腾讯Hy Memory开源了:10款AI工具终于能共用记忆?

这次发布最容易让人混淆的地方，是三个名字挤在一起。用办公室的比喻解释：专用模型负责读懂和提炼资料，Hy Memory引擎负责管理记录，MemHub负责把不同工具接到这套记录上。 它们能够组合，也并非必须捆绑使用。

第一层是Hy-Memory-30B-A3B，这是腾讯开放的记忆专用模型。它面向需要从对话和操作轨迹中提取关键信息的开发者，不是装到电脑上就自动连接十款工具的桌面软件。名字里的30B和A3B分别涉及总参数与激活参数，不能拿“只激活3B”推导出整个模型只需3B的存储空间。

第二层是Hy Memory 2.0框架。它不只记“用户爱看什么”，还把记忆分成聊天、工作和编程三类：聊天记偏好与事件，工作记任务事实和可复用经验，编程则额外跟踪代码版本变化。比如你曾决定不用某种数据处理方案，半年后又换过实现，系统要努力分清“当时为什么这么选”和“现在到底用哪一版”。

第三层是MemHub应用，也是这篇文章和普通用户关系最近的部分。它尝试读取用户授权的历史对话和新增内容，建立本地优先的记忆库，再把相关记忆提供给获得授权的AI工具。比起“把聊天记录全部贴到每个模型”，这更接近一个带权限的资料管理员：谁能提交、谁能检索、能看哪部分，都应有边界。

— 图1：官方公布的三层开源结构，元域费曼整理示意

腾讯官网列出的十款工具是：WorkBuddy、Cursor、Codex、Claude Code、OpenCode、OpenClaw、Qwen Code、Pi、Hermes、DeepSeek Harness。这是项目方公布的支持名单，不是元域费曼逐一安装、验证后的兼容清单。特别注意：ChatGPT本身不在这十款工具名单里。 即使Codex列在其中，也不能据此推断ChatGPT账户中的产品记忆会自动导入MemHub或由MemHub写回。

技术上，“共用记忆”至少包含三个动作：先取得来源授权，导入旧记录或同步新记录；再把这些记录提炼成有来源的记忆；最后让另一个工具在获得独立授权后读取相关片段。三个动作哪一步没走通，都可能出现“列表里写着支持，换过去却记不住”的情况。

还要分清它与我们之前写过的“豆包工作一键搬家”。迁移更像搬一次家，共享记忆更像建立长期共用的资料柜。 前者关注历史配置能否搬过去，后者关心此后多个工具怎样持续读写、怎样隔离项目，以及旧判断被推翻时能否更新。

举个更贴近实际的例子：假如公众号内容体系里有“标题不超过30字”和“终审后HTML交付”的规则，MemHub理想上可以在两个接入工具之间提供这类已授权的背景。但“记忆里有过一条规则”不代表另一款软件必定按它执行；原工具的权限、Skill、插件和文件也不会仅因为记忆同步就自动迁移。

— 图2：十款工具通过MemHub复用记忆的授权路径，原创结构示意

官方确实提供了评测数字。以聊天记忆LoCoMo任务为例，项目方报告回答准确率达到72.6%，并展示单题Token由1159降到703、约减少39.3%的对照；另有模型和工作记忆的多项基准分数。这些属于腾讯公布的特定评测结果，不是不同用户安装MemHub后的通用节省率。

算术没有问题：456除以1159，约等于39.3%。真正需要问的是：测试输入是什么、有没有计算记忆整理与存储的开销、模型调用是否另收费？如果为了省一次查找，先要把几年的聊天记录重新整理一遍，总费用未必立刻下降。

而且，长期记忆最怕的不是少一条，而是把过时的信息当成最新决定。去年你让AI把文件放A目录，今年已经换成B目录；如果系统只记住第一句，它越“有记忆”，可能越容易重复做错。腾讯的设计专门讨论事实层、经验层及冲突消解，但效果仍需放到自己的真实任务里验证。

MemHub的说明把本地存储和授权作为设计重点：来源原文以Evidence形式保存在本地数据目录，外部工具的读取权限与来源导入权限分开。但本地优先不等于整个处理过程永远离线。如果你选择第三方模型服务处理获授权的内容，相应数据可能发送给该提供方。

因此，首次尝试不要导入公司客户名单、尚未公开的商业计划或生产环境密钥。先检查它需要读取哪个工具的哪个目录、模型服务在哪里、能否暂停同步、撤销授权和删除记忆；还要知道，卸载MemHub程序默认并不删除本地记忆数据，真正删除是另一项需要确认的操作。

发行条件也要看清。截至本文核验时，项目文档把macOS和Linux列为MemHub目标平台，Windows尚不支持；具体安装包还要以GitHub正式Release和校验清单为准。开发者使用的hy-memory Python SDK，与普通用户安装的MemHub桌面应用也不是同一个东西。官网写“开源了”，并不意味着所有操作系统现在都能一键使用。

我的建议是：先别为了十个Logo就把十个工具都接上。 如果你平时只用一个AI，而且没有频繁切换项目的烦恼，现有聊天记忆、项目文件或规则说明很可能已经够用。额外装一个记忆中枢，会增加新的授权、管理和排障成本。

如果你确实每天在Codex、WorkBuddy和其他工具之间切换，可以用一个虚构的小项目做A/B检查。先挑两款明确列入支持名单、自己本来就在用的工具；备份好原文件，查看与你系统匹配的正式Release，再按官方安装说明授权一个测试目录，先别接入全部历史数据。发行文档提到的CLI安装方式需要对应版本的npm包和Runtime都已公开，不能只抄一段命令就假设安装一定成功。

接着在工具A里明确交代三件事：“项目叫演示周报；交付必须是Markdown；引用数据必须写来源日期。”让工具B在授权后继续同一任务，再检查它能否找回这三条，并说明来自什么记录。最后把一条规则改掉，例如把Markdown改成HTML，看看旧规则会不会被正确更正。

验收时至少记录五项：导入完整度、跨工具召回、旧信息更正、项目隔离、总成本与返工。 如果只有“能搜出某句话”成功，却不能避免串项目或使用过时信息，就还不值得成为正式工作流的一环。

— 图3：跨工具记忆的五项小规模验收清单，元域费曼整理

官方仓库与说明入口：Hy Memory官网｜项目源码｜MemHub说明｜安装条件｜隐私说明。以上产品能力及基准数据来自腾讯发布资料，本文未实际安装或完成跨工具对照测试。

以前我们问AI：“你能记住我吗？”现在更值得问的是：“我换个工具，你还能在得到授权后知道正在做什么吗？”Hy Memory 2.0把这个问题从一家产品的聊天设置，往可移植、可管理的记忆基础设施推进了一步。

但好记忆从来不只是保存更多聊天记录。它必须分得清事实与经验、过去与现在、这个项目与另一个项目，还得让用户有权拒绝、修改和删除。对普通人来说，先把一条真实工作流验证成功，比宣布十款软件“已经打通”更有意义。

元域费曼：把复杂技术讲明白，把真正能用的东西留下来。