如果你深度使用过 OpenClaw 等 AI Agent，大概率经历过这样的「三周轨迹」：

• 第一周（蜜月期）：把项目来龙去脉、决定和取舍一股脑告诉 Agent，它什么都能帮你做
• 第二周（不安期）：每天打开都要花 3-5 分钟提醒它我们在做什么，跨天的深度判断全丢了
• 第三周（降级期）：不再问深层问题，只用来搜资料、改文字，从「能陪你思考的伙伴」降级成「查询工具」

这不是模型能力的问题，是记忆系统的缺陷。Hy-Memory 就是来解决这个问题的。

• 项目地址：https://memory.hunyuan.tencent.com/
• 使用文档：https://memory.hunyuan.tencent.com/openclaw/

Hy-Memory 是什么

Hy-Memory 是腾讯推出的 OpenClaw 记忆插件，用三层核心架构让 Agent 在长期使用中「记得住、记得对、记得轻、更懂你」。

在权威公开测试集上：

• 记忆碎片数量降低 70%+，每条记忆信息密度提高 45%+
• 处理超长上下文 Token 消耗降低 35%
• 记忆更新速度快 20%

三层核心架构

第一层：6 层记忆框架

Hy-Memory 没有把所有记忆塞进同一张表。它把记忆分成 6 层，每层一种职责：

你问「我做大决策有什么习惯」，Agent 优先看 L5 心智模型；你问「我住在哪」，L2 一条事实就够了。问什么走哪层，检索效率和准确度都大幅提升。

第二层：System1 / System2 双系统

借鉴人脑认知科学，把记忆加工拆成两套系统：

• System1（白班）：你发消息后实时处理。负责写原始痕迹、抽事实、更新画像、压摘要——L1 到 L4 的快速操作
• System2（夜班）：后台运行，秒到分钟级。负责抽心智模型、构建知识网络、预测意图——L5 到 L6 的深度认知

为什么要拆？因为深度认知很慢。抽一条「决策心智模型」可能要 5-20 秒。如果每次对话都等 20 秒，谁也受不了。拆分后，立即可用的记忆 System1 秒级写好，深层理解 System2 后台慢慢沉淀。

第三层：演化链

这是 Hy-Memory 最核心的设计，也是最容易踩坑的地方。

假设你跟 Agent 聊了大半年的健身计划，态度经历了 4 次转折：跑步 -> HIIT（膝盖受伤）-> 纯力量（丢心肺）-> 混合方案。今天你问「下个月想加新训练方式，建议什么？」

三种记忆系统给出三种答案：

覆盖派（只记最新）：推荐 CrossFit。但不知道你膝盖受过伤，很可能让你再伤一次。

堆积派（全部保留）：推荐 HIIT。因为「跑步效果不错」和「混合训练稳定」在向量相似度上最靠前，中间的「HIIT 伤膝盖」被淹没了。

Hy-Memory 演化链：通过 supersedes 指针把 4 条记忆串成一条链。搜索命中最新一条时，整条链自动展开。Agent 拿到完整的态度演变路径，会建议你避开高冲击爆发类训练，考虑游泳或骑行。

性能表现

在 LongMemEval（500 题覆盖 6 个能力维度）和 PersonaMem（6000+ 条消息 / 589 题的真实长期对话评测）上，Hy-Memory 的成绩超过所有同类框架，在偏好（+21.11pp）、时序推理（+9.63pp）、知识更新（+21.37pp）三项上领先。

写入速度与 mem0 同档，是 Graphiti 的 8 倍。记忆条数只有 mem0 的 1/3、Graphiti 的 1/4 到 1/5。单条记忆信息密度是 mem0 的 3-4 倍。

安装与配置

一行命令安装：

npm config set registry https://mirrors.tencent.com/npm/ && \
openclaw plugins install @tencent/hy-agent-memory --dangerously-force-unsafe-install --force && \
openclaw hy-memory init

默认使用 Chroma 作为本地嵌入式向量库，数据自动持久化到本地。不需要安装 Qdrant、不需要 Docker，配置好 LLM / Embedding 的 API Key 就能用。

验证安装：

openclaw hy-memory status

三档配置按需选择

建议第一次安装直接上 Pro。升级只改一个开关，不需要重新接入。

适合谁

• OpenClaw 深度用户，受够了「每天重新教 Agent」
• 长期使用 Agent 做项目管理、知识管理的人
• 需要 Agent 真正理解你偏好和决策模式的团队