Hy‑Memory: Tencent делает память агента похожей на рабочую модель пользователя
⠀
Tencent выпустил Hy‑Memory для OpenClaw. Это плагин долгосрочной памяти для агентов, которым надо жить с одним человеком неделями, а не каждый раз начинать разговор с нуля.
⠀
Проблема старых memory‑решений: агент складывает куски диалогов в базу, ищет похожее по эмбеддингам и подсовывает в контекст. Сначала это выглядит полезно. Через время внутри накапливаются дубли, старые предпочтения, случайные фразы и мусорные факты.
⠀
Hy‑Memory пытается чинить именно это. У него память разложена на 6 уровней:
┈ L1: сырой след разговора
┈ L2: атомарный факт
┈ L3: профиль пользователя
┈ L4: сводка сессии
┈ L5: модель мышления или привычный паттерн
┈ L6: будущие намерения
⠀
Человеческим языком: агент хранит не только фразу пользователя, но и то, во что эта фраза со временем превратилась. Случайная реплика остаётся внизу. Повторяющаяся привычка поднимается выше. Старый конфликт должен погаснуть, когда появляется новое поведение.
⠀
Вторая часть архитектуры — System1 и System2. System1 работает во время диалога: быстро пишет следы, факты, профиль и сводку. System2 работает в фоне: пересматривает старые куски, склеивает повторы, обновляет картину пользователя и поднимает устойчивые паттерны.
⠀
Вот где Hy‑Memory отличается от обычного RAG. RAG хорошо достаёт похожий текст. Hy‑Memory пытается решать другую задачу: какую память сохранить, какую сжать, какую обновить, какую поднять из факта в профиль.
⠀
Давайте сравним популярным решением Cognee. Этот продукт силён как company brain: документы, решения, workflow, граф связей, remember / recall / forget / improve. Это хорошая память для знаний и командной базы. Но при этом Hy‑Memory сильнее выглядит в личном агенте, где важны привычки, предпочтения, изменения в решениях пользователя и долгие отношения с одним оператором — хозяином агента.
⠀
С Graphiti история похожая. Graphiti строит temporal knowledge graph: факты, связи, время действия, что было верно раньше и что верно сейчас. Hy‑Memory берёт более прикладной агентский угол: быстрый путь во время разговора, фоновая переработка, уровни от сырого следа до будущего намерения и готовая интеграция в OpenClaw.
⠀
OpenMemory ближе по духу: self‑hosted память, типы memories, объяснимый recall, MCP и интеграции. Но сам README сейчас предупреждает, что проект переписывается. Hy‑Memory выглядит уже как более собранная архитектура под долгие сессии агента с человеком.
⠀
Цифры Tencent тоже про это. На LongMemEval заявлено 85.20%, на PersonaMem — 76.91%, победа в 13 из 13 типов задач. По PersonaMem запись у Hy‑Memory занимает 12.3 s/k tokens против 97.8 у Graphiti, то есть почти в 8 раз быстрее.
⠀
Среднее число memories на пользователя: 82.3 против 309.8 у mem0 и 362.3 у Graphiti. Это на 73% меньше, чем у mem0, и на 77% меньше, чем у Graphiti. Плотность одной memory: 130.5 токена против 52 у mem0 и 89.2 у Graphiti.
⠀
Для агента это сильная заявка. Хорошая память должна хранить меньше записей, но доставать более точные. Иначе агент через месяц превращается в дом с забитым чердаком: вроде всё где‑то лежит, но найти правильное в нужный момент сложно.
⠀
Размер контекстного окна имеет всё меньше значения. На первый план выходит то, у кого память лучше обновляет модель пользователя: без дублей, старого мусора и вечного «напомни, что мы решили».
⠀
Да, кстати, в Hermes эта память тоже встанет без проблем.

🧱🔧🧬📈💎🟣🟢
⠀
Hy‑Memory: https://memory.hunyuan.tencent.com
OpenClaw docs: https://memory.hunyuan.tencent.com/openclaw/
Cognee: https://github.com/topoteretes/cognee
OpenMemory: https://github.com/CaviraOSS/OpenMemory

ИИ без лишнего шума: @human20
Практика: human20.app