Hy-Memory de Tencent: el “segundo cerebro” que hace 8 veces más rápidos a los agentes de IA

Hy-Memory es el nuevo plugin de memoria que Tencent Hunyuan ha desarrollado para agentes colaborativos de largo plazo del tipo OpenClaw. La compañía lo define como un “segundo cerebro” que permite a estos agentes recordar de forma más estructurada, eficiente y ligera a lo largo del tiempo .

A diferencia del enfoque por defecto de OpenClaw —que almacena la memoria en archivos Markdown planos —, Hy-Memory introduce un esquema mucho más ambicioso: seis capas de memoria, un diseño de doble sistema (System 1/System 2) y un mecanismo de cadena evolutiva .

Una arquitectura de memoria con seis capas

Hy-Memory no vuelca toda la información en un único almacén, sino que la organiza en seis niveles con funciones muy definidas :

Capa	Nombre	Qué almacena
L1	Trazas brutas	Registro original de las interacciones y el contexto sin procesar
L2	Hechos atómicos	Datos concretos extraídos del flujo de conversación
L3	Perfil de identidad	Preferencias e información del usuario a largo plazo
L4	Resúmenes de sesión	Versiones comprimidas del contexto reciente
L5–L6	Mente e intención	Modelos mentales, redes de conocimiento y estructuras de intención procesadas en segundo plano

Sistema 1 y Sistema 2: velocidad inmediata y reflexión de fondo

Inspirándose en la psicología cognitiva, Hy-Memory divide el procesamiento en dos modos complementarios :

• System 1 (“turno de día”): Se ejecuta en tiempo real en cuanto el usuario envía un mensaje. Se encarga de las capas L1 a L4: guarda las trazas, extrae hechos, actualiza el perfil y comprime los resúmenes de sesión .
• System 2 (“turno de noche”): Funciona de manera asíncrona en segundo plano, en una escala de segundos a minutos. Procesa las capas L5 y L6: extrae modelos mentales, construye redes de conocimiento y predice intenciones .

Cadenas evolutivas: adiós a la fragmentación

Uno de los puntos débiles de los sistemas de memoria tradicionales es que acumulan recuerdos sueltos sin relación entre sí. Hy-Memory lo resuelve con cadenas evolutivas basadas en un puntero supersedes: cada nueva memoria apunta a la versión anterior que reemplaza, y esta a su vez a la anterior, formando una cadena .

Cuando el sistema busca en la cadena y encuentra un eslabón, automáticamente despliega el historial completo. La información más reciente queda en cabeza, pero las versiones antiguas —aunque desactualizadas— no se borran, sino que quedan accesibles como parte del contexto histórico . Esta estructura está pensada para que los agentes que acompañan al usuario durante largos periodos mantengan una “memoria a largo plazo” más fiel y coherente.

Resultados de rendimiento: menos memoria, más densidad, más velocidad

En las evaluaciones públicas citadas durante el lanzamiento, Hy-Memory muestra mejoras notables frente a otros frameworks :

• Reducción de entradas de memoria en más de un 70%, atacando de raíz el problema de la fragmentación .
• Aumento de la densidad de información superior al 45% por cada entrada almacenada .
• Consumo de tokens recortado en un 35% al procesar contextos muy largos .
• Velocidad de actualización de memoria un 20% más rápida .
• Velocidad de escritura 8 veces superior a la de Graphiti , equiparable a la de frameworks ligeros como mem0, sin bloquear la conversación principal del agente OpenClaw .

¿Cómo se despliega?

Hy-Memory se distribuye como plugin para agentes colaborativos de largo plazo del ecosistema OpenClaw . Al instalarlo, levanta un proceso local en Python que proporciona los servicios de lectura y escritura de memoria; OpenClaw se comunica con este proceso para la recuperación automática de contexto y el almacenamiento de nuevos recuerdos .

En resumen: Hy-Memory aspira a mejorar la memoria a largo plazo de los agentes de IA clasificando la información en capas especializadas, aplicando un procesamiento cognitivo dual y encadenando los recuerdos mediante enlaces evolutivos. El resultado, según las cifras presentadas, es un sistema que almacena mucha menos memoria, pero más densa y útil, consume menos tokens y escribe hasta 8 veces más rápido que alternativas como Graphiti .