Вспомни, как ведет себя любой современный языковой ассистент при регулярной работе. Вчера ты два часа объяснял ему особенности структуры твоего проекта, терпеливо исправлял синтаксические ошибки в конфигурации веб-сервера и учил правильному формату выгрузки таблиц. Но наступает утро, ты открываешь новое окно чата — и видишь чистый лист. Модель снова ничего не помнит, радостно предлагает тебе те же самые неработающие команды и совершает ровно те же ошибки, на исправление которых вчера ушли часы.
Эта болезнь называется «амнезией агентов». Попытки победить ее простым раздуванием контекстного окна до миллиона токенов ни к чему хорошему не приводят: контекст становится чудовищно дорогим, а внимание модели деградирует (эффект attention rot). Исследовательское подразделение Tencent Hunyuan предложило принципиально иное архитектурное решение: фреймворк Tencent Hyra 2.0 и открытый стек долговременной памяти Hy-Memory 2.0, позволяющий агентам непрерывно накапливать опыт и передавать его сквозь недели работы.
Амнезия агентов: почему миллионный контекст не спасает от грабель
Когда мы скармливаем модели гигантскую простыню сырой переписки за прошлую неделю, мы заставляем ее искать иголку в стоге сена. В массиве диалогов 95% текста составляют служебные фразы, промежуточные рассуждения и неудачные попытки.
Архитектура Hyra 2.0 опирается на принципиально иной подход: фазу рефлексии (Lesson Reflection). После завершения любой рабочей задачи — успешной или провальной — агент не закрывает сессию молча. Он запускает короткий цикл самоанализа:
- Какая цель ставилась перед задачей?
- В каком месте возник сбой или задержка?
- Какое конкретное абстрактное правило предотвратит повторение этой ошибки в будущем?
Сформированный урок упаковывается в сжатую структуру из трех полей: триггер ситуации, условие и корректирующее действие. Это правило записывается в постоянную базу знаний Books, становясь доступным не только текущему агенту, но и любому другому ассистенту в экосистеме.
Архитектура Hy-Memory 2.0 и модель памяти 30B MoE
Тратить дорогущие флагманские модели вроде Claude Opus или GPT-4o на рутинную упаковку заметок памяти экономически бессмысленно. Поэтому Tencent обучила специализированную открытую модель Hy-Memory-30B-A3B.
Это архитектура смеси экспертов (MoE) с общим объемом 30 миллиардов параметров, но при обработке токена активируются всего 3 миллиарда параметров (Active Parameters). Модель узко заточена под задачи выделения сущностей, разрешения семантических противоречий и сжатия опыта. Благодаря компактному числу активных параметров она работает молниеносно, а векторный поиск по базе из 50 000 накопленных прецедентов через Qdrant или ChromaDB занимает менее 60 миллисекунд. По замерам разработчиков, внедрение фазы рефлексии снижает процент повторения однотипных ошибок на 84% уже после второй рабочей сессии.
Три домена знаний: от профиля пользователя до цепочки diff-патчей
В Hy-Memory 2.0 память строго структурирована по трем независимым доменам:
- Chat Memory (Коммуникативная память): здесь фиксируется портрет пользователя — предпочитаемый стиль речи, профессиональный бэкграунд, язык ответов и специфика терминологии.
- Working Memory (Операционная память проектов): состояние открытых задач, список задействованных сервисов и промежуточные выводы аналитики.
- Coding Memory (Эволюционная память кода): специализированная цепочка патчей (diff-chain). Агент помнит не просто текущий код, а историю его изменений и причины, по которым было принято то или иное архитектурное решение.
Для связи памяти с внешними средами используется кросс-приложенческий шлюз MemHub, позволяющий подключать к единому хранилищу IDE, консольные утилиты и браузерные плагины.
Программная интеграция и фаза рефлексии на Python
Пакет устанавливается одной командой из открытого репозитория:
pip install hy-memory
Ниже представлена программная реализация движка рефлексии на Python, извлекающего уроки и подмешивающего их в новые промпты:
from dataclasses import dataclass
from typing import Dict, Any, List
@dataclass
class JobOutcome:
job_id: str
target_action: str
status: str
diagnostic_output: str
class HyraMemoryController:
def __init__(self):
self.lessons_catalog: List[Dict[str, Any]] = []
def reflect_on_outcome(self, outcome: JobOutcome) -> Dict[str, Any]:
# Выделение инвариантного правила из ошибки
if outcome.status == "failed":
lesson = {
"scope": outcome.target_action,
"error_trigger": "nginx_reload_fail",
"remedy_rule": "Всегда запускай проверку синтаксиса 'nginx -t' перед вызовом systemctl restart",
"confidence": 0.95
}
else:
lesson = {
"scope": outcome.target_action,
"error_trigger": "none",
"remedy_rule": "Используй директиву clean-build для предотвращения конфликтов артефактов",
"confidence": 0.85
}
self.lessons_catalog.append(lesson)
print(f"[HY-MEMORY] Урок сохранен в базу Books: {lesson['remedy_rule']}")
return lesson
def enrich_prompt_with_experience(self, action_type: str, base_query: str) -> str:
matched_rules = [item['remedy_rule'] for item in self.lessons_catalog if item['scope'] == action_type]
if not matched_rules:
return base_query
advice_block = "\n".join([f"- Прошлый опыт: {rule}" for rule in matched_rules])
return f"{base_query}\n\n[АКТУАЛЬНЫЙ ОПЫТ HY-MEMORY]\n{advice_block}"
Концепция Tencent Hyra 2.0 закрывает главный разрыв между одноразовыми демо-ботами и надежными корпоративными ассистентами: ИИ наконец начинает учиться на собственных ошибках, становясь с каждым рабочим днем умнее и опытнее.



