为什么否定那个”等判断逻辑和因果链条，绝对不能丢失。否则，下次它推荐方案时，可能会直接推荐回用户已经否定过的选项，白白浪费双方的时间和精力。

标准二：必须具备动态演化的能力。

一个人的状态是动态变化的。技术偏好、生活习惯、长期目标都会随时间而改变，对某件事的看法也会反复调整。这些动态变化都需要被准确记录。不能采用简单的“只记最新”覆盖策略，也不能采用“全部留下”的堆积策略，而是需要有一条清晰的演化轨迹。

标准三：在主流程中不仅要速度够快，还要能实现认知迭代与进化。

记忆插件绝不能拖慢用户当下打字、调用工具、等待结果的速度。每次记忆搜索需达到毫秒级别，记忆召回也不能成为响应的瓶颈。同时，还需要具备深层次的语义理解和事实处理能力。

接下来，我们将详细拆解Hy-Memory为满足这三项标准而设计的三大底层核心技术。

Hy-Memory 的三大核心技术

第一层：六层记忆框架——为每一种记忆信息找到其正确的存储位置

Hy-Memory做的第一件事，就是不再将所有记忆信息杂乱无章地塞进同一个数据表里。

试想一下——用户跟Openclaw聊到自己最近在准备出国留学，这段对话里其实混杂着多种不同类型的信息：

• “我正在准备出国留学”——这是一个客观事实
• “我比较喜欢北欧那种慢节奏的项目”——这是用户画像
• “我做重大决定前习惯先列一个利弊清单”——这是心智模型
• “我下周大概率会问关于如何找教授写推荐信的问题”——这是前瞻意图

这些信息的形态完全不同，但传统的记忆系统往往会将它们全部揉成一堆向量，搜索时就像一锅乱炖。Hy-Memory则将记忆清晰地划分为6个层级，每层各司其职。下面用一组跨领域的混合例子，让你直观感受一下Agent“究竟记住了什么”：

当用户问Openclaw“我做大决策有什么习惯”时，它应该优先检索L5心智模型层，而不是把过去100轮对话原文一股脑地塞过来。当用户问“我现在住在哪里”，L2层的一条事实信息就足够了。问什么问题，就检索哪一层，并采用不同的检索权重——这种分层架构让这一切都变得可行。

整个提示词也会因此变得干净、高效。模型的注意力不再被大量无关的对话原文所稀释。

第二层：双系统设计，既保障响应速度又能实现认知迭代

Hy-Memory将源自人类认知科学的System1/System2双系统机制，直接复刻到了Agent的记忆加工过程上——这就像是给Openclaw安装了一颗符合认知科学的“智能大脑”。

Hy-Memory将记忆加工过程拆分为两套独立的系统。

• System1（白班系统）： 在用户按下回车键的那一秒内，实时处理需要写入的记忆。它负责记录原始痕迹、提取事实、更新用户画像、压缩会话摘要——也就是L1到L4层的工作。
• System2（夜班系统）： 在秒到分钟级的后台运行。它负责抽取心智模型、构建知识网络、预测用户意图——也就是L5和L6层的深度工作。

为什么要这样拆分？因为深度认知处理非常耗时。抽取你的“决策心智模型”、构建你的“知识网络”——完成这一整套操作可能需要大型语言模型花费5到20秒时间。如果每次调用Openclaw都要等待20秒才能收到回复，没有人能忍受这样的体验。

但用户需要的也不仅仅是“快”——还要Agent越用越懂你。Hy-Memory的拆分策略，将这两件相互冲突的需求变成了两条独立的并行通道：

1. 发送消息后，System1系统已经将“立即可用的记忆”写好了——下一句对话就能立即使用。
2. System2系统则在后台进行更深入的认知处理——将你过去两周的对话沉淀为“专属的决策心智模型”。

结果对对话体验最直接的影响是：你每次说完的信息它能立刻记住；而它对您的整体理解，还在后台不断地深化和演进。

第三层：演化链——记忆可以更新覆盖，但不会丢失因果链条

第三层是Hy-Memory真正的杀手锏，也是我们认为用户在与Agent长期协作时最容易踩坑、也最值得做好的一个环节。

一个典型的长期场景：假设一位用户在过去大半年里，一直跟Openclaw讨论自己的健身计划。这半年中，他的训练方式经历了4次显著的态度转变：

• 去年春天——开始跑步训练有氧，感觉效果不错，体重和精神状态都有改善，对跑步充满信心。
• 去年夏天——跟练高强度间歇训练，强度太大，导致膝盖受伤，被迫停训了两周。
• 去年秋天——转向纯力量训练，只做重训，放弃了心肺功能，结果跑两公里都喘，感到挫败。
• 上个月——最终形成了“力量训练 + 慢跑 + 瑜伽”的综合方案，身体状态终于稳定下来。

今天，他打开Openclaw问：“我下个月想再加一种新的训练方式，你有什么建议？”

