Hy-Memory 记忆框架
不只是聊天记录，
是 6 层可生长的结构。
原始痕迹
保留对话、行为和上下文，作为之后所有记忆加工的原料。
原子事实
把零散表达抽成可检索、可更新、可合并的事实片段。
身份画像
稳定的长期偏好、特质和人设画像，跨记忆和 Agent 复用的核心。
心智与意图
继续沉淀会话摘要、心智模型和前瞻意图。
85.20% — LongMemEval 同类记忆框架最高分。
在 LongMemEval 与 PersonaMem 两大公开记忆评测上，Hy-Memory 全面领先 mem0、Graphiti、某云平台记忆框架；其中 LongMemEval 总分达到 85.20%，PersonaMem 总分 76.91%，均位列同类框架第一。
LongMemEval
全面领先 mem0 与 Graphiti。
6 个题型覆盖单会话、跨会话、时序推理与知识更新；Hy-Memory 在所有题型上均 ≥ 同类框架。某云平台记忆框架 未在 LongMemEval 公开数据集上实测。
| 题型 · 题目数 | mem0 | Graphiti | Hy-Memory |
|---|---|---|---|
用户事实 (single-session-user) 70 题 | 58.60% | 78.57% | 98.57% ✓ |
偏好 (single-session-preference) 133 题 | 66.70% | 69.17% | 93.33% ✓ |
多会话推理 (multi-session) 78 题 | 44.40% | 64.74% | 80.45% ✓ |
助手事实 (single-session-assistant) 133 题 | 26.80% | 68.42% | 75.00% ✓ |
时序推理 (temporal-reasoning) 56 题 | 37.60% | 51.79% | 86.47% ✓ |
知识更新 (knowledge-update) 30 题 | 64.10% | 80.00% | 97.44% ✓ |
色块饱和度对应分数高低；Hy-Memory 列使用 brand 色。每行 ✓ 表示 Hy-Memory 在该题型上 ≥ 所有同类记忆框架。
PersonaMem
7 个题型逐项胜出，同类记忆框架第一。
PersonaMem 聚焦在画像演化、偏好追踪与跨场景泛化；Hy-Memory 在 7 个题型上均 ≥ 同类框架。
| 题型 · 题目数 | 某云平台记忆框架 | mem0 | Graphiti | Hy-Memory |
|---|---|---|---|---|
溯源更新原因 99 题 | 74.75% | 82.15% | 87.88% | 92.93% ✓ |
完整偏好演变追踪 139 题 | 46.04% | 69.06% | 79.14% | 87.77% ✓ |
偏好对齐推荐 55 题 | 72.73% | 69.09% | 72.73% | 80.00% ✓ |
泛化到新场景 57 题 | 57.89% | 83.04% | 73.68% | 94.74% ✓ |
用户事实回忆 129 题 | 43.41% | 74.16% | 55.04% | 82.95% ✓ |
用户提及事实 17 题 | 82.35% | 70.59% | 70.59% | 94.12% ✓ |
创意推荐 93 题 | 19.35% | 18.64% | 21.56% | 29.03% ✓ |
色块饱和度对应分数高低；Hy-Memory 列使用 brand 色。每行 ✓ 表示 Hy-Memory 在该题型上 ≥ 所有同类记忆框架。
Less · Denser · Faster
少 · 精 · 快：写入更快、记忆更少更密。
Hy-Memory 在两个 bench 的写入路径上都做到「同类最快、同类最少、同类最密」。
PersonaMem
589 题 · 4 系统对比（含某云平台记忆框架）
写入耗时 vs Graphiti
Hy-Memory 把 Graphiti 在 PersonaMem 上的写入耗时从 97.8 s / k tokens 缩短到 12.3 s / k tokens，且总准确率反超 12.05pp。
589 条 PersonaMem 数据，端到端写入处理总耗时。
更快接入：Hy-Memory 写入耗时仅为 Graphiti 的 1/8。
更精炼：Hy-Memory 用 mem0 ~1/4、Graphiti ~1/4 的记忆量达成更高准确率。
信息更密：Hy-Memory 单条信息密度是 mem0 ~2.5 倍、Graphiti ~1.5 倍。
Disclosure
完整披露评测设置，便于复现与质询。
- Memory / Answer 模型
- Kimi-K2.5
- Judge 模型
- DeepSeek-V3.2
- 评测时间
- 2025-Q4 / 2026-Q1
- Hy-Memory 模式
- Pro（Lite + 加 MemAgent，含 System2 异步沉淀）
- 数据来源
- LongMemEval / PersonaMem 公开题集；某云平台记忆框架 经其官方 OpenClaw 插件接入实测；mem0 / Graphiti 经各自官方 SDK 接入实测。
Layered Memory × Dual Path
六层记忆 × 两条路径。
L1-L6 决定记忆放在哪里；System1 / System2决定谁、在什么时候去加工这些层。下方阶梯里的颜色直接对应上方两条路径。
在线快路径
用户开口的同一秒就把记忆种下去。
- 每条对话必写 L1 原始痕迹
- 注意力闸门判断是否值得加工
- 实时抽 L2 原子事实与 L3 身份画像
- 现场结一笔 L4 会话摘要
后台慢整理
睡眠回放，把 System1 种下的材料长成认知。
- 抽象 L5 心智模型
