Hy Memory 2.0 開源：讓 Claude Code、Codex 共用記憶，資料真的留在本機嗎？
Hy Memory 2.0 開源記憶模型、框架與 MemHub，支援聊天、工作和程式記憶。本文拆解跨工具接續、資料流向與驗收方式，說明本機優先和完全離線的差別。
Hy Memory 2.0 想解決一個常見的麻煩：換一個 AI 工具，就得再解釋一次專案背景。開一段新對話，又要重講哪些方案已經被否決。
騰訊混元在 2026 年 10 月 16 日宣布，把記憶模型、管理框架與 MemHub 應用一起開源。它想保存的不只是個人偏好，還包括任務進度，以及程式修改的前因後果。
這三層可以分開使用。開發者能把記憶框架接進自己的代理，一般使用者則能透過 MemHub 整理授權匯入的對話與工作紀錄，不必自己組出整套系統。
官方也公布四項評測的成績，但指定資料下的表現，還不能回答自己的專案會不會少出錯。記憶被找回之後，工具是否正確理解及採用，也會影響最後結果。
更需要分清楚的是資料位置。MemHub 主打本機優先，記憶處理仍可能呼叫設定好的模型及向量服務。若選遠端服務，部分內容就會離開電腦。
對常在多個 AI 工具之間接續工作的團隊，這值得用小範圍專案試用。先確認記憶能否準確找回、更新與隔離，再決定要交給它多少工作背景。
Hy Memory 2.0 的模型、框架與 MemHub，各自做什麼？
三層產品的分工，是把「從紀錄理解重點」、「保存並找回重點」與「讓工具使用記憶」分開處理，所以不必每一層都換成騰訊的服務。
依 Hy Memory 2.0 官方網站的介紹，專用模型負責記憶的讀取與寫入，框架管理儲存、更新及召回，MemHub 則把這些能力帶進使用者原本的工具。
召回就是在新任務開始時，從舊紀錄找出可能有用的內容。它和把全部聊天紀錄貼進提示詞不同，因為系統得先挑選，避免無關背景占掉模型的閱讀空間。
| 層級 | 主要工作 | 適合的使用者 |
|---|---|---|
| Hy-Memory-30B-A3B 模型 | 從內容整理及讀寫記憶 | 想研究或部署專用模型的團隊 |
| Hy-Memory 框架 | 分類、保存、更新及搜尋記憶 | 已有 AI 代理的開發者 |
| MemHub 應用 | 匯入工具紀錄，提供跨應用記憶 | 想接續日常工作的人 |
表格裡的框架與模型是不同選擇。官方程式庫提供相容服務的設定方式，開發者可以選擇自己的語言模型及向量模型端點，並非一定要先部署 300 億參數模型才能開始。
向量模型會把文字轉成方便比對相似程度的數值，幫助系統搜尋相關紀錄。但相似不代表正確，因此框架還需要處理衝突、時間與來源，避免找回早已作廢的決定。
這也解釋了專用記憶模型的用途。它追求的是從混雜紀錄裡留下有用事實，而不是在每一種聊天題目都取代通用助理。
要判斷這套分工能否幫上忙，下一步得看它如何區分不同種類的工作記憶。
聊天、工作與程式記憶，為什麼要分開保存？
同一句「上次是這樣做」可能指個人偏好、任務進度，也可能指已經被撤銷的程式修改。若全部混在一起，AI 很容易把舊做法當成現行規則。
官方 GitHub 文件把記憶分成聊天、工作與程式三種場景。聊天記憶整理跨時間的個人資訊。工作記憶記錄任務做了什麼，以及哪些經驗可以重用。
程式記憶還會追蹤修改過程。這對除錯尤其有用，因為團隊不只需要知道最後留下哪個方案，也常需要理解另一個方案為何被改掉。
工作記憶怎麼避免把經驗套錯地方？
工作場景有事實與經驗兩層。事實描述某次任務的目標、做法與結果。經驗則保留可能在未來重用的方法，以及適用的環境條件。