三种不同的记忆系统会给出三种截然不同的答案。

答案1：覆盖派（只记忆最新状态）

许多默认的记忆系统遵循“新信息覆盖旧信息”的原则。数据库中只剩下“用户当前采用混合训练方案，效果良好”这一条。Agent的回答会是：“你现在用的力量+慢跑+瑜伽组合很好，可以再加个CrossFit试试，效率会更高。” 这个回答不算错，但非常肤浅。它完全不清楚用户为什么会最终选择混合训练——它错过了“高强度间歇训练伤过膝盖”、“纯力量训练丢了心肺功能”这条完整的踩坑路径。直接推荐CrossFit很可能导致用户再次伤到膝盖。

答案2：堆积派（保留所有历史记录）

另一些系统则是“所有记录都保留，搜索时按向量相似度召回”。数据库中4条事实都在，但搜索“新训练方式”时，最接近、最相似的信息会被优先召回——大概率是“跑步起步效果不错”和“混合训练方案稳定”。中间的“高强度间歇训练导致膝盖受伤”、“纯力量训练丢失心肺功能”在语义空间里距离稍远，可能根本不会被召回。Agent的回答会是：“你跑步效果不错，混合训练也很稳定，可以再加点高强度间歇训练试试，提升心肺效率。” 这踩雷了。它丝毫没有意识到用户已经在高强度间歇训练上受过伤——重新推荐高强间歇训练相当于让用户再走一次老路，再伤一次膝盖。

答案3：Hy-Memory的演化链方案

Hy-Memory在写入第2条记忆时，会使用“supersedes”指针指向第1条记忆；写入第3条时指向第2条；写入第4条时指向第3条。这4条记忆通过指针串联成一条链条。D方案（混合训练，链头）↓ supersedes C方案（纯力量，丢失心肺）↓ supersedes B方案（高强度间歇训练，膝盖受伤）↓ supersedes A方案（跑步起步）。当用户询问“新训练方式选什么”时，搜索命中链头D，整条链条会自动展开——A、B、C、D的所有信息会一起返回给Agent。

此时，Agent拿到的就不再是孤立的结论，而是一段完整的演变历程：跑步起步→高强度间歇训练伤膝盖→纯力量丢失心肺→混合方案最终稳定。

它的回答会是这样的：“您之前在训练方式上走过一条完整的演变路径：从跑步起步，到高强度间歇训练伤过一次膝盖，再到纯力量训练丢了心肺，上个月才最终稳定在力量+慢跑+瑜伽这个组合上。因此，建议新方式时，我会提醒您避开高冲击性的爆发类训练，比如CrossFit或高强度间歇训练——您的膝盖已经有过一次教训。如果想增加新的内容，可以考虑游泳或骑行这类低冲击的有氧运动，或者爬山、长距离慢跑——这些都比再次尝试高强度间歇训练要安全。”

这个高质量的回答，并非来自模型本身，而是源于这条精心设计的记忆结构。

演化链的本质

从技术角度看，演化链本质上只做了两件事：

1. 在写入新记忆时，通过“supersedes”指针指向旧记忆，从而形成一条因果链条。
2. 当搜索命中链条上的任意一个节点时，自动展开整条完整的链条。

最新的判断位于最前端（链头），但那些被否定的、被替代的、被废弃的旧版本信息并不会丢失——它们仅仅退居到链条的后端，必要时可以随时展开。这是我们能想到的、最适合Agent长期陪伴用户的“长期记忆”形态。

Hy-Memory：全面超越同类记忆框架

Hy-Memory已经在LongMemEval和PersonaMem这两个权威的长期记忆评测标准上进行了测试。

1、LongMemEval评测：得分达85.2，远超其他同类框架。 LongMemEval是业内公认难度较高的长期记忆评测，涵盖500道题目，覆盖6个能力维度。Hy-Memory不仅在所有同类系统中胜出，还在6个维度中的4个维度上取得了最高分——尤其是最考验“动态演化能力”的偏好变化识别(+21.11个百分点)、时序推理能力(+9.63个百分点)、知识更新能力(+21.37个百分点)这三项上，大幅领先于同类产品。

2、PersonaMem评测：在同类产品中表现最优。 PersonaMem是一个基于6000多条消息/589道题的真实长期对话评测，更贴近“用户使用了数个月”的真实场景。

3、性能表现：在拥有更高记忆密度的同时，写入速度提升了8倍。

Openclaw用户能够直观感受到的改进包括：

• 写入速度快： 与mem0处于同一水平，是Graphiti框架的8倍，不会对Openclaw的对话主流程造成阻塞。
• 存储量少： 记忆条数仅为mem0的三分之一、Graphiti的四分之一到五分之一，采用本地嵌入式存储，无需外部服务，内存占用低。
• 信息密度高： 单条记忆的信息密度是mem0的3到4倍，每次召回的记忆都更具价值，提示词不会被噪声污染。

最后这一点对于长期任务至关重要：当一次会话进行到80轮对话时，召回的记忆每一条都必须具备高信息密度，否则提示词很快就会被噪声塞满，模型的注意力会被严重稀释。Hy-Memory的高密设计意味着，在同样的Token预算下，Openclaw能够看到的有效信息量是其他记忆系统的3到4倍。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：腾讯混元发布Hy-Memory：打造超级记忆AI智能体第二大脑要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题