智能体最怕的，不是不会想，是记不住。
10 月 16 日，腾讯混元把 Hy Memory 升到 2.0，模型，框架，应用，三层一起开源，许可给到 Apache 2.0。
公告里塞了四个硬数字。三类记忆，四个 benchmark 开源框架第一，十种 AI 工具共享同一份记忆，一个 30B 总参的模型只激活约 3B。
效果也很具体。在 Cursor 里交代过的偏好，切到 Codex 接着写时还在，在 OpenCode 定下的规范，到了 WorkBuddy 不用重讲，长程任务断在哪一步，重启后自己接上。
记忆缺的那一层，混元给补上了过去两年，Agent 的记忆基本靠两样东西撑着，通用大模型加一段提示词。
让模型从对话里抽事实，去重，消解冲突，再塞回上下文。听上去能用，做起来全是毛刺。
毛刺在哪？
抽什么，怎么表述，新证据什么时候覆盖旧记忆，全看提示词写得好不好，模型当天状态稳不稳。换个模型，记忆质量就换一副面孔。
混元这次的做法，是把「决定记什么」单独训成一个模型。记忆写入，第一次从提示词工程里被拎出来，成了独立的一层。
官方把目标写得很直接，「让 AI 记得你说过什么，事情如何发展，工作做到哪里，以及代码为什么这样改。」
图1、官方首屏，三层开源与四组数字并列
三类记忆，聊天升级，工作与代码从零造Hy Memory 2.0 把记忆分成三类，聊天，工作，代码。
这个分法本身就有信息量。官方写得很直白，Hy-Memory 是业界首个提出工作记忆与代码记忆的记忆框架。
聊天记忆是升级。散落的事实被重新组织成事件，时间，地点，人物，后续发展，串成一条完整的事件脉络。多条线索打架时，先合并重复，剥离冲突，再把干净的版本交给模型。
工作记忆是新增。一项任务的目标，已经定下的做法，阶段结果，还有可复用的经验和它的适用条件，全记下来。复用前先判断当前场景符不符合条件，符合才用。
代码记忆也是新增。它记的不是代码长什么样，是代码为什么这样改。长程任务每次续上之前，先判断当前在处理哪件事，再找回相关决定和仍然适用的经验。
1.0 到 2.0 的差距，官方自己列了张表。1.0 只开源了论文和产品，开源范围写的是「未开源」。2.0 把模型，框架，应用三层全放了出来。
图2、1.0 与 2.0 对照，两类记忆为新增
四个 benchmark，全是开源第一光说不算，看分数。
聊天记忆打 LoCoMo，准确率 72.6%。工作记忆打 MemoryArena，旅行规划和组合购物两道题，平均 55.31%，比第二名的 EverOS 高出 10.2 个百分点。
代码记忆打两个，CodeMemoryBench 上问答 64.2%，解决率 35.6%，SWE-ContextBench 上解决率 28.3%。
四个 benchmark，对的是 Mem0，MemOS，EverOS，OpenViking，RepoMemory 和 Simple RAG 这一串开源方案，Hy-Memory 全部第一。
更狠的是模型层。Hy-Memory-30B-A3B，30B 总参，MoE，每个 token 只激活约 3B。
把它塞进 Hy-Memory，Mem0，MemOS，EverMemOS 四套记忆系统分别跑，总均分 55.49。
同场竞技的 Opus5 是 54.62，DeepSeek V4.1 Flash 是 53.64，同尺寸的 Qwen3-30B-A3B 只有 44.37。参评 7 个模型，它排第一。
训练增益也摆着，基座 HY3-A3B Base 是 47.66，记忆专项训练后到 55.49，涨了 7.8 分。
图3、七个模型的四套系统总均分对比
0.87 分的领先，得掰开看但 55.49 和 54.62 之间，只差 0.87 分。
这 0.87 分，到底算不算数？
得掰开看。官方评测的口径很窄。只替换记忆写入器，harness 版本，提示词，检索配置，回答模型，裁判，全部固定。它量的是同一套系统里换个写入器能好多少，不是两个完整 Agent 栈对打。
这个第一，说的是记忆读写这一环，不是通用能力。
单场景看，结论还会翻。LoCoMo 上 Opus5 是 70.23，Hy-Memory 是 67.27，闭源模型反而领先。四套系统平均，才把局面拉回来。
更实在的限制在落地侧。MemHub 要把你各个 AI 工具的完整会话和执行轨迹导进本地库，本地优先降低了外传风险，但团队协作里的权限怎么分，官方没细说。
记忆也不是银弹。记错了，记串了，比不记更麻烦。这套东西值不值，得等更多人在真实项目里跑过才算数。
腾讯拿自己的业务，先试了水好在腾讯没只拿跑分说话，先把自己的业务推上去当了试验田。
腾讯自选股的 AI 助手，要跨天跨会话记住用户盯的板块和分析习惯。用户换了方向，旧方向归档但还能追溯，助手不会再把放弃的板块推回来。接上 Hy Memory 后，多跳召回从 50% 拉到 90%，整整 40 个百分点。综合得分 64.3 到 79.6，相对提升 23.8%。
iWiki 的结果更反直觉。251 道题，同一个模型，同一套提示词，只给记忆，不给完整原文，正确率 36.7。把全部原始对话都喂进去，只有 24.7。相对提升 48.6%。
为什么只给记忆，反而更准？
这条数据戳破了一个流行假设，上下文不是越长越好。喂得越多，噪声越多，模型反而更容易跑偏。
腾讯新闻的智声和新闻妹，长期偏好理解评测平均 91.68 分，87.8% 的案例在 90 分以上。
MemHub 那边是另一条线。官方说已经支持十种 AI 工具，报得出名字的是 WorkBuddy，Cursor，Codex，Claude Code，OpenCode，OpenClaw，Qwen Code，PiHermes，DeepSeek Harness，共用一份本地记忆。装一次，历史导进来，之后新会话实时同步。
图4、腾讯三项业务接入前后的数据对比
记忆从插件，变成了底座把时间轴拉开看，这一步走得很清楚。
5 月的 1.0，Hy-Memory 还是长期协作 Agent 的一个插件。10 月的 2.0，模型，框架，应用三层全开源，记忆从给某个 Agent 加个功能，变成了所有 Agent 共用的一层地基。
插件和地基，是两种命。插件跟着单个工具走，工具换了，记忆就断了。地基在工具底下，谁在上面跑，都踩同一块地。
这大概就是基础设施四个字的分量。不是模型多强，是别人做 Agent 时，默认可以不在记忆上重复造轮子。
记忆这件事，过去是每个 Agent 各自补的补丁，现在有人把它铺成了路。路修好了，下一个问题就来了，当记忆不再是壁垒，Agent 之间真正拼的，会是什么？