例如「這次報表使用某份月結檔」是任務事實，「遇到該格式時先檢查日期欄」才可能成為經驗。後者能否套用，仍要看新檔案是否符合原本條件。
把兩者分開的好處，是讓團隊追查建議從哪次工作而來。如果經驗只剩一句結論，卻沒有對應來源，就很難判斷它是穩定規則還是一次性的巧合。
文件也保留低成本模式的邊界。簡化模式主要保存原始內容及向量搜尋，不會因為傳入工作場景名稱，就自動具備完整的事實與經驗抽取能力。
程式版本鏈保留哪些資訊？
程式場景另外加入版本演進鏈，也就是保存每次修改的差異及相關說明。它用來補足摘要容易丟失的細節，讓被改回去的版本仍有機會被追查。
這種差異紀錄對接續任務有幫助，但不會因此變成正式版本控制的替代品。儲存庫裡實際存在的程式、提交紀錄與測試結果，仍是確認現況的依據。
官方也提供依使用者、專案與分支隔離記憶的欄位。因為同一個函式可能在不同分支有不同決定，沒有隔離就可能把另一條開發線的背景套進來。
記錄結構清楚之後，才能把相關背景交給工具，而不是只是建立另一個沒人會搜尋的資料庫。
MemHub 如何讓 Claude Code、Codex 等工具接續工作？
MemHub 的用途，是把使用者授權的不同應用紀錄集中管理，再讓正在工作的 AI 取用相關記憶。它比較像工作紀錄的共同入口，而不是替每個工具重新訓練一次模型。
官方列舉的整合對象包括 Claude Code、Cursor、Codex、OpenCode 與 Qwen Code，並提供桌面與命令列使用方式。命令列就是透過輸入指令操作，適合接進開發流程。
這類跨工具接續的價值，在於把「已經確認的背景」帶到新任務。例如改用另一個程式代理時，能找回某項限制來自哪份需求，而不是讓新代理從頭猜一次。
但工具整合不保證每段對話都適合共用。私人研究、客戶專案與公司內部程式可能有不同存取範圍，因此匯入範圍應先依工作來源分開。
框架提供來源欄位與搜尋篩選，可區分是哪個應用寫入的紀錄。這讓團隊可以測試「這個工具只能讀自己的記憶」或「這個專案允許共用哪些來源」。
這些隔離設定也要在實際取用時驗證。只看資料庫有來源標籤，還不能證明上層工具每次搜尋都會帶上正確條件。
延伸閱讀：TencentDB Agent Memory 是什麼？把 AI 工作記憶分層，本機儲存還要注意哪些事？
資料一旦集中，接下來最直接的問題，就是它會在哪裡被處理。
本機優先代表完全離線嗎？先看模型與資料庫的位置
本機優先描述的是產品把本機儲存與使用流程放在中心，完全離線則要求所有處理都不依賴外部網路。兩個條件可以同時成立，也可能只有前者成立。
MemHub 的紀錄可以位在本機資料目錄，但整理記憶、產生向量或回答查詢，仍需要設定相應服務。若服務端點在雲端，送去處理的內容也會離開本機。
因此，導入時應把資料流畫成完整的一條路：工具紀錄從哪裡匯入、哪個模型負責整理、向量在哪裡產生，以及最後哪些內容會交給使用中的代理。
例如選擇本機資料庫，再搭配遠端語言模型，只能說資料庫留在電腦。它不能自動保證內容不外傳，也不能替遠端供應商決定日誌保存方式。
反過來說，想完全在自有環境處理，也要準備模型推論、向量服務與儲存資源。開源提供自行選擇的可能，維運工作仍會落在使用者或團隊身上。
記憶的生命週期也需要確認。使用者更新偏好、專案改變需求或撤回資料時，系統必須能找出相關紀錄，並確認後續查詢不會繼續採用過期版本。
這些條件會直接影響可匯入的資料種類。對有客戶文件的團隊，先用公開範例跑完整流程，比一開始匯入所有工作紀錄更容易掌握結果。
