腾讯混元给 OpenClaw 装了个「第二大脑」

我觉的有时候也得多关注关注咱们国内的产品，比如腾讯混元团队这次专门针对 OpenClaw 新推出的「Hy-Memory」，对于开发者来讲就是一款非常不错的解决 AI Agent 持久化记忆问题的优秀插件。

我们都知道用 OpenClaw 的人今天跟龙虾聊了半天，把项目背景交代清楚了，需求对齐了，进展也同步了，感觉终于进入状态了。结果第二天一开新会话，它看你的眼神儿就像看着一个陌生人。

你是谁？
你要做什么？
你跟我说过什么吗？
全都给忘了…

有经验的朋友学会了一个土方法，就是在结束当天的会话之前，强制让龙虾把所有正在进行中的事情、讨论的上下文、当前的进展，全部整理进一个 Markdown 文件里，下次开会话再把这个文件先喂给它。

这个方法是有效的，但很麻烦，而且不可靠。万一上次没来得及写，或者文件里漏掉了关键信息，还是得重新讲一遍故事。

OpenClaw 本身有一个叫「梦境」的功能，就是在你晚上睡觉的时候用来处理「记忆」这件事儿的，但用过的人都知道，它的表现并不稳定。

这不是 OpenClaw 一家的问题，几乎所有 AI Agent 到今天都没有真正解决「记忆持久化」这件事儿。

而就在两天前，腾讯混元公布了一款叫「Hy-Memory」的插件，专门是为 OpenClaw 这类长期协作 Agent 设计的，定位是 Agent 真正的「第二大脑」。

这个赛道上其实已经有人在做类似的事儿了，先说两个有代表性的。

一个是 Claude-Mem。

仓库地址：
https://github.com/thedotmack/claude-mem

常用 Claude Code 的用户可能知道它，这是一个专门为 Claude Code 构建的第三方「记忆插件」，用另一个 AI 在旁边旁观你的编程会话，自动把每一个决策、每一次 bug 修复、每一个新功能都记下来，生成可搜索的开发日志。