- 异步沉淀 L6 前瞻意图
How Memory Grows
数据是可以生长的。
原始痕迹
现场写入每条对话。
原子事实
杂乱口语压成可检索事实。
身份画像
稳定的长期偏好与特质。
会话摘要
现场压一句长会话精华。
心智模型
从行为里抽出认知框架。
前瞻意图
异步沉淀的下一步意图预测。
橙色阶梯由 System1 在对话现场写入（L1 痕迹、L2 事实、L3 身份画像、L4 会话摘要）；深色阶梯由 System2 在后台异步沉淀（L5 心智模型、L6 前瞻意图）。两条路径合起来覆盖 L1-L6 完整 6 层。
Memory Evolution
记忆会演化，
而不是堆积。
普通记忆系统越用越容易变成噪声库。Hy-Memory 的关键是让旧对话被抽取、合并、更新、沉淀，越用越接近“干净的用户理解”。
记忆只是记录
- 上次去东京吃了寿司
- 之前在大阪吃了寿司
- 喜欢日料
- 偏甜口（旧）
- 喜欢咸鲜（新）
- ...同一类事实反复堆叠、新旧偏好并存
记忆变成画像
同一段对话被反复重写，最终留下的是稳定、最新、可复用的用户画像。
A Memory's 5 Stops
走完一条记忆 — 用「东京寿司」这条对话过一遍 5 步演化
输入：一句日常吐槽 · 输出：一条结构化的身份画像
原始对话
原话直接落地，做后续加工的原料。
事实抽取
杂乱口语拆成可检索的原子事实。
合并去重
同一类事实归并到一条，不重复堆。
冲突处理
矛盾不并存，旧的淡化，新的固化。
画像沉淀
稳定的事实长成长期身份画像。
同一段记忆被反复重写，
而不是无限往后堆。
Evolution Chain · 演化链
让 Agent 不只知道现在的情况，
还知道事情演变的整条因果。
Hy-Memory 在写入时就用 supersedes 指针把记忆串成因果链。命中链上任意一条，整条「态度演变」自动跟出 —— 这是向量召回永远做不到的事。
首次线上发行，态度积极
用户首次尝试线上发行，将新专辑上架 Spotify，播放量增长迅速，对互联网音乐分发持积极态度，认为这是被更多人听到的最佳途径。
态度转为失望
Spotify 算法将其归类为「轻松背景音乐」，播放量虽高但完播率极低，叙事型创作被消解为环境白噪音。
态度转为抵触，主动下架
用户主动将专辑从 Spotify 下架，仅保留 Bandcamp。明确表示宁要少量深度听众，拒绝流媒体的量化分发逻辑。
彻底转向实体发行，验证成功
与黑胶厂牌合作推出限量 300 张实体唱片附手写歌词册，两天售罄。听众来信验证「少量深度连接」路线的可行性。
Now · 用户提问
「我在考虑做新专辑的线上发行，你觉得呢？」
三种记忆架构，三种 Agent 回答 —— 差距全在「能不能召回中间环节」。
只剩最后一条 D
Agent 回答
实体反响很好，建议继续做限量黑胶搭配线上预售页……
→ 建议苍白、错失语境
向量召回，只命中 A 和 D
Agent 回答
你之前上过 Spotify 效果不错，实体也卖得好，建议双渠道并行……
→ 随口建议回到曾经主动决裂过的平台
命中链头 D → _trace_full_chain → 整条链自动展开
Agent 回答
见下方完整回答 →
→ 直击内心
你说「考虑线上发行」——我知道这对你来说不是一个简单的渠道选择题。
去年你满怀期待上了 Spotify，结果发现算法把你的叙事民谣变成了餐厅白噪音，完播率惨淡。你不是没试过线上，是试过之后主动走掉的——那套逻辑跟你的创作本质冲突：你要的是一个人安静听完一整张专辑，流媒体要的是低跳出率的均质背景流。
而黑胶的成功恰恰验证了你的直觉：愿意认真听你的人存在，他们的反馈密度远高于十万次跳过。
所以如果重新做线上，核心不是「要不要上」，而是「能不能找到一种不背叛你创作初衷的线上形态」。
Why Only Chain Works
为什么只有链式结构能做到。
| 竞品 A · 覆盖 | 竞品 B · 散落 | Hy-Memory · 链 | |
|---|---|---|---|
| 搜索「线上发行」召回 | 只有 D（实体好） | A + D（线上好 + 实体好） | D + C + B + A 完整链 |
| 丢了什么 | A B C 全丢 | B（为什么失望）+ C（为什么离开） | 什么都不丢 |
| Agent 理解到什么程度 | 不知道用户对线上有过态度 | 知道试过线上，不知道为什么放弃 | 拥抱→失望→决裂→重建 完整因果 |
| 回答风险 | 平庸 | 踩雷：建议回 Spotify | 直击内心 |
Why B & C 召不回
情绪和决定，离「发行方案」很远。
「Spotify 算法把我归为背景音乐」「主动下架只留 Bandcamp」 —— 这些描述的是情绪和决定，跟 query「线上发行方案」的 embedding 距离很远。向量搜索永远不会把它们捞上来。
How Chain Works
不靠相似度，靠预写好的因果指针。
演化链不靠 embedding 相似度串联历史，靠的是写入时就建好的 supersedes 结构指针 ——命中链上任何一个节点，整条因果线自动跟出来。
Lite / Pro / Ultra
三档接入：从轻量 SDK 到完整认知架构。
Lite 只做向量检索；Pro 同步跑 MemAgent，不带后台 worker；Ultra 完整运行 System1 + System2 内核。三档按接入成本递增挑选。
Lite
Lite · enable_agent = false
只做写入和检索，零 LLM 成本，最快接入。
触碰层 L1 → L6
Pro
Lite · enable_agent = true
MemAgent 同步做抽取、摘要、反思，但不带后台 worker。
触碰层 L1 → L6
Ultra
Full Pipeline · System1 + System2
同步快路径先种下记忆，异步慢路径持续回放、归纳、沉淀高阶画像。
触碰层 L1 → L6