腾讯混元发Hy-Memory，记忆降70%华尔街日报
腾讯推出Hy-Memory，一款专为Openclaw这类长期协作型Agent设计的记忆插件。它采用6层记忆框架、双系统和演化链三层核心设计，让Agent真正“记得住、记得对、记得轻”。测试显示，记忆量降低70%以上，信息密度提升45%，token消耗降低35%，写入速度是Graphiti的8倍。
今天，我们正式推出 Hy-Memory，这是一个专门为 Openclaw 这类长期协作型 Agent 设计的记忆插件——它不只是个查询工具,而是真的能成为 Agent 的"第二大脑"。
Hy-Memory 用 6 层记忆框架 × System1/System2 双系统 × 演化链三层底牌，让 Agent 在长期使用中真正"记得住、记得对、记得轻、更懂你"。
在权威公开测试集上，Hy-Memory效果超过现有主流memory框架，可以解决记忆碎片化问题，记忆数量低70%+，每条记忆信息密度高45%+。在处理超长上下文方面，Hy-Memory消耗的token量降低35%，记忆更新速度快20%。
Agent 任务对长期记忆的要求远超 Chat
使用 Agent和 Openclaw 深度用户，常常描述过一种常见的“三周轨迹”。
第一周: 蜜月期，把自己当下正在忙的事情，比如一个项目的来龙去脉、最近的决定和取舍、未来想做的方向一股脑都告诉 Openclaw。，能回答问题、能查资料、能帮你规划、能写代码、能起草文档。“这玩意儿真好用”——这是大多数人第一周的真实感受。
第二周: 开始不安。人们注意到每天打开 Openclaw都得先花 3 到 5 分钟提醒它我们在做什么。它好像不太记得几天前讨论过的判断。当你对它说“按之前那个方案”，它会反问"哪个方案"，说“那个我们排除掉的选项”，它却想不起来排除的是什么、为什么排除。不是完全不记得。Openclaw 默认的记忆机制能记住一些最近的对话原文，但跨天、跨 Session、那些更深的判断，它就漂移了。
第三周: 主动降级使用，开始下意识地缩短跟它讨论的深度。不再问"这个方向我该不该走"，因为知道明天它就忘了。变成只问最具体、最即时的小问题:搜个资料、查个语法、改一段文字。
最常见的结局是，Openclaw 在使用者眼里，慢慢从"能陪你思考的伙伴"，降级成了"一个查询工具"。这不是 Openclaw 的问题——它的内核能力一直很强。问题在于：长期协作类任务对长期记忆的要求，远超过普通 Chat。
Hy-Memory 这个 Openclaw 记忆插件的初衷，就是为了把这三周轨迹的后两周抹掉——让用户第一周怎么用 Openclaw，第三个月还能怎么用，而且越用越懂。
1、长期任务对记忆的挑战比想象中难
长期任务跟普通 Chat 完全是两种工作。不管你拿 Openclaw 调研一个复杂决策、写一本书、规划一次大旅行、跟进一个跨季度的项目，一次对话可能 30 轮 50 轮 100 轮，中间不停地查资料、调工具、读文档、出方案、回退、再改、再走，一个 Session 可能持续几个小时，任务可能跨越数周。
记忆系统至少要扛住 4 件事：
任何一个环节崩了，体验就崩了。
2、一个合格的 Openclaw 记忆插件要满足的 3 条标准
我们在设计 Hy-Memory 的时候围绕“什么样的记忆插件才配得上 Openclaw 这种长期协作场景”，定了 3 条硬标准。
标准一：不能丢历史。
用户跟 Agent 聊过的所有“为什么选这个、为什么否那个”——这些判断和因果不能丢。否则下次它推荐方案，可能直接推荐回用户已经否过的那个，白费时间。
标准二：要能演化。
人不是一个静态的存在。技术偏好、生活习惯、长期目标都会随时间变，对某件事的看法也会反复调整，这些都得被记住。不是覆盖式的“只记最新”,也不是堆积式的“全都留下”，而是要有一个清晰的演化轨迹。
标准三：要在主链路里不仅足够快，还要有认知迭代，进化。
记忆插件不能拖慢用户当下打字、调用工具、等结果的速度。每次搜索要在毫秒级,召回也不能成为响应瓶颈。同时还要有深层次的语义和事实理解。
接下来，我们把 Hy-Memory 满足这 3 条标准的三层底牌分别讲清楚。
Hy-Memory 的三层核心
第一层：6 层记忆框架——给每种记忆找到正确位置
Hy-Memory 做的第一件事,是没有把所有记忆塞进同一张表。
想一下——用户跟 Openclaw 聊到最近在准备出国留学,这段话里其实混着好几种东西：
· “我在准备出国留学”——这是事实
· “我偏好北欧那种慢节奏的项目”——这是画像