说起来也叫记忆插件，但它记的是「你的 AI 做了什么」，本质上更像是一本项目工作日志，跟记住「你这个人是什么样儿的」是两件完全不同的事儿。

另一个我认为与 Hy-Memory 的定位更接近的，叫「Mem0」。

仓库地址：
https://github.com/mem0ai/mem0

它是专门给 AI Agent 提供通用记忆层的服务，已经有超过 9 万名开发者在用，既有开源版本也有云端托管版本，覆盖医疗、教育、电商、客服等各种场景。

Hy-Memory 的官网跑分对比表里专门把 Mem0 列进去做比较，从这个选择就能看出腾讯混元认为它们是最直接的竞争关系。

官方给 Hy-Memory 的宣传语是「记住一次，随处同行」。

它想做的事儿用一句话描述就是：把你这个人的长期偏好、重要事实、身份画像和行为意图，沉淀成一份儿可以跨会话、跨 Agent 共享的记忆资产。

它也明确说了自己不是单纯的检索工具，不是只会帮你找到之前说过什么，而是要让 Agent 真正理解你、持续认识你。

OpenClaw 本身有基础的对话记忆，但那只是当前会话的线性追加，会话结束就会清空，记忆无法跨越。

而接入 Hy-Memory 之后，OpenClaw 的记忆从「会话级线性追加」升级为「可演化的结构化沉淀」，这两种架构的差距，也是我认为最应该讲清楚的地方。

现在大多数记忆系统面临的根本问题不是记不住，而是记得越来越乱。

把所有对话信息都堆进一个数据库，等需要的时候再检索出来，这个思路听起来没问题，但用久了就会发现一个麻烦：

旧偏好与新偏好并存，相互矛盾的信息同时存在，系统不知道哪个更重要、哪个已经过时。

比如你曾经说过喜欢吃辣的，后来肠胃突然不好改口儿了，但旧记忆没有被更新，新旧信息同时出现在检索结果里，Agent 就会变得很困惑。

Hy-Memory 的核心创新叫「演化链」，用了一种叫 supersedes 指针的机制，让每一条记忆都跟它的前一条挂钩，形成一根因果链条。

新信息不是简单堆在旧信息上面，而是明确告诉系统「这条记忆取代了那条记忆，原因是什么」。

记忆不是堆积的，是演化的。

官方用了一个「东京寿司」的例子来解释这个过程。

用户在对话里随口提了一句喜欢吃寿司，Hy-Memory 拿到这条原始对话，先把它提炼成一个原子事实「用户喜欢寿司」，然后跟已有的食物偏好信息合并，检查有没有冲突，最终把它沉淀进用户的身份画像里，变成「偏好日式料理」。

这只是一句随口的话，但五步之后它却成为了一个人物特征。下次用户提到要去日本旅游，Agent 会主动想到这一层，而不用用户再多说一个字。

另一个更能说明问题的例子是「独立民谣创作人」的故事。

设想一个用户，一开始喜欢流行音乐，后来转型开始玩儿民谣，再后来又开始自己创作了，慢慢成了一个独立音乐人。

在这个过程里，如果记忆系统用的是「覆盖删除」的策略，旧的喜好被新的直接替换掉，系统永远不知道这个人经历了什么样的转变；如果用的是「散落堆积」策略，三个阶段的记忆则都会保留，但检索时旧的和新的权重又一样，系统可能又会分不清楚现在的他更像谁。

只有演化链的方式，每一步转变都通过 supersedes 指针串联在一起，系统能看到完整的因果历程，知道从「流行乐→民谣→独立创作人」是一条演化路径，而不是三个相互矛盾的人格。

这件事儿光是采用向量搜索是做不到的，因为向量搜索只能找到语义相似的信息，但没有办法理解「这条记忆其他已经被那条记忆所取代了」的这层逻辑关系。

说完演化链，再来看一下 Hy-Memory 的底层架构，不用了解太多技术细节，只要知道它的设计逻辑就够了。

它设计了一个六层的记忆框架，L1 到 L4 是 System1 实时处理的。

原始对话痕迹、提炼出的原子事实、身份画像、会话摘要，这四层在对话进行的时候就已经实时写入，毫秒级的响应。

L5 和 L6 是 System2 后台异步处理的。

心智模型和前瞻意图，这两层不需要实时，而是等你不用的时候在后台慢慢整理，把那些散碎的事实归纳成对你更深层的认知框架，甚至能预测你下一步可能想做什么。类似于 OpenClaw 或 Hermes Agent 中的「梦境」功能。

如果用一句话来打个比方，那就像：

你在说话，它在记录；
你不在了，它在思考。

两条路并行跑，合起来才是完整的「第二大脑」。

好，核心的东西基本说完了，咱们再来看看跑分情况。

在 LongMemEval 这个专门测试 AI 长期记忆能力的评测集上，Hy-Memory 拿了 85.2% 的总分，Mem0 是 47%，Graphiti 是 68.3%。

在另一个叫 PersonaMem 的评测集上，Hy-Memory 是 76.9%，同类框架里排第一。13 个题型类别，Hy-Memory 全部胜出，没有一个输掉的。

而写入速度方面，Hy-Memory 比 Graphiti 快 8 倍。

最反直觉的一组数据是记忆条数和信息密度的对比。Hy-Memory 平均每个用户只存了 82 条记忆，而 Mem0 是 309 条，Graphiti 是 362 条。存的最少，但准确率最高。

原因在于单条记忆的信息密度，Hy-Memory 每条记忆平均有 130 个 token，Mem0 是 52，Graphiti 是 89。同样的信息，Hy-Memory 压缩得更精准，而不是把所有原始文本一股脑塞进去，质量打败了数量。

最后说说怎么用。

Hy-Memory 的插件本身是开源免费的，任何 OpenClaw 用户都可以安装，安装命令就一行。但要真正跑起来，需要准备四样儿东西：

1、OpenClaw CLI 命令行工具（只要你装了 OpenClaw 都会自带）
2、Python 3.8 以上的运行环境（这个玩 AI 的一般机器里都会装）
3、一个 LLM 的 API key
4、以及一个 Embedding 的 API key