延伸閱讀：Atomic Agent Desktop 教學：匯入 Claude Code 工作設定，選本機或雲端模型之前先看資料流向
資料流清楚後，再看官方評測，才知道哪些分數與自己的使用方式有關。
四項評測領先，實際導入該怎麼驗證？
官方表示框架在聊天、工作與程式記憶的四項評測上，取得比較對象中的開源領先成績。這是騰訊公布的測試結果，並非所有工作場景的共同排名。
專用模型的官方模型卡另外比較它在不同記憶系統中的表現。框架排名與模型跨系統成績是兩個實驗，不能合併成「整套工具在任何地方都超越某個大模型」。
對使用者更有意義的測試，是先準備一段能人工核對的專案紀錄。裡面放入已確認需求、後來改變的條件，以及兩個名稱相近但不能互換的工作。
接著開新對話，詢問目前應採用哪個做法。答案除了要對，也應能對回來源。否則即使剛好猜中，也無法知道系統是否真的找到正確記憶。
另一項測試是更新。把原本條件改掉後，重新查詢相同問題，確認新決定被採用，舊決定仍可追溯，但不會混成現在的要求。
最後要試隔離與刪除。讓不同專案出現相似內容，檢查是否交叉誤取。移除一筆紀錄後，再看它會不會透過摘要或衍生經驗繼續出現。
記憶需要隨專案一起維護
導入之後，記憶也會成為需要維護的工作資料。官方文件提供新增、更新、刪除及列出紀錄的操作，讓使用者能處理過期內容，而不是只能不斷把資料加進去。
但刪除單筆記憶和撤回整段專案背景不一定相同。原始內容可能已被整理成摘要或可重用經驗，因此驗收時應用實際查詢確認後續結果，而不是只檢查某筆資料是否消失。
多人使用時，也應確認使用者與專案識別方式。若兩個人不小心共用同一個識別值，即使系統有隔離能力，也可能被錯誤設定繞過。
這讓導入責任更明確：工具負責提供記憶機制，團隊負責定義哪些資料可以進入、誰能使用，以及何時應該更新。當任務結束或成員異動時，記憶範圍也應隨之調整。
若目前只偶爾用一個聊天工具，維護這套系統未必划算。它比較適合已經有大量跨對話工作，並能說明自己重複交代哪些資訊的人。
這些是導入驗收建議，不是本文已完成的產品實測。通過一個可檢查專案後，再增加資料範圍，才知道省下的背景交代時間，是否大於維護與覆核成本。
Hy Memory 2.0 常見問題
一定要自行部署 300 億參數模型嗎？
不一定。框架可設定相容的模型及向量服務，專用記憶模型是可選的一層。是否自行部署，要看資料需求、硬體與維運能力。
它能讓 AI 永遠記住正確資訊嗎？
不能保證。原始紀錄可能有矛盾，抽取、搜尋與使用記憶也都可能出錯。系統保留來源與版本，才有機會在錯誤發生時修正。
匯入紀錄後，所有工具都會自動變聰明嗎？
實際效果取決於工具整合與搜尋方式。匯入成功只是資料進入系統，還要確認新任務確實讀到正確背景，並且遵守來源與專案範圍。
適合先用在哪種工作？
適合先試跨工具、跨對話而且結果可核對的長期專案。例如接續一份有版本紀錄的開發任務，比沒有標準答案的私人助理更容易驗證記憶是否有用。
先讓一個專案接得起來，再擴大記憶範圍
Hy Memory 2.0 提供的實際進展，是把記憶抽取、管理及工具入口放進可自行選擇的開源組合。對已經受困於重複交代背景的團隊，試用目標可以很明確：同一個專案換工具後，能否準確接續。
先記下原本交代背景及覆核所需的時間，再用同一類任務比較。只有當來源能追溯、過期決定能更新、不同專案能隔離，記憶才會從方便的功能，變成可靠的工作基礎。
想持續追蹤開源模型與 AI 工作工具的更新，可以免費訂閱 AI 郵報，並從一個可核對的專案開始建立自己的使用紀錄。