· “我做大决策前会先列利弊清单”——这是心智模型
· “我下周大概率会问推荐信怎么找教授”——这是前瞻意图
这些东西信息形态完全不一样,但传统记忆系统会把它们全揉成一堆向量，搜索时一锅捞。Hy-Memory 把记忆分成 6 层，每层一种职责。下面用一组多领域混合的例子，让你感受 Agent “记的是什么”：
用户问 Openclaw “我做大决策有什么习惯”,它应该优先看 L5 心智模型,而不是把过去 100 轮对话原文一锅塞过来。用户问"我现在住在哪",L2 一条事实就够了。问什么、走哪层、用什么样的检索权重——分层让这些都变得可能。
整个 prompt 会变干净。模型的注意力不再被无关原文稀释。
第二层：双系统设计，既保障速度又具备认知迭代
Hy-Memory 把来自人脑认知科学的 System1 / System2 机制直接复刻到了 Agent 的记忆加工上——就像给 Openclaw 装了一颗符合认知科学的"大脑"。
Hy-Memory 把记忆加工拆成两套。
System1(白班)：用户回车那一秒，实时地处理写入的记忆。负责写原始痕迹、抽事实、更新画像、压会话摘要——也就是 L1–L4
System2(夜班)：秒到分钟级，在后台跑。负责抽心智模型、构建知识网络、预测意图——也就是 L5–L6
为什么要拆？因为深度认知很慢。抽你的"决策心智模型"、构建你的"知识网络"——做完一遍 LLM 可能要 5 到 20 秒。如果让你每次调用 Openclaw 都等 20 秒才能收到回复，谁都用不下去。
但你要的也不仅是"快"——你要的是 Agent 越用越懂你。Hy-Memory 的拆分把这两件互相打架的事变成两条独立通道：
1、发送消息后System1 已经把"立即可用的记忆"写好了——下一句对话能立刻用上
2、 System2 在后台慢慢做更深的认知——把你两周的对话沉淀成"你的决策心智"
结果在对话最直接的影响：你每次说完的信息它能立马记住；而它对你的理解还在后台不断变深。
第三层：演化链——记忆能改写但不丢因果
第三层是 Hy-Memory 真正的杀手锏，也是我们觉得用户长期跟 Agent 协作时最容易踩坑、也最值得做对的一件事。
一个典型的长期场景：假设一位用户跟 Openclaw 聊了大半年自己的健身计划。过去半年里他的训练方式发生过4 次明显的态度转折：
· 去年春 — 开始跑步训练有氧，效果不错，体重和精神状态都改善了，对跑步充满信心
· 去年夏 — 跟练 HIIT，强度太大，膝盖出了问题，被迫停训两周
· 去年秋 — 转向纯力量训练，只练大重量、放弃了心肺，结果跑两公里都喘,挫败
· 上月 — 形成「力量 + 慢跑 + 瑜伽」混合方案，身体状态终于稳定下来
今天他打开 Openclaw问它：“我下个月想再加一种新的训练方式，你建议什么？”
三种记忆系统会给出三种答案。
答案 1：覆盖派(只记最新)
很多默认记忆系统是"用新覆盖旧"。库里只剩"用户当前用混合训练效果好"。
Agent 的回答：“你现在的力量 + 慢跑 + 瑜伽组合挺好,可以再加一个 CrossFit 试试,效率高。”
不算错，但很浅。它不知道用户为什么走到混合训练——错过了"HIIT 伤过膝盖"、"纯力量丢了心肺"这条完整的踩坑路径。直接推荐 CrossFit 很可能让用户再伤一次膝盖。
答案 2：堆积派(全部保留)
另一些系统是"什么都留下，搜索时按向量相似度召回"。库里 4 条事实都在,但搜索 “新训练方式” 时，最近的、最相似的先被召回——大概率是"跑步起步效果不错"和"混合训练稳定"。
中间的"HIIT 膝盖受伤"、"纯力量丢心肺"在语义空间里距离稍远，可能根本召不回。
Agent 的回答：“你跑步效果不错、混合训练也稳定,可以加一个 HIIT 试试,提升心肺效率高。”
踩雷了。它没意识到用户已经在 HIIT 上受过伤——重新推荐 HIIT 等于让用户再走一次老路、再伤一次膝盖。
答案 3：Hy-Memory 演化链
Hy-Memory 在写入第 2 条记忆时，会用 supersedes 指针指向第 1 条；第 3 条指向第 2 条；第 4 条指向第 3 条。4 条记忆通过指针串成一条链。D (混合训练，链头) ↓ supersedes C (纯力量，丢心肺) ↓ supersedes B (HIIT,膝盖受伤) ↓ supersedes A (跑步起步) 用户问“新训练方式选什么”时，搜索命中链头 D,整条链自动展开——A、B、C、D 一起返回给 Agent。