前两个就不展开说了，说说后两个。

LLM 服务起到的作用就是 AI 大脑。Hy-Memory 用它来读懂你的对话、提炼记忆、做整理和推理，官方文档里用的是通过 OpenRouter 接入混元 3.0 Preview，换成其他模型也行。比如 MiniMax、GLM、DeepSeek 的都可以。

Embedding 服务是另一回事儿。它不会说话，也不生成文字，它做的事儿是把每一条记忆给翻译成一串数字坐标，这样系统才能通过语义相似度来检索记忆。比如你问「我的饮食偏好」，它能找到「偏好日式料理」这条记忆，哪怕两句话一个字都不重叠。

以上这两个是独立的服务，要分别申请 API key。

官方推荐是用 SiliconFlow（硅基流动 https://siliconflow.cn） 平台的 BAAI/bge-m3 模型做 Embedding，这个平台对新注册用户有免费额度，日常用量基本不花什么钱。

详细说一下安装与配置过程。

第一步：安装插件

老用户需要先卸载

openclaw plugins uninstall openclaw-hy-memory

全新安装（绝大部分用户都应该用这个）

openclaw plugins install openclaw-hy-memory --dangerously-force-unsafe-install

第二步：初始化配置

运行 init 命令，按交互式提示输入 LLM 与 Embedding 服务的 model、apiKey、endpoint，插件会自动写入配置文件。

命令如下：

openclaw hy-memory init

如果你想手动配置也支持，可以去下面官网详细了解一下，各种配置字段说明都有：
https://memory.hunyuan.tencent.com/openclaw/

第三步：重启网关

配置完成后，执行以下命令重启 OpenClaw 网关，Hy-Memory 即可开始为你的 Agent 服务。

命令如下：

openclaw gateway restart

第四步：验证安装

网关重启后，执行 status 命令检查 Hy-Memory 是否成功注册并连接。

命令如下：

openclaw hy-memory status

看到类似下方的输出即表示插件已就绪：

[plugins] openclaw-hy-memory: registered (user: tom001, server: http://127.0.0.1:19527, autoRecall: true, autoCapture: true)OpenClaw 2026.5.26 (10ad3aa) — Built by lobsters, for humans. Don't question the hierarchy.HY Memory Server: http://127.0.0.1:19527  Status:      ✓ healthy  User ID:     tom001  VDB:         ok [chroma] (collection: agent_memories_1024, points: 0)  Embed:       ok (dims: 1024)  LLM:         ok  SDK Version: 1.2.5

另外 Hy-Memory 提供了三个档位可以按需选择。

◆ Lite 档最轻量，只用向量检索，不需要 LLM 参与，零额外成本，适合想先感受一下效果的用户。
◆ Pro 档加上了 MemAgent 做同步整理，对话结束后会帮你把记忆归纳好。
◆ Ultra 档是完整的双系统架构，System1 加 System2 全开，适合重度使用 OpenClaw 的用户。

写在最后

坦白说，这套东西对真正的普通用户来讲门槛儿还是存在的，安装调试不是点几下就能搞定的，需要对命令行和 API 有一定了解。

如果你本来就是 OpenClaw 的活跃用户，这个门槛儿不算高；如果完全没有这类折腾的经验，可能需要多花一些时间进行摸索。

这次腾讯混元团队带着完整的技术架构和可对比的跑分数据入场，绝不是简单的来蹭热点，能看出来是真的想把这件事儿做好。

让 AI 真正的「认识你」，真正能给 Agent 带来持久化的记忆。

如果你一直在用 OpenClaw，还没放弃，值得持续关注并试一试。

既然看到这儿了，如果觉得还不错，帮忙随手点个「赞」、「在看」、「转发」三连；如果想第一时间收到推送，也可给我加个星标★，非常感谢！