當 AI 需要記住的不只是單句事實，還包括事情是如何發展、任務做到哪一步，以及代碼為何這樣修改，Hy Memory 便提供了一套較完整的處理方式。它屬於面向 LLM agents 的認知記憶引擎與 Python SDK，將 Chat、Working、Coding 三類場景分開處理，減少長對話和長期任務中召回錯誤脈絡的問題。
Chat 以分層長期記憶整理事件及後續發展；Working 同時保存任務事實與可重用經驗，重用前會檢查適用條件；Coding 則以版本演化鏈追蹤每次改動，將相關指令、真實 diff 和指定函式區塊連結起來。這比單純把內容切段後交給向量搜尋更適合需要延續工作的 Agent，但也依賴清晰的 user id、workspace id 和代碼變更來源。
• 自動按工具呼叫及搜尋模式分流到三類記憶
• 支援記憶的新增、更新、刪除、列出及 System 2 演化
• Coding 可讀取本地 Git diff，亦可處理 path、old、new 替換記錄
• MemHub 將 Claude Code、Cursor、Codex、OpenCode 和 Qwen Code 等工具的資料集中管理
評測涵蓋四套 benchmark：LoCoMo 聊天記憶準確率為 72.6%，MemoryArena 工作記憶平均分為 55.31%，CodeMemoryBench 的問答及解決率為 64.2% 和 35.6%，SWE-ContextBench 解決率為 28.3%。官方亦指記憶儲存佔用維持在較低水平，但不同任務和資料來源仍會影響結果。
透過 hy-memory SDK 接入，按場景寫入及搜尋；不指定場景時，無工具呼叫的寫入會直接進入 Chat，帶工具呼叫的內容才會分類。Hy-Memory-30B-A3B 是負責記憶讀寫的專用模型，約有 3B 激活參數，並可與引擎分開使用；MemHub 則提供 local-first 桌面及 CLI 產品，適合需要跨 AI 工具延續對話或編程工作的個人與團隊。