同一项工作换一个对话窗口，往往就要重新交代背景；换一个AI工具，还可能再次解释已经确认的决定。腾讯混元开放的Hy Memory 2.0，试图为这类任务延续问题提供独立的记忆层。
此次开放覆盖模型、框架与应用三个层次。官方仓库提供Hy Memory框架，并公布专用于长期记忆处理的Hy-Memory-30B-A3B模型，以及面向跨应用使用的MemHub。
三类记忆，对应不同工作需求
根据官方技术说明，Hy Memory区分聊天、工作和编程三类场景。
聊天记忆围绕个人信息、偏好与长期交流内容组织；工作记忆保留任务事实和可复用经验；编程记忆进一步记录代码版本的演变轨迹，帮助追溯修改过程。
这种划分回应了一个实际问题：记住用户喜欢什么，与记住某项任务最终采用了哪个方案，需要不同的信息结构。
例如，一份展示材料经过多轮修改后，助手需要知道哪些文案已确认、哪些建议已被放弃。如果只检索到早期讨论，即使内容曾经真实，也可能在当前任务中产生错误。这是对记忆需求的说明，并非产品效果承诺。
跨工具记忆，需要明确边界
MemHub采用本地优先设计，可在用户授权后汇集不同AI应用的对话历史与编程记录。框架还提供按来源筛选，以及按工作区、分支组织部分记忆的机制。
这意味着记忆可以成为多个工具之间的衔接层。不过，本地优先描述的是产品的数据管理方式；完整部署仍需核对所连接模型、嵌入服务及其数据流向。
跨工具共享也需要控制范围：同一个用户的不同客户项目，不应因为检索方便而混用背景资料。
记得更多，也要能纠正旧信息
AIYXL观察：长期记忆的质量，不能只看召回了多少内容。更关键的是，新决定能否替代旧决定，过期信息是否仍可追溯，错误记录能否修改或删除，以及项目之间是否保持清晰边界。
企业试用时，可以选择一项经过多轮修改的真实任务，检查助手能否解释“当前采用什么、为什么采用、依据来自哪里”。这比单纯展示它记住了一句话，更接近日常工作的要求。